该论文研究网络安全分类器在面对对抗性攻击时的鲁棒性及其可解释性稳定性问题。以往工作主要关注基于梯度的攻击方法，但许多实际分类器（如随机森林、XGBoost）是不可微的树模型。作者将先前的MLP研究扩展到随机森林和XGBoost，并在四个表格安全数据集（钓鱼URL、UNSW-NB15、NF-ToN-IoT、HIKARI-2021）上评估了五种攻击，包括三种适用于不可微树模型的黑盒方法。论文引入了解释稳定性指数（ESI），这是一个基于TreeSHAP归因漂移的标量指标，与鲁棒性指数（RI）在同一[0,1]尺度上报告。关键发现是：基于梯度的黑盒攻击（ZOO）对XGBoost产生退化结果（表观RI约0.98），这是由于分段常数预测表面导致的；而基于得分的Square Attack揭示了真正的脆弱性（RI约0.36）。这些退化扰动仍然会导致显著的归因漂移：XGBoost的ESI在0.06-0.16之间，尽管ZOO鲁棒性接近完美，而随机森林的ESI在0.14-0.29之间，表明预测鲁棒性和解释稳定性是两个不同的轴，需要联合测量。作者提出了一个两轴框架（梯度依赖性和查询效率）来解释观察到的攻击排名，并为树集成评估提供了实用指导。此外，步骤大小消融实验解释了在z-score归一化表格数据上PGD的异常现象。该研究对于安全分析师理解模型解释的可靠性以及防御对抗攻击具有重要意义。