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。