该研究针对网络流量入侵检测中长期存在的「概念漂移」问题：合法业务行为与攻击手法会同步演进，导致任何检测模型在两次更新之间的窗口期内迅速失效，检测方始终落后攻击者一步。作者提出把干预点从「漂移发生后再修复模型」前移到「训练之前先选好特征空间」，从而在方法论的层面改变应对范式。为此论文引入 t-robustness——一种针对单个特征独立定义、不依赖任何具体检测模型的稳定性评分，可在整个特征空间内横向比较。该评分由两部分构成：一是特征相邻统计状态之间的逐步距离（捕捉突变），二是特征相对初始状态的累积散度（捕捉长期偏移），二者结合使得缓慢而单调的漂移无法被误判为「稳定」，这正是传统漂移度量常见的盲区。候选特征并非直接取原始流统计量，而是从扫描、拒绝服务以及端点间通信所留下的异常网络连通性模式中提取，读取方式基于图社区指标（community metrics）与谱指标（spectral metrics），即将流量拓扑结构化为图后刻画其社区划分与谱特性。评估在 UGR16 数据集上完成，覆盖三种学习场景与一个对照场景，并额外测试了完全不进行模型更新的极端情形。结果显示：在基线方法检测能力崩溃之处，t-robust 特征空间仍能维持检测，最后一个测试区间的 retained expectancy 达到 0.6025，而图社区特征为 0.5230、基础 NetFlow 特征仅为 0.3831，验证了特征级稳定性筛选对缓解概念漂移的有效性。适合入侵检测、机器学习安全与漂移治理方向的研究者及检测工程团队阅读。

该论文针对网络入侵检测系统（NIDS）中依赖人工特征工程的问题，系统评估了表格表示学习技术在NetFlow数据上的有效性。传统的NIDS需要专家手动提取特征，这与现代机器学习模型自动学习表示的理念相悖。论文选择了多种先进的表格表示学习方法（如TabICL）与传统的自编码器以及端到端Transformer基线进行对比，在CIDDS等基准NetFlow数据集上进行了全面的超参数搜索和评估。实验涵盖监督分类和无监督异常检测两类下游任务。结果表明，不同数据集上最佳方法差异显著：监督分类中，TabICL在CIDDS上表现最优，而自编码器在平均排名上与Transformer模型持平；无监督方法整体弱于监督方法，且最优组合因数据集而异。跨数据集迁移实验显示，通过选择合适的表示学习方法和分类器，学习到的特征可以跨网络环境泛化，但迁移效果强烈依赖于源-目标数据集的分布相似性。该研究为NIDS中自动化特征学习提供了重要的经验性指导。