本文针对勒索软件检测在样本稀缺与新型变种场景下失效的问题，提出了一种混合深度学习框架，把自编码器特征提取器（Autoencoder Feature Extractor, AFE）与模型无关元学习分类器（Model-Agnostic Meta-Learning, MAML）结合起来，用于少样本恶意软件检测。研究背景方面，作者指出勒索软件已成为主要网络安全威胁，攻击事件在关键行业部门中频率与影响持续上升；其典型入侵路径包括钓鱼邮件、恶意下载以及利用软件漏洞获取系统访问权限，进入系统后即加密文件并以加密货币索取解密密钥。传统检测方法在面对新型或稀有样本时往往表现不佳，导致系统防护出现空窗。方法上，框架分为两部分：AFE 负责把原始样本映射为紧凑的潜在特征表示，从而降低噪声与维度、提升后续分类的稳定性；MAML 分类器则以元学习方式学习一组易于快速微调的初始化参数，使其仅凭少量带标签样本即可迅速适应新出现的恶意软件家族。实验在 Ransomware Dataset 2024 上进行，任务为二分类。作者报告在 1-shot 到 50-shot 的多种设置下，模型在准确率、F1 分数与马修斯相关系数（MCC）上均保持较高且稳定的表现，即便在极端样本稀缺条件下仍能维持可靠分类。结论认为，将特征提取与元学习相结合能够提升对恶意软件的韧性，尤其在医疗、制造与公共基础设施等一旦遭受攻击便会产生重大运营与财务中断的领域具有应用潜力。

该论文针对交通信号控制(TSC)这一安全关键信息物理系统提出了一种可部署的状态恢复防御框架 MDRC(Meta-Diffusion-based framework for Resilient traffic signal Control)。研究背景在于:TSC 依赖实时感知数据做配时决策,而对抗性扰动或传感器硬件故障都会导致观测数据被污染;由于感知层与控制层之间存在级联耦合,被污染的观测会一路传播进控制器,最终表现为交通效率下降、排队加剧甚至路网局部拥堵。作者指出既有基于鲁棒强化学习的 TSC 方法存在三个共性短板:跨城市泛化能力弱(换一个路网或流量分布即失效)、推理延迟高(难以满足秒级控制周期)、以及在部分可观测条件下恢复能力不足。 MDRC 的定位是一个"检测后(post-detection)状态恢复"模块,插在感知层与控制器之间,在不可信观测被控制器消费之前先重建出可信的交通状态。方法上它把两件事结合起来:一是用去噪扩散隐式模型(DDIM)做高效的状态恢复,借助其少步采样的特性控制推理开销;二是用 Reptile 元学习获得一个可跨城市迁移的初始化,使恢复模块在未见路网上也能快速适配。理论层面,作者给出了 DDIM 恢复动力学的基于优化的视角,并推导出一个恢复误差上界,把总误差分解为三个可分别归因的部分——score 函数近似误差、数值离散化误差、以及初始化失配误差,这为理解"为什么跨城市迁移会退化"提供了量化解释。 实验方面,作者在七个由真实世界数据衍生的 CityFlow 基准上评估:在随机攻击与策略感知攻击下平均行程时间(Average Travel Time)降低 6.77%,在结构化传感器丢失场景下降低 12.75%,同时状态恢复保真度指标改善。作者还做了真实路侧测量评估,人为禁用 50% 的检测器通道,累计 3600 秒;并将 MDRC 集成进一套硬件在环(hardware-in-the-loop)交通信号栈,进行了 9.16 小时、32,389 个感知/控制周期的连续运行,结果达到 99.79% 的决策可用性,未产生任何超出配时计划的推荐,单次 1 秒控制间隔内各组件处理耗时合计约 38 毫秒,说明其具备实际部署的实时性余量。 总体而言,该工作的贡献是:把扩散模型状态恢复与元学习初始化结合成可插拔的 TSC 防御组件,给出了恢复误差的可分解理论界,并用跨城市仿真 + 真实路侧 + 硬件在环三层证据链验证了有效性与工程可行性。适合关注 CPS/ICS 安全、自动驾驶与智能交通、AI 对抗鲁棒性以及城市交通运维的研究者和工程团队阅读。

本文是一篇针对少样本学习（Few-Shot Learning, FSL）在网络入侵检测（NIDS）中应用的系统性文献综述。研究背景在于：基于异常的 NIDS 是防御体系的第一道防线，但要让检测系统识别新型攻击，需要大量带标签的攻击样本，而现实中这类标注数据极其稀缺（新攻击类型刚出现时往往只有极少样例）。少样本学习通过在每类仅几个样本的条件下学习，被视为缓解该问题的可行路径。然而现有研究在方法选择、数据集、实验参数和评估协议上差异极大，导致结论难以横向比较，也无法判断哪些方案真正可落地。作者采用类 PRISMA 2020 的系统性综述流程，检索 ACM Digital Library、IEEE Xplore 和 Scopus 三大数据库，初步获得 1,358 条记录，经过筛选、去重与质量过滤后最终保留 21 篇研究。作者对这些研究使用的 FSL 方法、数据集和实验参数进行分类归纳，并对比其报告的性能指标。主要发现包括：元学习（meta-learning）与卷积神经网络（CNN）是最常见的技术路线，分别出现在 8 篇和 10 篇研究中；多数研究在每类不超过 5 个样本的条件下评估（具体设置差异较大）；CIC-IDS2017 与 CSE-CIC-IDS2018 是最常用的评测数据集。作者同时指出关键的可复现性缺陷：大量研究缺失关键超参数说明且未公开源代码，使得结果难以复现，也无法在不同方法之间做直接、公平的比较。该综述的价值在于为后续研究提供了方法和评测协议的统一视角，并明确指出了当前 FSL-NIDS 领域在标准化基准、参数报告和开源复现方面的空白。适合入侵检测研究者、数据集与评测基准建设者，以及在真实环境中部署异常检测系统的安全工程师阅读。

该论文聚焦 6G 非地面网络（NTN，含卫星、高空平台等空中节点）中的物理层认证（PLA）难题。NTN 链路存在严重多普勒频移、长传播时延和快变信道，导致训练与部署环境之间出现分布漂移，使传统集中式深度学习和单特征认证方案泛化能力差、在未见环境中性能骤降。作者提出 SAFA-MZ（面向多区域网络的安全自适应认证框架），一个基于因果元学习的分布式物理层认证（DPLA）方案。其核心设计包含四部分：第一，构造多特征指纹，将空间、到达角、合并器、子空间以及多普勒-时延等异构物理层特征与多个空中节点的测量结果进行自适应分布式融合；第二，建立结构因果模型（SCM），显式刻画设计选择、环境因素、提取特征与认证结果之间的因果关系，为后续不变性学习提供依据；第三，采用模型无关元学习（MAML）结合不变风险最小化（IRM）与因果一致性正则化，使模型仅需少量带标签样本即可快速适应新的 NTN 环境；第四，提出两阶段认证机制，先执行本地识别，仅在必要时才激活基于到达时间差（TDOA）的图注意力网络（GAT）定位，从而显著降低回传链路开销。仿真结果表明，SAFA-MZ 在不同环境下达到 92% 的认证准确率和 96% 的 AUC，优于集中式深度学习和单特征基线方案。论文属于方法/仿真验证型研究，未涉及真实网络部署或在野攻击数据。

随着高级持续性威胁（APT）的日益普及，APT 恶意软件组织分类问题近年来受到更多关注。然而，以往的方法大多采用简单的分类器进行组织分类，忽略了两个关键问题：一是已披露的恶意软件样本数量稀疏导致分类偏差，二是大多数组织在恶意软件功能分布上存在差异，简单分类器难以适应这种分布不平衡。针对这些挑战，本文提出了一种基于元学习架构的预测引导原型网络（PGPNet），能够利用有限的监督样本快速适应新的分类任务。该网络的核心创新在于：将恶意软件功能分类作为辅助任务，通过多任务学习增强特征表示能力；同时，通过将辅助任务的预测结果介入组分类器的决策过程，消除由于功能分布差异引起的分类偏差。具体而言，PGPNet 在元学习框架下学习一个原型空间，并在该空间中执行样本与类原型的距离度量，从而完成组织分类。辅助任务提供了丰富的上下文信息，使得特征学习更具判别性。在 APT 恶意软件数据集上的实验结果表明，PGPNet 成功利用了辅助任务的上下文信息和预测结果，达到了当前最优的性能。该研究为在数据稀缺且分布多样的场景下进行恶意软件组织识别提供了新的思路，对威胁情报分析和 APT 追踪具有潜在的应用价值。

本文针对分布式拒绝服务（DDoS）攻击的多类别识别问题展开研究。传统检测系统多采用二分类（攻击/正常），但实际防御中需要精确识别攻击的具体类型以采取针对性缓解措施。作者提出了一种基于元学习集成的入侵检测框架，核心是一个高精度的多分类模型。该模型采用集成架构，融合了长短期记忆网络（LSTM）、K近邻（KNN）和随机森林（RF）三种基础模型，并通过逻辑回归作为元学习器来合成各模型的输出，有效解决了多个独立分类器预测结果间的歧义问题。实验基于CIC-DDoS2019数据集，所提集成元学习模型在多类识别任务中达到96%的准确率，显著优于基线链式模型（将多个二分类器串联）的92%准确率，且基线模型存在较高歧义。此外，在Mininet和Ryu控制器构建的软件定义网络（SDN）环境中进行集成测试，该模型在模拟网络流量中实现了93%的DDoS类型识别准确率，验证了其实用性。工作凸显了元学习集成在细粒度DDoS威胁识别中的价值，为开发更自适应、更有效的防御机制提供了思路。

本文研究了语音分类模型面临的后门攻击威胁。现有后门攻击使用的触发器容易被深度神经网络检测系统识别，针对这一不足，作者提出了音色泄漏攻击（TLA）。TLA将触发器的音色信息以帧级别嵌入到深度自监督特征中，生成在人耳听来自然的恶意样本，从而绕过防御。此外，为了高效嵌入多个后门，作者提出了Pmeta-TLA训练机制，结合元学习与投影冲突梯度（PCGrad），实现一次性多后门注入，并将TLA作为多目标攻击工具。在关键词识别任务上，使用多种深度神经网络模型进行数据投毒后门攻击实验。结果表明，与基线方法相比，Pmeta-TLA在攻击效能、隐蔽性、鲁棒性方面更优，且攻击成本更低。该工作揭示了语音分类模型在新型后门攻击下的脆弱性，为防御研究提供了重要参考。适合安全研究人员、语音AI开发者阅读。

论文《GETA: Generalized Encrypted Traffic Analysis》针对传统流量分析在加密和隐私保护协议普及下面临的挑战。当前方法多依赖协议特定的头部特征（如端口号、协议类型）或深度包检测（DPI），但加密使载荷内容不可见，且特征工程依赖人工标注的大规模数据集，在不同网络环境下泛化能力差。作者提出 GETA 框架，其核心思想是将网络流建模为多元时间序列，仅使用流量元数据（如包长度、方向、时间戳、初始窗口大小等），彻底摆脱对载荷和头部语义的依赖。GETA 结合了元学习（meta-learning）、嵌入细化和自注意力机制：元学习使模型在少量标注样本下快速适应新场景；嵌入细化通过对比学习增强多模态特征的表示；自注意力捕获流内的时间依赖关系。框架设计为协议无关，可处理任意加密流量类型。实验在9个公开数据集上进行，涵盖应用识别、VPN 流量分类、物联网设备指纹识别和攻击检测等任务。结果显示 GETA 在少样本场景下显著优于现有基线，F1 分数提升 5-15%，并且在跨域迁移测试中保持稳定。论文还探讨了模型的可解释性，通过注意力权重可视化关键数据包特征。主要贡献包括：(1) 提出仅基于元数据的通用流量表示；(2) 设计元学习少样本适应框架；(3) 在多个任务上验证泛化能力。适合关注加密流量分析、网络入侵检测、物联网安全的研究人员和安全工程师阅读，以了解如何利用元学习提升模型在真实异构网络中的部署效果。

本文研究了测试时自适应（Test-time Adaptation, TTA）场景下的一种新型对抗攻击。TTA通过利用无标签测试流来应对分布漂移，但这也为对手提供了可乘之机。现有的类级别定向攻击在TTA中不够隐蔽：由于TTA批量处理，迫使部分样本趋向目标标签会无意中带动相似良性样本，导致目标标签出现频率过高，容易被检测。本文提出一种更真实的样本级定向攻击，攻击者仅使携带特定触发器的样本被错误分类，同时保持良性查询的全局标签分布不变以规避检测。为此，作者设计了一种基于元学习的攻击方法，并引入优先级感知梯度对齐策略，将梯度更新建模为椭球置信域问题，从而缓解攻击成功与分布隐蔽之间的冲突。理论上保证了在梯度不一致的情况下仍能有效优化攻击目标。在CIFAR-10-C、CIFAR-100-C和ImageNet-C数据集上，结合多种TTA协议进行了大量实验，结果表明该方法在保持与无攻击基线一致的标签分布的同时，实现了高定向攻击成功率，在无标签的TTA部署场景中难以被检测。此外，该攻击对现有防御手段表现出强鲁棒性。本文适合从事对抗性机器学习、TTA安全以及鲁棒性评估的研究人员阅读。

该论文提出了一种基于元学习的无监督零日Web攻击检测框架RETSINA，旨在解决现有方法需要大量训练数据且仅能针对特定域名训练的问题。研究背景是现有基于无监督学习的Web应用防火墙（WAF）增强系统虽然能检测零日攻击，但需要长时间收集训练数据，部署周期长。核心问题是如何在仅有少量训练数据的条件下，跨组织内多个不同域名实现高效的零日攻击检测。方法上，RETSINA利用元学习在异构域名之间共享知识，包括HTTP请求之间的关联关系，从而快速训练检测模型。具体设计了自适应预处理模块，支持跨域Web请求的语义分析；并提出多域表示方法，捕获不同域名之间的语义相关性以进行跨域模型训练。实验使用四个真实世界数据集（共2.93亿条Web请求），结果表明RETSINA仅需5分钟的训练数据即可达到现有方法使用1天训练数据分别训练各域模型的检测性能。此外，在互联网公司实际部署一个月，RETSINA在两个域名中分别日均捕获126和218个零日攻击请求。该工作对安全社区的主要贡献是显著降低了零日Web攻击检测的部署门槛，使得在数据稀缺的新域名上快速启用自适应检测成为可能。适合关注Web安全、异常检测、元学习应用的研究人员和工程师阅读。