本文针对 TCP/IP 协议栈分层架构中一个被忽视的安全风险进行了深入研究。尽管分层设计带来了实现灵活性和独立性，但当共享资源在不同层之间管理不当时，可能引入新的攻击面。作者发现了一种名为 SocketFilled 的跨层共享资源风险：在 Linux 系统中，链路层（例如地址解析过程）对传输层 UDP 发送缓冲区的不安全使用，可导致上层应用层的响应包被中断，从而形成拒绝服务（DoS）攻击。为探究这一跨层 DoS 漏洞的根源，作者系统分析了地址解析协议标准，并审查了主流开源操作系统（Linux、FreeBSD）中相关协议栈的实现。实验覆盖了主流操作系统以及常见 UDP 服务（如 DNS、QUIC）。结果显示，最新版 Linux 以及 BIND9、PowerDNS、Nginx 等著名服务软件均受影响，可导致严重丢包甚至服务完全中断。进一步，作者评估了 SocketFilled 在真实网络环境中的潜在影响：约 17.3% 的开放解析器、54.3% 的 Tranco Top 100K 域名权威服务器，以及 3.8% 的知名域名 HTTP/3 服务器可能受影响，其中包括 Bing、Amazon 等，这些数据在排除云服务器干扰后依然显著。作者已向 Linux 社区进行负责任披露。该研究揭示了跨层机制在 DoS 攻击中的有效性，呼吁安全社区关注协议栈实现中因分层复杂性而引入的安全挑战。对于蓝队和安全工程师，该成果可用于评估自身基础设施的潜在暴露面，并推动相关防御措施的落地。

该论文研究网络拓扑混淆（Network Topology Obfuscation）技术的安全性，提出一种名为CrossPoint的新型攻击方法，能够在拓扑混淆环境下仍准确推断网络拓扑结构。传统上，防御方通过地址重写、路由扰动、虚拟节点注入等手段隐藏真实网络布局，以增加攻击者测绘难度。然而作者指出，这些混淆手段存在固有弱点：网络中的路径约束和流量可达性信息难以完全抹除。CrossPoint攻击利用少量已知节点的协同测量（如往返时延、路径追踪和TTL变化），结合图推断算法，从混淆后的观测数据中重构底层物理或逻辑拓扑。实验基于多种模拟网络拓扑和真实网络拓扑数据集，对比现有防御方案（如Morpheus、Cisco的IP伪装等），结果表明CrossPoint能在高混淆强度下仍保持较高的拓扑还原准确率，显著削弱混淆的防护效果。此外，论文分析了混淆策略的局限性，并提出基于信息论指标的混淆强度评估框架，为设计更健壮的拓扑混淆方案提供理论指导。该研究适合网络防御研究人员、网络安全产品厂商以及关注网络抗测绘能力的蓝队工程师阅读，有助于理解当前拓扑混淆技术的边界，并在实际网络防御中合理评估混淆手段的有效性。

该论文针对意图驱动网络（Intent-based Networking, IBN）中的授权控制问题进行安全研究。IBN允许网络管理员仅表达高层目标和策略，而无需关心底层转发的具体配置、拓扑或协议细节；系统会自动将意图编译为低层配置并部署到网络中。论文的核心研究问题是：在IBN的这种抽象与自动化机制中，是否存在可利用的“时间性漏洞”（temporal vulnerabilities），使得授权之外的实体能够获取非预期的访问权限。作者团队通过分析IBN控制器在意图编译、分发和生效过程中的状态转换与时间窗口，识别出因时序竞态、状态不一致或异步操作导致的授权绕过场景。虽然论文摘要未给出完整技术实现细节，但可推断其主要贡献在于首次系统化地建模IBN生命周期中的时间攻击面，提出针对该攻击面的分类或分析框架，并通过实验或案例验证了漏洞的可行性。这篇论文适合网络安全研究人员、IBN系统设计者以及关注网络自动化安全的蓝队从业者阅读，有助于理解抽象网络管理模型引入的新型安全问题。

该论文提出 XNET，一种面向高速网络（如 100GbE 常见于现代企业网络）的智能动态采样系统，旨在解决网络速度增长与安全监控可扩展性之间的矛盾。传统随机丢包采样会降低流量质量，导致隐蔽在低速率流量中的安全事件（如 APT/恶意软件命令与控制通信）被漏检。XNET 使用 Linux XDP（eXpress Data Path）技术在商用硬件上实现线速处理，基于安全价值对流经的数据包进行分类，并根据配置的策略进行选择性采样，从而在降低整体数据流量的同时放大高安全价值流量的可见性。该系统具备高灵活性、可扩展性和动态适应性，能够根据具体网络需求调整。作者在大型真实网络中使用商用硬件部署了 XNET，实验结果显示：在无丢包的情况下，流量减少最多达 84%，同时原本几乎不可见的低速率流量可见性提升了 5 倍；在受控压力测试中，系统可扩展至 100Gbps；在 IDS 应用中，XNET 采样的检测率达到 99.6%。研究的主要贡献是提供了一种低成本、高效的高速网络监控方案，解决了传统采样在安全监控中的短板，使安全分析能够聚焦于最关键流量。适合网络运维人员、安全监控系统开发者以及研究高速网络流量处理与安全检测适配性的学者阅读。

本文研究如何利用软件定义网络（SDN）编排大规模量子密钥分发网络（QKDN）。作者基于ETSI和ITU的相关规范，梳理了QKDN的通用最佳实践与架构。核心思想是让SDN控制器聚合网络中的关键技术性能指标（KPI），并据此选择最优的密钥分发路径。文中提出了多种路径选择算法，包括基于Dijkstra的算法和最大-最小容量算法，并集成了负载均衡机制。作者通过仿真实验测试了这些算法的性能，并讨论了各自的权衡。除了路径选择，文章还探讨了SDN控制QKDN的其他关键方面，例如查询批处理（query batching）、多路径选择（multi-path selection）以及群组密钥（group key）能力。针对多域场景下的中继路径选择，作者提出了一种无意识多方计算协议（oblivious multi-party protocol），使得不同服务提供商无需披露各自QKDN的敏感信息即可协作选择中继路径。这些贡献旨在提升量子安全网络基础设施的可扩展性、鲁棒性和互操作性。该论文属于量子网络与SDN交叉领域的前瞻性研究，适合量子网络架构师、SDN控制器开发者以及关注未来安全基础设施的研究人员阅读。

高级持续性威胁（APT）攻击者越来越多地利用复杂技术在企业网络的不同子网间进行横向移动。及时的检测与防御依赖于跨子网的协调，但维持全局态势感知会产生大量的通信开销。为了平衡这一权衡，需要灵活的监控和可适应的遏制策略。本文提出了ADAPTD，一个通信与计算高效、基于决策论的框架，包含三个核心组件：(i) 紧凑型杀伤链，用于识别多样的攻击向量；(ii) 即时阻断机制，用于及时遏制攻击；(iii) 预测性驱逐策略，以恢复系统安全。作者通过实验验证了ADAPTD在多种威胁场景下的有效性。首先，他们提出的去中心化信念更新方案优于最先进的扩散隐马尔可夫模型（HMM）。其次，与基于Transformer的检测方法相比，ADAPTD显著减少了误驱逐。第三，在噪声环境下，自适应阻断能够遏制攻击者，同时最小化不必要的干扰。最后，消融研究证实，结合两种防御动作能够显著降低防御者的总成本。该框架面向安全运营中心（SOC）和网络防御者，提供了一种在通信开销与检测精度之间取得平衡的实用方法。

该论文针对现代通信系统中入侵检测面临的两个关键挑战：未知攻击的检测能力不足以及极端数据不平衡导致的稀有威胁类别识别困难，同时现有黑盒机器学习模型缺乏可解释性，难以在实际安全运营中落地。作者提出了一种双模态框架，将已知类别的精确分类与开放集泛化能力统一在一个无需深度学习的轻量级机器学习框架中，兼顾校准能力与可解释性。核心方法包括：安全导向的特征提取以提升信噪比；结合ADASYN与手动提升的混合重采样技术以缓解类别不平衡；使用等渗校准（isotonic calibration）和自适应阈值（例如对XSS攻击设置τ=0.30）来恢复稀有攻击的召回率；最后利用SHAP进行可解释性分析，验证决策逻辑符合网络安全领域知识。实验基于CIC-IDS2017数据集，并与多种先前的ML模型及研究进行了对比。结果显示，在已知攻击上宏平均F1值达到0.8626；在1%假阳性率（FPR）下，对未知攻击类的真阳性率（TPR）最高可达90.17%（针对DoS slowloris攻击），对Web-XSS可达77.04%。SHAP分析确认模型的决策主要由安全相关特征驱动，而非模型伪影。该工作弥合了理论模型与可运营IDS之间的鸿沟，提供了一个可复现、校准良好、可解释且具备开放集能力的统一攻击检测与防御框架。论文适合网络安全研究员、SOC分析师以及负责IDS评估与部署的工程师阅读，尤其对关注机器学习可解释性和未知威胁检测的从业者有参考价值。

本文研究了加密货币网络在自治系统（AS）层面共享网络资源所导致的安全问题，提出了一种针对相互依赖的加密货币网络的高效空间分区攻击方法。作者指出，加密货币节点在AS中的分布存在严重偏差，攻击者可通过BGP前缀劫持来隔离目标节点，从而破坏网络的物理拓扑。以往研究主要针对比特币网络，但比特币等网络因采用屏蔽的覆盖层拓扑，使得物理网络异常不易被利用。本文扩展了测量范围，对比特币、以太坊和瑞波币的节点托管模式进行了分析，发现这三个网络均高度中心化，且大量共享相同的AS。特别值得注意的是，瑞波币不屏蔽其覆盖层拓扑，攻击者可以利用这一点来探测物理网络异常，并同时针对所有三种加密货币发起攻击。作者还回顾了近期针对知名AS的BGP攻击事件，强调了应用层缓解措施的必要性，并提出了降低空间分区风险的攻击对策。该研究揭示了网络相互依赖带来的新攻击面，为加密货币网络的安全性评估提供了新视角。

本文提出TopoIntent，一个将安全意图自动编译为可执行且合规的网络拓扑的系统。企业安全拓扑设计通常需要人工将业务意图、监管要求和风险假设转化为具体的网络区域、边界设备、区间路径和访问控制策略，而现有NetOps自动化工具多在拓扑设计完成之后才介入，难以从非结构化的自然语言需求直接生成结构化的安全拓扑。TopoIntent通过以下机制解决该问题：首先定义一个模式契约来约束拓扑生成过程；然后利用密集向量检索从精选的模板库中寻找可参考的架构模板；接着采用分阶段融合方法实现意图与模板的对齐以及安全功能的补全。生成的拓扑会对照CIS Controls v8.1.2中可在拓扑层验证的保护措施进行检查，未能自动满足的项目会被标记为人工审查；对于结构缺口，系统通过符合模式契约的加性编辑进行修复。最终的拓扑可导出为Mininet脚本并配置内核级iptables ACL，从而支持对可达性和允许/拒绝策略的可执行测试。由于该“需求→拓扑”任务尚无公开基准，作者从参考安全架构图中构建了评估集：检索集包含22个模板和5个场景下的44个合成意图，保留集包含金融和政府场景中的7个模板和14个意图（这些模板不在检索库中）。实验结果显示，在保留集上，加性修复平均在不到1.5轮内将拓扑可见的CIS保障满足度从0.78提升至1.00；增加一轮反馈后，ACL后的策略通过率从0.78提升至0.88。该工作为安全架构设计的自动化、合规性和可验证性提供了新思路。

本文重新审视了 IP 分片攻击对 TCP 协议的影响，并挑战了安全社区中一个长期存在的普遍认知：即 TCP 默认启用路径最大传输单元发现（PMTUD）机制，能够通过动态调整 TCP 段的最大尺寸以匹配源到目的路径上的 MTU，从而避免 IP 分片，因此 TCP 被认为不易受 IP 分片攻击。作者通过深入分析发现，这一认知并不准确，TCP 实际上仍然可能遭受 IP 分片攻击。研究揭示了在特定网络条件下，PMTUD 的依赖并不可靠，攻击者可以绕过或利用 PMTUD 的不足，重新引入 IP 分片风险，进而对 TCP 连接实施拒绝服务、数据注入或连接重置等攻击。论文的核心贡献在于：系统性地分析了 PMTUD 在真实网络中的局限性，阐明了为什么 PMTUD 不能作为 TCP 防范 IP 分片攻击的充分防御；构造并验证了针对 TCP 的 IP 分片攻击场景，打破了传统安全假设；为后续设计更健壮的传输层安全机制提供了理论基础。该研究适合网络协议安全研究人员、TCP/IP 协议栈开发者、防火墙和中间件安全工程师，以及所有依赖 PMTUD 进行安全假设的网络安全从业者阅读，以重新评估现有防御策略的有效性。

本文研究无监督网络表示学习（UNRL）在安全分析（尤其是图安全分析 GSA）中的实际应用效果。随着网络攻击日益复杂，安全分析通过挖掘组织日志（如网络日志和认证日志）来生成防御措施。图安全分析能够建模用户/主机/进程之间的复杂通信模式，已被广泛部署。其中，UNRL 通过无监督方式学习图的潜在表示（即节点嵌入），并针对不同下游任务进行定制，避免了特征工程的负担，因此基于 UNRL 的 GSA 具有显著优势。然而，本文作者重新审视了以往基于 UNRL 的 GSA 设计，发现它们在真实大规模、高噪声日志数据集（如 LANL 认证数据集）上的性能存在疑问。作者指出，主要原因在于这些方法遵循标准 UNRL 框架，以与攻击无关的方式训练通用模型，忽略了通用攻击特征。为此，作者提出 Argus，一种新的基于 UNRL 的 GSA，采用新的编码器和解码器设计。Argus 专门设计用于离散时序图（DTG），以利用图的时间动态特性。作者在两个大规模数据集 LANL 和 OpTC 上进行了评估，结果显示 Argus 大幅优于现有最先进方法。本文的核心贡献在于揭示 UNRL 在安全分析中的局限性，并提出一种结合攻击特征和时间动态的新型 GSA 框架，为安全分析中的图表示学习提供了新思路。适合安全分析研究员、图学习从业者以及 SOC 安全工程师阅读，以了解如何更有效地利用图数据进行异常检测。

本论文提出 JANUS，一个面向高速 RDMA 云环境的 ACL（访问控制列表）系统。RDMA（远程直接内存访问）云正日益普及，ACL 对于管控 RDMA 应用、服务和租户的未授权网络访问至关重要。然而，RDMA 独特的队列对（QP）语义和高速传输特性，使得现有 ACL 表达和强制机制无法以用户友好的方式全面高效地治理 RDMA 流量。传统 ACL 表达式通常基于五元组（如 IP、端口）格式，但 RDMA 与 TCP/IP 语义根本不同，涉及基于 QP 的更精细通信类型和复杂状态管理（如 QP 创建/销毁、远程内存区域操作），且流量被分离为控制面（QP 生命周期维护）和数据面（应用数据交换），每条路径需要独立控制不同的包元数据和 QP 行为。现有端主机 ACL（如 iptables、Open vSwitch）在内核中强制执行，但 RDMA 数据面流量绕过内核，无法被捕获；微内核方案（如 Snap、FreeFlow）在软件垫片层治理但引入显著 CPU 开销；网内硬件方案（如 Bedrock）需将主机内流量重定向到网内设备，增加额外延迟。JANUS 设计了专用 ACL 表达式，利用 QP 语义识别 RDMA 连接，并提供高层策略语言来表达复杂的 ACL 意图，以便治理 RDMA 流量。JANUS 进一步利用 DPU（数据处理单元）结合流量感知和架构特定优化来强制 ACL 策略，实现线速 RDMA 检查和稳健的策略更新。作者基于 NVIDIA BlueField-3 DPU 实现了开源原型。实验表明，JANUS 在 200Gbps 真实 RDMA 测试平台上实现了线速吞吐，且延迟小于 5 秒（原文如此，可能为微秒级笔误），并提供足够的表达能力来治理未授权的 RDMA 访问。该研究为 RDMA 云环境中的访问控制提供了新的解决思路，适合云网络研究人员、RDMA 系统开发者和安全工程师阅读。

本文针对研究与教育网络（RENs）面临的独特安全悖论展开研究。RENs 承载着大规模、突发性的“大象流”正常科研流量，这些流量在统计特征上与 DDoS 等容量型攻击高度相似，导致传统监控系统产生大量误报，进而使安全运营人员无法及时发现真实威胁。为缓解该问题，作者提出并评估了一个高保真流量预测框架，旨在为 RENs 建立动态安全基线。研究使用了独家获取的 Internet2 57 天数据集，涵盖十个骨干路由器，总计 137 亿个数据包，是该领域首个大规模、异常感知的流量预测基准测试。作者系统评估了六个模型家族，从传统 SARIMA 到最新的长序列架构（TiDE、PatchTST），共配置了 960 组实验。结果表明，先进架构（尤其是 TiDE）相比传统方法将基线预测误差降低了 30% 至 42%（p < 0.001），显著提高了区分合法科学突发流量与潜在异常的能力。此外，论文提出了一种新颖的异常集成策略，在存在噪声的情况下将模型鲁棒性提升了 3.3%。这项工作首次提供了经统计验证的框架，用于区分科学工作流与网络攻击，从而支持更自主、更具弹性的网络安全运营。适合网络运维人员、安全分析师以及流量预测与异常检测方向的研究者阅读。

该论文研究 QUIC 协议下的网络内负载均衡（in-network load balancing）安全问题。传统软件负载均衡成本高、性能有限，而基于可编程交换机 ASIC 的负载均衡可以在线速下通过哈希将每个流的初始包映射到后端服务器。然而，当服务器池发生变化时，由于数据平面内存有限且性能要求严苛，将同一流的后续包持续映射到同一服务器变得困难。QUIC 协议的 Connection ID（CID）字段天然适合携带服务器标识，但 QUIC 规范要求 CID 不可关联（unlinkable），且现有方案需要修改服务器端，违反规范。本文提出一种在数据平面内实现无状态 QUIC 负载均衡的方法，无需修改 CID，并允许除初始客户端包外的 QUIC 包绕过负载均衡器，从而减少负载均衡器压力。同时，作者研究并缓解了该场景下的攻击，包括完全绕过负载均衡器以及 0-RTT IP 欺骗风险。该方法的核心贡献在于：在不违反 QUIC 规范且不修改 CID 的前提下实现高效负载均衡，并增强安全性。实验验证了方法的可行性。适合网络研究人员、负载均衡设备开发者及 QUIC 协议实现者阅读。由于仅基于摘要，结论置信度有限。

QUIC 作为一种面向现代网络设计的传输协议，在提升性能与安全性的同时，仍面临握手洪泛攻击的威胁。攻击者通过发送大量握手请求，迫使服务器执行昂贵的密码学运算，从而耗尽 CPU 资源。QUIC 内置了 Retry 机制作为防御手段，但实验表明，在大型握手洪泛场景下，该机制本身由于引入大量计算开销，仍可能成为性能瓶颈。本文提出了 TurboRetry，一种将 Retry 机制卸载到 DPU（数据处理单元）的拆分设计方案，以高效缓解 QUIC 握手洪泛攻击。TurboRetry 将 Retry 处理任务分为两类，分别分配给 DPU 和主机执行，并设计了扩展的 Retry token 格式与高效的协作方案，以保留 QUIC 语义并降低协调开销。此外，TurboRetry 将连接授权任务卸载到路径上的 DPA（DPU 上的可编程加速器），进一步提升性能与安全性。评估结果显示，与主机端实现相比，TurboRetry 在吞吐量上实现了 10 到 20 倍的提升。该研究为应对大规模 QUIC 握手洪泛提供了一种可落地的硬件卸载方案，对 DDoS 防护的硬件加速方向具有一定的参考价值。

本文披露了 RADIUS 协议中一个存在数十年的协议级漏洞。RADIUS 是网络设备认证、授权和计费（AAA）的事实标准轻量级协议，广泛用于路由器、工业控制系统、VPN、企业 Wi-Fi（包括 Eduroam）、Linux PAM 以及移动漫游和 Wi-Fi 分流等场景。攻击者作为中间人，可在不掌握 RADIUS 客户端与服务器之间共享密钥的情况下，将服务器返回的 Access-Reject 报文转换为 Access-Accept 报文，从而以任意用户身份完成认证，或为自己分配任意网络权限。该攻击利用了 RADIUS 自定义的基于 MD5 选择前缀碰撞（chosen-prefix collision）的报文认证构造：攻击者构造具有相同 Response Authenticator 的 Access-Accept 和 Access-Reject 报文，使服务器对恶意修改后的报文仍能通过认证校验。作者优化了 MD5 选择前缀碰撞算法，在线上环境中可在 5 分钟内生成碰撞，并将碰撞块嵌入会被服务器回显的 RADIUS 属性中，从而在不影响协议交互的前提下完成攻击。他们在多种流行的 RADIUS 实现上演示了该攻击的有效性。研究的核心贡献是首次系统性地证明 RADIUS over UDP 的认证机制在密码学上存在可利用的弱点，并呼吁厂商和 IETF 弃用 RADIUS over UDP，强制要求 RADIUS 运行在具备现代密码学隐私和完整性保障的安全通道（如 TLS/DTLS）之上。本文适合网络安全协议研究人员、RADIUS 实现厂商、AAA 基础设施运维人员以及关注协议安全演进的从业者阅读。

随着5G网络在工业网络、关键基础设施等可用性敏感系统中的广泛应用，深入理解其对蜂窝干扰（jamming）的韧性变得至关重要。然而，现有研究大多在固定的物理层配置下进行孤立评估，难以进行有效的横向对比，例如比较不同频段或信道带宽在抗干扰韧性上的差异。为填补这一研究空白，本文作者在ns-3网络模拟器中实现并开源了一款5G干扰器（jammer）。利用仿真环境可控的确定性，系统比较了多种维度对蜂窝干扰效果的影响，包括蜂窝技术（如4G/5G）、频率范围、子载波间隔以及信道带宽。实验结果显示，蜂窝技术类型和子载波间隔对干扰韧性的影响较小，而信道带宽和频率范围则起到关键作用：更宽的信道带宽和特定的频率配置能够显著提升抗干扰能力。该研究首次提供了可复现的开源仿真工具，并给出了跨配置的系统性对比，为5G网络规划、抗干扰设计与安全评估提供了重要参考。本文适合5G网络架构师、安全研究人员、关键基础设施管理人员以及从事无线通信仿真工作的工程师阅读。

该论文针对5G移动网络中层三（L3）协议面临的安全威胁，提出了一种基于O-RAN（开放无线接入网络）架构的攻击检测服务——5G-SPECTOR。传统蜂窝网络基础设施封闭且专有，而5G正向智能、开放标准化的O-RAN架构迁移，这为安全监测提供了新的机会。论文设计了两个核心组件：MOBIFLOW，一种新型安全审计流，用于传输细粒度的蜂窝网络遥测数据；MOBIEXPERT，一个可编程的控制平面xApp，用于实时分析数据并检测异常。该系统可检测7种已知的L3协议攻击，并能扩展至11种未知攻击以及31个真实世界蜂窝网络流量样本。实验结果表明，5G-SPECTOR具有高准确率、零误报，且CPU开销低于2%、内存消耗低于100 MB，展示了良好的实时性、可扩展性和低性能开销。该研究为O-RAN环境下的蜂窝网络安全监测提供了一个全面且实用的框架。

本文提出了一种名为NETCAP的新型防御机制，旨在防止企业网络环境中攻击者利用窃取的访问令牌（如JSON Web Token、OAuth 2.0令牌）进行未经授权的资源访问。当前令牌机制虽然简化了身份验证流程，但存在严重安全隐患：授权主机内所有进程均享有同等的环境信任，且令牌生命周期较长，使得恶意进程可轻易劫持令牌并伪装成合法用户。这一问题广泛影响多种协议，并已导致多起现实安全事件。NETCAP的核心思想是为每个授权进程引入不可伪造的、与进程绑定的能力（capability）。这些能力被持续嵌入到进程发往目标资源的网络流量中，用于验证身份，并频繁刷新。这种进程身份与能力的绑定确保即使令牌被恶意进程窃取，由于缺乏有效能力，攻击者也无法通过身份验证。为应对高流量请求，NETCAP基于可编程交换机和eBPF设计了创新的数据平面架构，通过多种优化技术支持能力的在线生成和嵌入，从而以线速处理大量流量且开销极低。广泛评估表明，NETCAP能在多种协议和真实应用场景下保持线速网络性能，额外开销可忽略不计，同时有效防护这些应用免遭令牌窃取攻击。本研究主要贡献包括：提出进程级能力绑定机制、设计高性能数据平面实现、以及通过实验验证其有效性。适合对网络安全、访问控制、数据平面可编程性感兴趣的研究人员和工程师阅读。

本文提出了 Fizzle，一个用于网络协议模糊测试的确定性且可复现的框架。网络模糊测试在发现协议实现中的漏洞方面具有重要作用，但传统模糊测试工具由于随机化和非确定性执行，导致测试结果难以复现。Fizzle 通过引入确定性调度和状态记录机制，确保每次运行产生完全相同的输入序列和代码覆盖率，从而为漏洞验证和回归测试提供可靠基础。该框架支持多种网络协议的自定义变异策略，并集成了轻量级模拟器以消除环境依赖。实验表明，Fizzle 在多个真实世界协议实现（如 HTTP、DNS）上能够持续复现已知漏洞，并与现有模糊测试工具相比，运行速度损失控制在 10% 以内。主要贡献包括：1）定义确定性模糊测试的规范；2）实现可复现的变异引擎；3）开源框架以促进社区协作。

该研究针对一所大学的企业网络，系统调查了其中暴露Telnet和FTP服务的IoT设备存在的根本原因。研究者首先对网络进行扫描，发现了185台IoT设备，涵盖30个暴露Telnet的设备型号和49个暴露FTP的设备型号。随后向设备所有者发送安全通知和问卷以了解设备配置意图。问卷结果显示，在21位Telnet设备所有者中，有2位故意在所有设备上启用了Telnet；在41位FTP设备所有者中，有8位故意启用FTP。收到通知后，47位所有者中的38位表示愿意至少对一台IoT设备采取措施，最终除一台设备外，其余所有愿意采取行动的设备均成功修复。研究者进一步查阅设备手册，发现30款Telnet设备型号中有15款的手册完全未提及该服务暴露情况，49款FTP设备型号中有10款手册未提及。结合制造商调查与手册分析，确认30款Telnet设备型号中有22款默认启用Telnet，49款FTP设备型号中有29款默认启用FTP。基于以上结果，研究者得出结论：网络中错误配置的设备主要并非所有者的人为失误，而是制造商的选择所致。大多数所有者在被告知安全风险后都愿意进行修复。研究揭示了IoT设备供应商在默认安全配置方面的不足，并强调了安全通知在促进修复中的有效性。该工作适用于网络管理员、安全运营团队以及IoT设备制造商。

本文提出 Mondrian，一种全面的跨域网络分区架构，旨在解决现代网络（如数据中心、企业网络和多租户云环境）中网络分段与安全策略管理的复杂性。现有解决方案（如 VLAN、ACL、SDN 微分段）在可扩展性、动态性和跨域一致性方面存在局限。Mondrian 借鉴艺术家皮特·蒙德里安的绘画理念，将网络抽象为“线”（连接）和“矩形”（分区），通过逻辑网络拓扑描述实现自动化的策略生成与部署。其核心方法包括：1）一种基于图论的分区模型，允许管理员定义高层级的安全约束（如“部门A与部门B不能互通”），系统自动将其转化为底层交换机和防火墙的精确规则；2）支持跨自治域（如不同租户或组织）的策略协商与一致性维护，通过数学规划确保全局无冲突；3）引入动态迁移机制，允许在不中断服务的前提下调整分区。实验在 50 节点物理测试床上进行，验证了 Mondrian 在策略规模达 10^4 条时的可扩展性、策略更新延迟低于 100ms 的动态性能，以及与 BGP 等现有路由协议的兼容性。主要贡献包括：首次提出形式化跨域分区模型，证明了分区一致性问题的 NP 完全性并给出近似算法，以及在真实云网络拓扑上的部署案例。本文适合网络架构师、安全管理员和 SDN 研究人员阅读。

本文提出了一种面向网络流量的高效预训练模型 TrafficFormer，旨在解决流量数据标注困难、标签数据不足导致传统监督学习方法性能不佳的问题。在预训练阶段，TrafficFormer 设计了一个细粒度的多分类任务，通过预测流量报文中多个字段的类别来学习丰富的上下文表示，相比现有预训练模型（如仅预测下一个报文或简单分类），能更充分地挖掘流量数据的领域知识。在微调阶段，作者提出了一种基于字段随机初始化的数据增强方法：随机将某些字段的值替换为随机值或保留原值，强制模型关注报文中的关键字段而非表层统计特征。这种增强方式可避免过拟合，提升泛化能力。在六个流量分类数据集（包括应用识别、异常检测等）以及协议理解任务（如报文边界识别、协议字段语义分析）上的实验表明，TrafficFormer 的 F1 分数相比现有最佳流量预训练模型（如 PacketBERT、TLS-BERT 等）最高提升 10%，且在协议理解上表现显著更优。该模型可应用于网络监控、入侵检测、流量审计等场景，尤其适合样本稀少或类别不平衡的流量分类任务。

网络协议解析器是确保设备间正确与安全通信的关键组件，其缺陷可能导致内存破坏、信息泄露或拒绝服务等严重漏洞。传统验证方法（如模型检验、模糊测试、差异测试）要么需要大量人工投入，要么忽略协议标准本身，难以检测语义违规。本文提出 Parval——一种基于大语言模型（LLM）的多智能体框架，旨在自动化验证解析器实现与协议的官方标准（如 RFC）之间的一致性。Parval 利用 LLM 对自然语言和代码的理解能力，将协议标准文档和实现代码分别转化为统一的中间表示（格式规范），然后通过差分比较发现不一致之处。研究人员在双向转发检测（BFD）协议上评估了 Parval，实验表明该框架成功识别了实现与 RFC 标准之间的不一致，误报率低至 5.6%，并发现了 7 个独特的漏洞，其中 5 个为之前未知的问题。该方法显著降低了人工审查成本，为协议实现合规性验证提供了新的自动化途径。读者包括安全工程师、协议开发者和研究人员，尤其适用于需确保关键基础设施中协议解析器正确性的场景。

本文研究802.11无线网络中站节点时间同步机制的安全漏洞。作者提出一种名为CHAOS的攻击方法，利用时间同步协议（如802.11中的TSF）的缺陷，使攻击者能够操纵无线站点的时间参考，从而引发同步偏差。该攻击可能导致网络计时错误、拒绝服务或作为侧信道泄露信息。论文通过实验验证了攻击的有效性，并讨论了潜在防御措施。研究揭示了无线网络基础设施中常被忽视的时间同步安全问题，对无线网络安全管理具有参考价值。

本文是一篇系统文献综述，旨在梳理人工智能（AI）在网络心理学（Cyberpsychology, CPSY）领域中的应用研究。网络心理学被定义为利用心理学原理增强网络安全应用。随着2010年代初以来AI技术的快速发展，AI与CPSY的融合日益深入，通过高级数据分析解码受害者、攻击者和防御者的独特人格特质与行为模式。该综述遵循PRISMA方法，从收集的34篇研究中严格筛选并分析了AI在网络心理学（AI-CPSY）领域的研究成果。研究提出了一个全面的分类体系，涵盖网络安全应用、AI方法以及所使用的心理学概念。研究将文献分为四大网络安全应用场景：异常检测（AD）、漏洞风险预测（VRP）、安全意识培训（SAT）和身份认证/身份验证（AIV）。在每个应用领域下，又根据AI方法进一步细分，包括机器学习（ML）、深度学习（DL）、自然语言处理（NLP）和强化学习（RL）。此外，综述还识别了最常使用的心理学概念，量化了该领域所使用的数据集，并介绍了当前的实施和部署状态。最后，文章指出了研究空白，提出了开放挑战，并归纳了AI-CPSY领域中最有效和新兴的趋势与方法。该综述适合网络安全研究人员、从业者以及心理学与AI交叉领域的学者阅读，有助于理解当前AI与心理学在网络安全中的结合现状和未来方向。

本文提出 EXP-SEC 框架，旨在为基于深度学习的网络入侵检测系统（DL-based NIDS）生成的告警提供可解释性，使安全运营中心（SOC）的分析师能够理解告警背后的决策依据。研究背景是：现有DL-based NIDS虽然检测精度高，但缺乏可解释性，安全分析师难以验证或调试告警，导致信任度不足。核心问题是如何在保持解释质量的同时，匹配安全分析师基于流量特征和攻击模式的领域知识。EXP-SEC包含三个主要模块：（1）取证模块：从告警相关联的网络流量中隔离出可疑的数据包或流，定位引发告警的关键证据；（2）解释模块：采用可处理复杂特征依赖的机制，允许特征被划分成可能重叠的分组，并区分不同分组的重要性，从而生成更细粒度的解释；（3）多阶段映射模块：将解释模块输出的基于特征/分组的解释转化为适合安全分析师处理的领域特定解释（例如，直接指出“该连接使用了异常的端口组合”等）。实验使用多个最新的DL-based NIDS进行评测，结果表明：在分组级别和考虑重叠的解释效用指标上，EXP-SEC显著优于现有最佳解释框架xNIDS；在常规特征级别的指标（如描述准确性、稀疏性和稳定性）上，两者表现相近。此外，论文通过一个实际DL-based NIDS案例，展示了EXP-SEC输出的安全分析师友好型解释格式。该研究适合从事NIDS可解释性、安全运维自动化的研究人员及SOC技术负责人阅读。

移动目标防御（MTD）作为一种主动网络防御范式，通过动态网络重构技术（如软件定义网络（SDN）启用的路径随机化）增加攻击者的不确定性。然而，现有评估因攻击者假设、攻击场景和评估指标不一致而碎片化，限制了可重复性和面向部署的比较。本文提出MTD-Playground，一个攻击者感知的评估框架，用于在真实企业级多阶段攻击场景下对SDN启用的路径随机化（PR）MTD技术进行基准测试。除了孤立的性能和安全性指标外，MTD-Playground引入了一种复合评估方法，用于分析部署有效性、突变间隔权衡以及防御者-攻击者操作平衡。以周期性路径随机化作为代表性PR-MTD策略，实验表明：激进的突变间隔将攻击成功率降低至4-20%，同时将攻击完成时间延长至160-311秒（在不同攻击场景下）。此外，PR-MTD将吞吐量提升高达30.9%，并减少内部路径延迟而不中断服务。复合分析进一步显示，较短的突变间隔始终达到最高的部署有效性和正的防御者优势。这些结果表明，基于SDN的PR-MTD能有效破坏多阶段攻击进程，同时在企业环境中保持实际可部署性。该研究为MTD评估提供了标准化方法，有助于推动该领域的可重复研究和部署决策。

本文研究大型语言模型（LLM）作为网络入侵检测分类器时的对抗鲁棒性，重点关注现实攻击者约束下的脆弱性。作者提出了一种可控制性感知的黑盒迁移攻击框架，针对基于LLM的网络流量分类器。该框架根据网络通信语义将流特征划分为直接可控（DC）、间接可控（IC）和不可控（UC）三组，仅对DC特征施加扰动，同时冻结IC/UC特征，以确保生成的对抗样本符合网络协议约束。通过共享XGBoost替代模型，作者实现了有限差分PGD、贪心坐标扰动和NES三种对抗样本生成方法，并将这些样本迁移到七个LLM目标（包括不同架构和规模）以及两个传统机器学习目标（LightGBM等）。实验覆盖了从1999年至2022年的五个入侵检测基准数据集（NSL-KDD、UNSW-NB15、CIC-IDS-2018、RT-IoT2022、HIKARI-2021），共生成超过50万个对抗样本。主要发现包括：LLM的迁移脆弱性显著，但高度依赖于数据集和比较对象；与LightGBM相比，LLM在RT-IoT2022和CIC-IDS-2018上更脆弱，在NSL-KDD和UNSW-NB15上相当，在HIKARI-2021上反而更鲁棒；与平均ML基线相比，LLM在所有五个数据集上均表现出更高的攻击成功率（ASR）。进一步观察到了跨架构一致的迁移层次：基于梯度和评分的扰动（PGD、NES）比贪心扰动具有更强的跨模型迁移能力，该现象在全部27个LLM配置和9/10个ML配置中成立。交叉替代模型验证（使用决策树、神经网络和线性替代模型）得到了相似的LLM攻击成功率，排除了XGBoost特有偏差。由于框架设计保证了扰动仅限于DC特征，约束违反率严格为零。本文系统揭示了LLM在流量分类任务中的对抗脆弱性特征，为后续防御研究提供了基础。

该论文聚焦于网络入侵检测系统（NIDS）规则工程中的自动化挑战。随着网络威胁不断演化，手工编写NIDS规则已成为运维瓶颈。大型语言模型（LLM）虽展现出自动化规则生成的潜力，但其能否产出生产级规则尚未被验证。论文采用以人为中心的视角，首先形式化了一个基于LLM的NIDS规则生成框架，涵盖规则需求分析、生成提示构造、规则生成与后处理等步骤。随后，作者组织了一项包含10名网络安全领域专家的用户研究，让专家评估LLM生成的规则。评估发现了一个“语法-语义悖论”：LLM生成的规则在语法上完全正确（符合规则语言规范），但专家认为仅有部分规则可直接部署，主要问题包括规则特异性不足（过于宽泛或模糊）以及约12%的规则存在逻辑幻觉（即规则逻辑上不合理或无法准确匹配预期流量）。系统可用性量表（SUS）得分为67（中等偏上），但从业者对LLM的自主能力持怀疑态度，更倾向于将其视为辅助起草和验证的工具，而非独立规则生成器。此外，统计分析表明，大规模模型（参数≥70B）能持续生成语法正确的规则，而小模型（参数≤4B）在IDS规则生成方面基本无效。该研究揭示了LLM在安全自动化中的潜力与当前局限，为未来人机协作的安全工程提供了实证基础。

零配置协议自1999年提出以来，为网络设备提供了即插即用的连接机制，无需手动配置DNS或DHCP服务器。如今，几乎所有个人电脑、打印机、扫描仪等设备都默认启用了这类协议，用户往往毫不知情。物联网生态的蓬勃发展更是高度依赖这些协议（如mDNS、LLMNR、DHCPv6等）。然而，这些协议在设计上存在多个安全缺陷，使得攻击者可以实施多种中间人攻击（MITM）。尽管此前已有少量研究提及个别漏洞，但整体威胁被严重低估。本文对这些设计缺陷进行了系统性的深度剖析，覆盖了多类零配置协议的攻击面。作者开展了300次实验，测试了不同厂商实现的安全性，并基于实验结果揭示了问题的广泛性。作为防御手段，作者提出了利用Zeek（原名Bro）入侵检测框架来检测此类攻击的方法，并公开了攻击代码和Zeek检测脚本。这些代码以可复现研究结果的方式提供，但设计上避免被脚本小子直接利用。本文旨在提升安全社区对零配置协议威胁的认知，并给出实用的检测方案。适合网络管理员、安全运维人员以及物联网安全研究者阅读。

该论文是一篇关于生成式人工智能（Generative AI）和联邦学习（Federated Learning）在入侵检测系统（IDS）中应用的综述。入侵检测系统是现代网络环境（如网络物理系统、物联网、企业网络和分布式网络）中监控流量、识别恶意行为的关键组件。然而，开发可靠的IDS模型面临诸多挑战：攻击行为不断演化、真实数据集难以获取、流量记录可能不完整、攻击类别不平衡、以及隐私限制导致数据无法集中收集。近年来，生成式AI（包括自编码器、生成对抗网络（GAN）、扩散模型和大语言模型（LLM））和联邦学习的进步为克服这些局限提供了新机遇。生成模型可用于异常检测、合成流量生成、数据增强、数据补齐、对抗流量生成以及IDS告警解释。联邦学习则能在不直接共享本地网络流量的情况下进行分布式IDS训练，特别适用于隐私敏感和地理分散的环境。本文首先总结了IDS研究的代表性方向，包括对抗机器学习、基于异常的检测、面向物联网的IDS、可解释IDS及基准数据集。然后，根据模型家族和任务目标对生成式AI在IDS中的应用进行了分类。最后，综述了将生成式AI与基于联邦学习的IDS相结合的新兴研究，并讨论了开放挑战，如合成数据质量、真实流量生成、双重用途对抗风险、非独立同分布客户端分布、通信高效模型共享、联邦IDS基准测试以及面向网络安全的领域特定大语言模型。该综述为网络安全研究人员和工程师提供了前沿技术的系统化梳理，有助于理解当前生成式AI和联邦学习在IDS领域的应用现状与未来方向。

该论文提出了一种面向数字取证场景的网络入侵检测框架，同时解决现有机器学习管线在证据保全和可解释性方面的缺陷。框架严格遵循ISO/IEC 27037、27041、27042及NIST SP 800-86等取证标准，将原始网络流量数据视为不可变、经过哈希验证的证据，所有模型训练均基于通过SDV+CTGAN生成的参数化合成数据，确保原始证据与衍生分析制品严格分离。检测器采用XGBoost二分类模型，在表格型网络流数据上实现高性能检测；可解释性模块利用SHAP TreeExplainer为每个实例生成特征归因，将统计预测映射为可观察的网络行为，用于生成法庭可采纳的取证报告。在CICIDS2017数据集上进行“合成训练、真实测试”（TSTR）评估，F1-macro达到0.96，与真实数据基线（0.97）的交叉验证方差相当。KS检验表明合成数据在隐私保护（平均|KS|=0.38）与操作效用之间取得平衡。跨数据集验证（UNSW-NB15、Kitsune）发现特征空间维度是合成训练效果的主要决定因素，确定了约30个数值流级特征的实际部署边界。针对暴力破解、端口扫描和DoS攻击的SHAP归因在真实与合成实例上保持一致，确认合成训练能够保留法庭专家证词所需的取证相关攻击指纹。本文适合数字取证、入侵检测和可解释AI领域的研究人员和从业者阅读。

机器学习的网络入侵检测系统（IDS）通常依赖于聚合流统计数据，这丢弃了分布结构信息。传统的熵度量需要原始数据包序列，而在预先聚合的流数据集中不可用。本文提出多级分布熵（MDE），一个分析框架，直接从流级汇总统计量中推导出可解释的熵特征，包括三个层次：流内高斯微分熵、交叉方向Jensen-Shannon散度（JSD）以及TCP标志模式香农熵，无需原始数据包访问或训练数据。在四个基准数据集（NSL-KDD, CICIDS-2017, CICIDS-2018, UNSW-NB15）上，采用无泄漏的折内管道，仅使用熵特征实现了加权F1分数在0.708-0.989之间，与使用常规特征的性能相当。然后，完整的操作指标报告揭示了聚合F1所掩盖的失败模式：在CICIDS-2018上，F1=0.74掩盖了检测率（DR）仅为0.48；在未见过的攻击家族上，F1超过0.998但DR降至零。在时间漂移下，对703K条流的伪实时回放显示阈值排序分歧：得分排序保持良好（AUC=0.87），但固定阈值崩溃（DR=0.082），且重新校准无法恢复。SHAP折稳定性分析（Spearman rho=0.80-0.95）证实熵归属在不同异构环境中具有可重复性和领域一致性。论文的核心贡献在于：1）提出了一种无需原始数据包即可从聚合流统计数据中提取可解释熵特征的方法；2）通过全面的指标报告揭示了传统聚合性能指标在评估IDS时的局限性，尤其是检测率在不同场景下的显著下降；3）验证了熵特征的可解释性和稳定性。该研究适合网络安全管理者和IDS开发人员阅读，以理解细粒度性能评估的重要性。

本文研究了中国河南省自2023年8月以来部署的省级互联网审查机制，并与国家层面的“国家防火墙”（GFW）进行了对比分析。研究发现，河南防火墙基于TLS SNI和HTTP Host字段对出省流量进行检测和阻断。相比国家防火墙，河南防火墙虽然技术复杂度较低，对网络波动的鲁棒性较差，但其对二级域名的阻断策略更加激进且不稳定，在某些时段拦截的网站数量是国家防火墙的十倍。通过分析其解析缺陷和注入行为，研究人员提出了简单的客户端侧绕过方法。本研究揭示了中国区域性审查出现的警示信号。

该论文提出了一种名为 Everdeen 的低成本、鲁棒的全球时间同步系统。许多关键应用（如金融交易、电力网络、通信系统）依赖精确的时间同步，但现有方案存在单点故障（如依赖单一GNSS或租用基础设施）或成本高昂的问题。基于互联网的时间同步虽然成本低，但面临三个挑战：精度低、对故障或恶意节点的鲁棒性差、以及无法抵御拥塞和分布式拒绝服务（DDoS）攻击。现有研究仅部分解决了前两个挑战，而Everdeen同时应对了所有三个挑战。Everdeen的核心创新是加权邻居同步模式（WNB），节点仅与直接邻居进行同步，无需依赖任何单一实体，通过分布式协商实现高精度时间同步。实验评估表明，Everdeen在通信开销更低的情况下，提供了比先前工作更好的时间同步质量；对故障、配置错误或受损主机的鲁棒性显著增强；最值得注意的是，即使在网络拥塞或大规模DDoS攻击下，Everdeen保护的时间同步流量也完全不受影响。该工作适用于需要低成本、高可靠性时间同步的分布式系统开发者、网络安全研究人员以及关键基础设施运维人员。

本研究通过控制实验揭示了互联网上IPv6扫描器的扫描策略。作者利用一个大型未使用的/56 IPv6子网，通过托管与IPv6服务器直接或间接交互的应用程序（如Web浏览、NTP池成员、Tor网络），选择性地使子网部分对扫描器可见。实验设计消除了隐藏变量对扫描的影响，建立了IPv6主机活动类型与扫描器关注度之间的因果关系。结果显示，主机活动（如Web浏览、NTP池和Tor网络参与）会导致扫描器向子网发送数量级更高的未请求IP扫描和反向DNS查询。DNS扫描器将扫描集中在托管应用程序的窄地址区域，而IP扫描器则广泛扫描整个子网。即使主机活动停止，仍观察到针对先前托管应用程序地址空间的持续残余扫描。本工作为理解IPv6扫描器行为提供了新视角，有助于改进IPv6网络安全监测和防御策略。

该论文首次系统性地研究了在路由来源验证（ROV）部分部署背景下的一种隐蔽BGP劫持风险。所谓隐蔽BGP劫持，是指恶意路由在不触发受害者警报的情况下成功劫持流量，这种劫持方式由于ROV部署的不完整性而变得可能，且此前缺乏系统性研究和真实世界事件记录。作者首先形式化定义了隐蔽BGP劫持，并提出通过路由表不一致性来发现潜在实例的启发式方法。基于此，他们进行了首次实证研究，追踪和刻画了真实世界的隐蔽BGP劫持行为，构建了包含真实事件的数据集，并提供了长期监控服务。受实证洞察启发，作者进一步开展了分析研究，以全面评估该风险。这需要准确的ROV部署数据、完整的全球路由以及定制的分析模型。为此，他们开发了SHAMAN框架，这是一个专用于评估隐蔽BGP劫持风险的BGP路由推断框架。SHAMAN整合了多个数据源以构建准确的ROV部署视图，通过高效的基于矩阵的方法推断全球路由，并利用“受害者-目标-劫持者”三元组模型促进统计风险分析。该框架将生成全球规模路由的时间从超过三个月缩短至仅5.22小时，从而能够在真实ROV部署下对83亿条生成路由进行系统性风险评估。研究发现，隐蔽BGP劫持的整体成功概率为14.1%，而针对特定目标的攻击成功率可达99.5%。通过与真实世界数据集的验证，事件级准确率高达95.9%，证明了分析结果的可靠性。该研究为网络运营商和安全从业者理解当前ROV部署环境下的劫持风险提供了重要参考。

该论文提出了一种名为DeepRed的深度学习驱动的命令与控制（C2）框架，用于针对基于机器学习的网络入侵检测系统（ML-NIDS）进行多阶段红队测试。研究背景指出，尽管机器学习能够提升NIDS的检测能力，但对抗性机器学习研究揭示了ML模型的关键脆弱性。现有研究存在三大不足：依赖不切实际的威胁模型、仅关注流量流扰动而忽略数据包级恶意活动、以及扰动后无法保持攻击功能。DeepRed框架利用生成对抗网络（GAN）生成符合TCP/IP约束且可在数据包级别实现的对抗性样本，并提出两种新颖攻击策略：单数据包单特征（SPSF）和单特征扰动（SFP），在高度受限条件下以最小扰动实现逃逸。为了进行稳健评估，作者构建了包含红队练习中良性流量和恶意流量的综合ML-NIDS基准数据集，并引入流水线无关的对抗性测试方法，评估了FlowTransformer和SSCL-IDS等最先进模型在不同特征、训练数据和预处理流水线下的表现，同时保持攻击功能。实验结果表明，DeepRed能将检测率降低高达20%，凸显了其绕过ML-NIDS同时保持操作完整性的能力。该工作适合从事网络入侵检测和对抗性机器学习研究的红队人员、蓝队防御者以及安全研究人员阅读。

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。

网络入侵检测系统（NIDS）常因实现层面的差异而被绕过：攻击者精心构造的数据包在NIDS和最终主机上的处理方式不同，导致NIDS无法检测。这些差异源于大量端主机实现及其演化，NIDS通常采用简化实现来近似和泛化，但这种方式存在根本缺陷，因为近似必然与某些端主机实现存在偏差。本文提出轻量级系统Themis，旨在使NIDS能够识别这些差异，并在遇到“歧义”数据包时被动地分叉连接状态。Themis包含离线阶段：利用符号执行从多种流行实现中提取模型；运行时阶段：维护一个非确定有限自动机（NFA）来跟踪每种可能实现的状态。广泛评估表明，Themis极其有效，能够检测所有已知的规避攻击，同时开销极低。在研究过程中，作者还发现了多个此前未知的、可用于绕过当前NIDS的差异。该工作为NIDS防御实现级绕过攻击提供了新思路，适合安全研究员和NIDS开发者阅读。

BGP劫持允许攻击者在前缀级别劫持流量，并冒充目标服务向客户端提供恶意内容。传统上，检测此类攻击依赖于网络运营商，导致终端用户在数小时内暴露于风险之中。本文提出了一种客户端驱动的BGP劫持检测方法HOWLR，其核心洞察在于：BGP劫持虽然能重定向整个IP前缀的流量，但攻击者难以大规模冒充该前缀内所有共宿的服务，尤其是当每个服务由不同证书机构认证时。HOWLR利用共宿的、TLS认证的服务作为“见证者”：如果客户端无法再验证这些服务，则说明可能正在遭受攻击。本文通过在真实网络环境中量化共宿服务的数量和多样性来评估该方法的可行性。实验表明，HOWLR能够保护89%的Tor中继前缀和75%的比特币矿池网关前缀。该方法无需依赖运营商或第三方监控，仅需客户端检测能力，具有低部署成本和良好扩展性的优势。本文主要贡献包括：提出客户端驱动的BGP劫持检测方法、利用共宿服务作为见证者的思路、以及基于真实数据的可行性评估。该研究适合网络协议研究者、安全分析师及运营大规模IP前缀的组织阅读。

FlowLens 是一篇针对机器学习驱动的网络安全应用的高效流分类方法的研究论文。核心问题在于现有基于机器学习的网络流量分类方法通常需要完整流信息或大量特征计算，导致处理延迟高、资源消耗大，难以应用于高速网络环境。FlowLens 提出了一种新型的流分类架构，通过在早期阶段利用少量数据包进行快速分类，同时保持较高的准确率。具体方法包括设计轻量级特征提取器、采用增量式学习策略以及自适应采样机制，以平衡分类精度与计算效率。实验在多个公开数据集上进行了评估，结果表明 FlowLens 在降低延迟和资源占用方面显著优于传统方法，且分类准确率损失极小。主要贡献包括：（1）提出面向实时网络安全的流分类框架；（2）设计高效的早期分类算法；（3）提供开源实现以供复现。本文适合网络安全研究者、网络运维人员以及机器学习系统设计者阅读。

本文提出了一种名为PortCatcher的交换机内ACL系统，旨在解决基于TCAM的ACL在高速度网络中面临的可扩展性问题。随着AI驱动自主防御的兴起，网络攻击检测和阻断需要更细粒度的ACL规则，导致TCAM需求激增。现有方案通过将部分ACL匹配卸载到更大的SRAM或定制硬件来减少TCAM使用，但存在规则部署延迟高或可扩展性不足的问题。PortCatcher系统创新地将第4层端口匹配从TCAM中分离出来，通过引入一种称为线性范围映射（LRM）的新型端口规则表示概念，实现了在基于SRAM的哈希表中进行端口（范围）匹配。LRM不仅保证了快速可扩展的端口匹配，还支持低延迟的ACL管理，适用于时间敏感的防御动作。使用真实ACL数据集评估，PortCatcher相比最先进的方法节省了74%–90%的TCAM空间，仅增加了少量SRAM开销（每条ACL规则0.49个SRAM条目）。作者将PortCatcher部署在可编程交换机上，演示了其能够在线速率下完成五元组规则匹配，其中端口规则完全在SRAM中匹配。通过自主攻击缓解案例研究，表明PortCatcher具有极低的规则管理延迟，94.42%的规则在10毫秒内完成部署。该工作为高速网络中可扩展、低延迟的ACL管理提供了有效解决方案，特别适合需要快速响应攻击的自主防御场景。

该论文提出了一种基于长短期记忆网络（LSTM）的主动防御策略——LSTM Look-ahead Moving Target Defense (LLM)，旨在解决传统IP地址动态变换（IP shuffling）在移动目标防御（MTD）中存在的三个主要问题：可扩展性有限、即使无攻击也存在重构开销、以及需要大量未使用地址块。LLM方法是首次尝试利用LSTM预测攻击者最可能扫描的目标地址，从而在攻击发生前动态改变网络出口IP地址，增加攻击者探测难度。具体而言，模型通过历史恶意扫描数据训练LSTM，预测后续扫描目标；采用集成学习（Ensemble Learning）提升对不同扫描行为的鲁棒性；并引入动态变异机制（Dynamic Mutation Mechanism）增强自适应性。实验结果表明，相比基线变异策略，LLM在安全性和开销方面均表现更优。该研究为网络扫描防御提供了数据驱动的预测性思路，适合对移动目标防御、网络主动防御和入侵检测感兴趣的研究者阅读。

本文对四种主流开源深度包检测（DPI）解决方案——nDPI、Libprotoident、Tstat和Zeek——进行了全面的基准测试与比较。研究背景在于，DPI对于网络流量协议识别至关重要，广泛用于网络监控与安全应用。然而，由于缺乏统一的标准数据集和基准测试框架，不同DPI工具的分类一致性难以评估。作者使用涵盖运营网络、物联网场景和恶意软件流量的多个数据集，评估各工具在协议分类上的准确性与一致性。由于不存在绝对准确的真实标签，研究重点在于分析不同工具间分类结果的一致性，并深入挖掘冲突的根本原因。此外，针对在线安全应用，实验检验了各工具在仅观察有限数据包（例如前几个带有负载的包）时能否快速可靠地完成分类。结果表明，对于常见协议，所有DPI工具表现良好；但在处理点对点（P2P）流量和恶意软件流量等安全场景时，均存在明显困难。各工具均能在观察少量负载包后达到最终分类，表明其适合在线实时处理。本文为网络运维和安全分析师提供了选择DPI工具的参考依据，并揭示了当前开源DPI在复杂场景下的局限性。

该论文提出 NetVAD，一种基于网络基础模型（Network Foundation Model）的无监督入侵检测方法，旨在解决现有无监督模型性能远低于监督分类器的问题。NetVAD 采用严格无标识符（identifier-free）的变分自编码器（VAE），将冻结的基础模型输出的表示投影到特定任务的潜在空间，仅使用良性流量进行训练。在 ToN-IoT 和 IoT-23 数据集上评估，NetVAD 在可运行假阳性率下分别达到 98% 的 Micro F1 和 96% 的 Macro F1，性能与监督方法接近。特别地，该方法在检测复杂僵尸网络行为（如 Okiru 攻击）上表现优异（F1 达 99.6%），但对基于单数据包的侦察事件检测能力有限，揭示了基于流的基础模型的局限性。全面的消融研究证实，大规模预训练对维持性能至关重要，而专门的解码器架构则能更精确地建模良性流形，确保攻击因重建损失更高而被可靠捕获。该工作为无监督入侵检测提供了新思路，适合网络安防研究人员关注。

该论文针对网络拓扑混淆防御领域的关键问题展开研究。链路洪泛攻击（LFA）是一种复杂的拒绝服务攻击，攻击者通过路径追踪工具（如traceroute）获取网络拓扑信息，从而识别并攻击瓶颈链路。现有防御方案通过暴露虚拟拓扑来隐藏真实链路，但缺乏对其安全性和实用性的系统分析。论文首先对现有混淆防御方案进行了全面分析，揭示其安全缺陷（如虚拟拓扑可被推理还原）和实用性不足（如维护开销高、影响正常网络调试）。针对这些问题，作者提出了EqualNet——一种更安全且实用的长期网络拓扑混淆防御机制。EqualNet的核心思想是生成满足“等价性”属性的虚拟拓扑，使得攻击者无法区分真实与虚拟路径，同时保证网络运营商仍能有效进行故障排查。论文通过理论证明和实验评估，验证了EqualNet在安全性（抗推理攻击）和实用性（低延迟、低管理开销）方面的优势。实验基于真实网络拓扑和流量数据，结果表明EqualNet相比现有方案能显著降低攻击者获取真实拓扑的概率，且对正常网络操作的影响极小。该研究对设计更有效的抗LFA防御策略具有重要参考价值。

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。

该论文提出了一种名为PLM-NIDS的协议语言模型网络入侵检测系统，其核心思想是将网络流视为一种语言，其语法完全由L3/L4数据包元数据（长度、到达间隔时间、TTL、TCP标志和哈希端口号）构成，从而避免了对加密载荷的深度包检测（DPI）。作者首先证明了良性网络流存在可学习的语法结构：使用RWKV-4状态空间模型在344,232个未标记的Monday流数据上训练，因果语言模型验证损失达到0.204，表明良性流量具有可预测的统计一致性。其次，攻击行为违反了该语法：在无攻击标签训练的情况下，每个流的困惑度（perplexity）得分能干净地区分良性和攻击流，PR-AUC达到0.93。第三，这种分离能力在架构上是非平凡的：在相同输入序列上训练的LSTM退化为多数类预测器（ROC-AUC约0.50，F1=0.91，始终预测攻击），证明RWKV的因果预训练提供了直接分类器无法获得的归纳偏置。监督微调进一步将PR-AUC提升至0.94，ROC-AUC达到0.75，在标定操作阈值上精确度为97.7%。RWKV骨干的O(T)循环推理使得无需流缓冲即可进行逐包流式处理，从而使PLM-NIDS在线速下操作可行。由于仅读取IP/TCP/UDP头部，该方法本质上是加密无关的，可透明处理TLS 1.3、QUIC及未来加密协议。

该论文针对远程直接内存访问（RDMA）在高性能系统中的安全缺陷展开研究。RDMA通过绕过CPU实现机器间的直接内存传输，显著降低了延迟和CPU开销，但同时也绕过了传统的CPU中介安全机制，在不可信环境中引入了严重漏洞。为此，作者提出将AES-128加密集成到RDMA数据传输中，在不显著影响性能的前提下增强安全性。核心创新在于利用可编程Tofino交换机，通过P4编程语言在数据平面直接实现加密，从而将加密任务从CPU卸载到交换机，保留RDMA的性能优势。实验在测试平台上测量了不同数据包大小下的吞吐量：16字节包0.37 Gbps，32字节包0.76 Gbps，64字节包1.83 Gbps，128字节包1.9 Gbps。结果表明，使用可编程网络硬件实现安全的、高吞吐的RDMA通信是可行的。该工作为高性能计算和存储网络中的数据传输安全提供了新思路，适合网络架构师、安全研究员和RDMA系统开发者阅读。

未知网络攻击（尤其是零日攻击）检测是入侵检测系统的重大挑战。监督学习方法对已知攻击类效果好，但无法处理训练数据中未出现的新攻击类型；无监督方法虽能检测未知攻击，但误报率高，限制了实际应用。本文提出UNAD+框架，是对原有UNAD的改进。UNAD+包含三个核心组件：1）仅使用良性样本训练的无监督集成模型，通过加权多数投票（WMV）聚合基检测器结果；2）基于伪标签的监督细化阶段，利用无监督检测输出生成伪标签并训练分类器，以降低误报；3）事后可解释性层，提供局部和全局解释，增强透明度。在CICIDS2017和NSL-KDD基准数据集上的实验表明，UNAD+在保持高检测率的同时，F1分数超过98%，误报率显著低于原始UNAD。集成可解释性使其更适用于实际部署。该研究主要面向网络安全研究人员和入侵检测系统开发者，提供了一种平衡检测率与误报率的未知攻击检测方案。

拥塞控制器（CC）对网络性能至关重要，但其在恶劣条件下的鲁棒性尚未得到充分理解。近年来，基于学习的CC在受控环境中表现强劲，但它们在输入信号被破坏或环境条件系统性地变得具有挑战性时，与传统CC相比表现如何仍不清楚。本文提出CCLab，一个用于系统评估学习型和非学习型CC鲁棒性的对抗性测试框架。CCLab包含一个基于强化学习（RL）的对抗性代理，该代理与拥塞控制策略闭环运行，在输入信号（特征级）或外部网络条件（环境级）上产生有界扰动，同时通过显式约束保持真实性。利用该框架，我们在特征级和环境级对抗条件下比较了学习型CC与非学习型CC。结果表明，尽管两种类型的CC在对抗测试中性能均有所下降，但学习型CC总体上比传统人为设计的算法更鲁棒。最后，我们展示了对抗性轨迹可用于训练更鲁棒的CC，其在挑战性和正常条件下均优于现有学习型CC。该研究为网络拥塞控制的安全性评估提供了新方法，适合网络研究员和安全工程师关注。

本文针对I2P匿名网络可能被恶意攻击者用于数据外泄的问题，提出了一种两阶段机器学习检测方法。I2P通过大蒜路由和分布式网络架构提供强匿名性，但这也使得企业网络中的恶意数据传输难以被传统安全措施发现。现有研究主要关注协议级流量识别，缺乏行为威胁评估。作者利用SafeSurf Darknet 2025数据集（包含184,548条网络流），首先在第一阶段使用随机森林分类器区分I2P流量与正常网络流量，达到了99.96%的准确率，在32,318条正常流中仅产生2个误报。第二阶段，对识别为I2P的流量进行行为分析，使用XGBoost分类器区分数据外泄与合法活动，准确率为91.11%。实验表明，基于树的集成方法显著优于深度神经网络和支持向量机。特征重要性分析显示，最具区分能力的特征包括数据包时序和流持续时间。该研究证明，在实际网络环境中可以实现准确的I2P流量检测和威胁优先级排序，从而使安全团队能够将资源集中于高风险事件，而非监控所有加密流量。

本文提出了V-Range，这是首个完全兼容5G标准的安全测距系统。研究背景在于，5G网络为资产跟踪、智能生态系统、自动驾驶等安全关键应用提供了位置信息，但现有3GPP和研究提案均未解决5G安全位置估计的挑战，且已有多种针对定位和测距系统的攻击（如距离篡改攻击）。V-Range的设计目标是在5G新空口（5G-NR）收发器上直接实现安全测距，抵御距离放大和缩小攻击。该方法通过引入物理层和协议层的安全机制，确保测距结果的高精度和低延迟。实验验证在sub-6GHz和毫米波频段上均有效，结果表明攻击者无法在不被高概率检测的情况下将距离误差控制在系统不精确度之外。论文的贡献在于填补了5G安全测距的空白，并提供了可实际部署的方案。

论文提出了一种名为 DRIFT（Drift-Resilient Invariant-Feature Transformer）的框架，用于解决基于深度学习的域名生成算法（DGA）检测器在面对时间漂移时性能严重下降的问题。作者通过一项为期9年（2017-2025）的纵向研究发现，最先进的基于字符和基于单词的DGA分类器在新变种出现时迅速失效。DRIFT 采用混合分词策略（字符级编码捕获随机形态模式，子词级编码处理基于单词的DGA）和多任务自监督预训练来学习不变表示。三个预训练任务使模型在监督微调前学习鲁棒的结构和上下文特征。综合评估表明，该方法显著减轻了时间退化，在前向链实验中持续优于当前最先进的基线。该工作为不断演变的威胁环境中的长期DGA防御提供了可靠基础。代码已开源。

本文提出Chimera，一个针对P4可编程网络基础设施的模糊测试工具，旨在检测跨控制平面和数据平面的多平面漏洞。传统P4安全研究主要关注数据平面，忽略了与控制平面的交互。作者通过分析开源P4实现中的历史漏洞报告，发现许多漏洞源于两个平面之间的相互影响。Chimera采用混合执行（concolic execution）来捕获控制-数据平面的交互，并提出了两种新的输入变异策略：解析器感知数据包变异（PAPM）和头部引导规则生成（HGRG），以利用跨平面和P4程序的依赖关系。在ONOS、Stratum和BMv2三个平台上的评估中，Chimera发现了7个新bug，包括3个安全关键漏洞，其中2个由多平面输入触发，2个为跨平面漏洞。与现有单平面模糊测试器相比，Chimera实现了更高的覆盖率和3.5倍的漏洞检测率。该研究适合网络协议安全研究人员、P4开发者和模糊测试工具开发者阅读。

该论文提出了一种基于图的网络入侵检测系统（GNIDS）与联邦学习（FL）相结合的方法 Entente，旨在解决传统 GNIDS 在分布式数据收集场景下因隐私法规和运营限制而难以实现集中式数据的问题。现有 GNIDS 主要假设数据集中存储，但现实中不同组织的数据可能因隐私保护无法共享。作者利用联邦学习使得多个客户端（如不同组织的网络）在不共享原始数据的情况下协同训练检测模型。然而，直接将 FL 应用于 GNIDS 面临挑战：不同客户端之间的图数据存在异构性（例如网络拓扑结构差异），且不同 GNIDS 的设计选择不同。为此，Entente 引入了一套针对图数据集的新技术：参考图合成（Reference Graph Synthesis）用于生成统一的参考图以缓解异构性；图草图（Graph Sketching）用于高效地压缩图数据并保留关键结构信息；自适应贡献缩放（Adaptive Contribution Scaling）用于平衡各客户端对全局模型的贡献，防止某些客户端主导训练。实验使用三个大规模数据集（LANL、OpTC 和 Pivoting）进行评估，结果显示 Entente 在检测准确率和鲁棒性上优于现有的 FL 基线方法。此外，论文还针对 GNIDS 场景设计了特定的联邦学习投毒攻击，并证明 Entente 能够将攻击成功率限制在较低水平，展现了其鲁棒性。总体而言，该研究为构建跨组织边界的分布式 GNIDS 提供了有前景的方向。

该论文研究在公共互联网上观察到私有或保留IP地址（如RFC 1918地址）的现象。作者通过大规模网络扫描和被动监测，发现大量私有IP地址在公网中可见并被路由，这可能是由于设备配置错误、NAT穿透技术或恶意活动导致。论文提出了一个分类框架，将观察到的私有IP地址分为不同类别（如由于配置错误、隧道协议或BGP劫持）。通过分析多个数据源（包括Darknet、BGP路由表、DNS数据等），他们量化了该现象的普遍性和影响，并讨论了潜在的安全风险，例如内部网络暴露、绕过防火墙、IP欺骗攻击等。主要贡献包括：首次系统性地测量公网私有IP的可见性；揭示了数千个被路由的私有IP前缀；提供了对网络运营商和安全社区的建议以缓解此类问题。该研究适合网络运维、安全监测和研究人员阅读。

BGP路由泄露（Route Leak）是互联网路由中常见且严重的安全问题，通常源于AS（自治系统）之间的错误路由通告，可能导致流量劫持、数据泄露或网络中断。现有检测方法多依赖固定规则或启发式策略，难以应对复杂多变的网络拓扑与业务关系。本文提出PathProb，一种基于概率推理的BGP路由泄露检测方法。核心创新在于：首先，从全球BGP路由数据集中提取AS路径，并利用这些路径推断每条AS链接上的概率性商业关系（如客户-提供商、对等互联等），而非传统二元分类。其次，基于这些概率关系为每条路径计算一个合法性分数（Legitimacy Score），分数越低表明路径越可能涉及路由泄露。该框架具有灵活性，可适应不同AS关系模型和检测阈值。实验利用真实BGP数据验证，结果表明PathProb在漏报率和误报率上均优于现有方法。论文提供了完整的工具链和脚本，可复现关键结果。本文适合网络运维、BGP安全研究人员及ISP安全工程师阅读。

该论文提出了一种名为OSAVRoute的新型非协作测量方法，用于检测网络中的出站源地址验证（Outbound Source Address Validation, OSAV）部署情况。OSAV是一种重要的网络安全机制，旨在防止源地址伪造攻击，但其实际部署比例一直缺乏有效的测量手段。现有方法多依赖协作式测量或仅针对入站方向，难以全面评估OSAV部署。OSAVRoute通过向目标网络发送精心构造的探测包，并分析返回流量特征，无需网络运营方协作即可推断OSAV策略。论文详细设计了探测方案和推断算法，并在全球多个网络中进行实验验证。结果表明，OSAVRoute能够准确识别OSAV部署状态，成功发现部分网络存在部署但未启用的情况。该工作为互联网源地址验证的测绘提供了新工具，有助于推动反伪造技术的普及。

该论文针对住宅代理检测问题，提出了一种超越传统RTT（往返时间）特征的对抗鲁棒两层级检测架构。住宅代理常被用于隐匿恶意流量，传统基于RTT的检测方法易受对抗性攻击。本文设计了两层级检测系统：第一层基于轻量级特征快速筛选可疑流量，第二层采用更鲁棒的深度模型进行精确分类，并引入对抗训练增强对逃避攻击的抵抗力。实验表明，该方法在保持高检测率的同时，显著提升了对抗样本下的鲁棒性。研究为代理检测领域提供了新的思路，适合安全运维人员及入侵检测研究者参考。

该论文提出了一种轻量级的互联网带宽分配与隔离方法，名为分数公平份额（Fractional Fair Shares）。该方法旨在解决传统带宽分配机制在公平性、隔离性和计算复杂度之间的权衡问题。核心思想是通过将带宽资源划分为细粒度的分数份额，并动态调整分配，以实现不同流量之间的公平共享和严格隔离，同时保持低开销。论文设计了相应的算法和协议，包括基于令牌桶的速率限制和加权公平队列的轻量级实现。实验表明，该方法能够在高动态网络环境中（如多租户数据中心、边缘计算节点）有效防止流量干扰，保证服务的带宽隔离，且计算和存储开销远低于现有方案（如加权公平队列（WFQ）或分层令牌桶（HTB））。主要贡献包括：定义了分数公平份额的数学框架；提出了轻量级实现架构；通过仿真验证了其在带宽利用率和隔离性方面的优势。该研究适用于需要高效带宽资源管理的网络场景，尤其是对安全隔离有要求的云服务提供商和企业网络。

该论文研究了如何利用TCP时间戳来改进远程时序攻击。远程时序攻击是一种侧信道攻击，通过测量数据包往返时间或响应延迟来推断受保护的机密信息，如加密密钥、秘密数据或系统状态。传统时序攻击受到网络噪声和目标系统时间粒度限制，精度有限。TCP时间戳选项（RFC 1323）原本用于改善高带宽网络的性能，但其精确的时间信息可能被攻击者利用。该论文提出了一种新方法，通过分析TCP时间戳字段中的细粒度时钟信息，可以更准确地测量远程系统的响应时间，从而显著提高攻击成功率。作者可能设计了新的信号处理技术来分离网络噪声和系统延迟，或者利用了时间戳的单调性来同步测量。实验表明，该方法在多种网络条件下均能提升攻击精度。该研究揭示了网络协议设计中的副作用，提醒防御者注意侧信道攻击的新变种。

本文针对网络入侵检测系统（NIDS）可解释性不足的问题，提出了一种基于量子优化的子群发现（Subgroup Discovery, SD）方法。传统NIDS虽然准确率高，但难以解释检测结果，而SD通过构建可解释规则来刻画攻击流量中的特征交互。然而，面对大规模数据集时，经典启发式束搜索（Beam Search）面临指数级搜索空间和关键多特征交互被剪枝的问题。本文首次将SD形式化为量子优化问题，采用二次无约束二元优化（QUBO）编码特征选择，并使用量子近似优化算法（QAOA）在IBM量子硬件（ibm_pittsburgh）上求解，以识别区分正常与攻击流量的网络特征子群。具体地，利用最小二乘回归QUBO公式来拟合特征子集上的加权相对准确性（WRAcc）景观，并通过代理采样处理更大型的QUBO。实验基于NSL-KDD数据集，以穷举枚举和束搜索为基准，对比哈密顿量质量和WRAcc比值。在10-30量子比特的硬件扩展实验中，深度p=1的QAOA在10量子比特时WRAcc比为0.983，15量子比特为0.971，20量子比特为0.855，25量子比特为0.624，而30量子比特时因电路噪声主导降至0.039，确立了NISQ设备的经验扩展边界。结果表明，QAOA发现的子群与经典启发式方法性能相当，并能找到贪婪束搜索剪枝的多特征交互模式；QAOA独有的子群在测试集上达到了最高99.6%的精确率。本文为网络安全领域中的量子组合优化建立了框架，并刻画了NISQ设备的硬件扩展特性。