本文针对恶意流量检测模型在面对网络流量强动态性时，常需处理分布外（out-of-distribution）数据的问题展开研究。现有深度学习恶意流量检测模型依赖大量高质量标注数据，但标注难度高、资源消耗大，导致现有数据集多样性不足，难以覆盖不断演化的流量模式，进而使模型泛化能力较差。数据增强被广泛用于提升数据多样性和模型泛化能力，其中频域混合增强方法因能在有效扰动数据的同时保留关键结构信息而表现出潜力，但其在恶意流量检测中的应用尚缺乏理论解释，也未适配网络流量的特性。作者首先对现有频域混合方法进行了理论分析，揭示了其内在原理和局限性；随后提出一种面向网络流量数据的改进频域混合数据增强方法，通过增强网络流量序列特征的多样性，提升恶意流量检测模型的分布外泛化能力。在多个人工构造和真实世界数据集上的大量实验表明，该方法能显著提升模型在不同网络环境下的检测性能，并优于其他数据增强方案。本文的主要贡献包括：对频域混合机制的理论剖析、针对网络流量特性的增强方法设计、以及跨数据集实验验证。适合网络安全、深度学习、异常检测方向的研究人员和工程师阅读。