该论文聚焦于基于机器学习的恶意流量检测中高误报率（False Positive, FP）这一实际部署痛点。传统机器学习方法依赖精心设计的特征，虽能检测包括零日攻击在内的各类攻击，但高误报迫使安全分析师投入大量精力进行人工复核，极大增加了运维成本。为此，作者提出一种新颖的基于点云分析（Point Cloud Analysis）的误报降噪框架，将网络流量样本映射到高维点云空间，利用点云几何特性自动识别并过滤与真实攻击流量分布不一致的误报。该方法无需额外标注或专家规则，通过无监督聚类和异常检测技术从海量告警中剔除多数误报，显著降低人工分析负担。实验基于多个公开数据集，结果表明该方法在保持高检测率的同时，可将误报率降低超过70%，且对未知攻击具有良好泛化能力。论文还讨论了点云维数、聚类半径等超参数对性能的影响，为实际部署提供了指导。

该论文研究了AI推理验证中的关键问题：在GPU浮点运算的非确定性环境下，如何实现比特精确的推理结果验证，而无需牺牲性能。现有方法依赖近似匹配，这可能被隐蔽对手利用未验证的自由度进行攻击，如通过隐写术、未报告的软件修改或隐藏的批处理元素执行恶意计算。作者分析了现代推理引擎（如vLLM、Hugging Face Transformers）在未设置确定性标志的情况下，通过提供正确的重计算所需信息且后端不调用原子函数，实际输出具有确定性但非不变性。他们提出一种仅通过软件仿真的方法，在多种NVIDIA GPU变体上实现了大语言模型推理的逐位精确重计算，无需相同硬件。实验表明，累积舍入误差可作为推理所用软件和硬件设置的审计签名，而非验证性的约束。该方法为AI治理中的隐蔽恶意行为检测提供了新途径，尤其适用于验证模型推理的完整性和一致性。