边界网关协议（BGP）作为互联网事实上的域间路由协议，面临不断涌现的安全威胁，严重影响互联网可靠性。现有的基于机器学习的BGP威胁检测方法需要大量标注数据和专家参与，成本高且劳动密集，同时无法充分利用互联网上持续生成的海量未标注BGP数据。本文提出FIRE（Few-Shot Inter-Domain Routing Threat Detection with Large-Scale Multi-Modal Pre-Training），一种利用大规模多模态预训练实现少样本域间路由威胁检测的方法。FIRE通过设计领域特定的预训练任务，从大规模未标注BGP数据中获取丰富的BGP隐式知识，从而支持少样本学习。实验表明，FIRE仅需少量标注样本即可精确识别BGP威胁，例如在路由泄漏检测中，仅用8个事件进行微调即可达到93.2%的精确率。该方法降低了数据标注和专家知识的需求，为BGP安全检测提供了高效、低成本的解决方案。