这篇论文提出了Whisper，一种基于机器学习的实时恶意流量检测系统，通过频域分析实现高精度和高吞吐量。传统基于规则的检测难以应对零日攻击，而现有ML方法因特征提取效率低导致低精度和低吞吐量，且易被绕过。Whisper利用频域特征（如FFT）表示流量的序列信息，通过有界信息损失保持高检测精度，同时约束特征规模以提高吞吐量。由于频域特征难以被攻击者干扰，系统对逃避攻击具有鲁棒性。实验涉及42种攻击类型，与最先进系统相比，Whisper的AUC提升最多18.36%，吞吐量提升两个数量级，在多种逃避攻击下仍保持约90%的检测准确率。该研究主要面向网络安全领域的研究人员和工程师，特别是关注实时恶意流量检测和高性能ML方法的人群。