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。