本文针对暗网流量识别中现有方法依赖封闭世界（closed-world）评估、假设训练与测试阶段所有服务类别已知，从而严重脱离真实部署场景的问题，提出了一种开放世界（open-world）暗网流量分类框架。作者采用留一服务（leave-one-service-out）的评估协议，并在随机森林（Random Forest）与XGBoost分类器中引入基于不确定性的拒绝机制，以识别未知暗网服务。实验表明，从封闭世界切换到开放世界设置后，模型性能显著下降：XGBoost在I2P环境下的Macro-F1从88.8%降至46.1%，随机森林则从87.4%降至45.7%，说明封闭世界评估会大幅高估模型在实际部署中的鲁棒性。尽管不确定性拒绝机制能轻微提升鲁棒性，但由于已知服务与未知服务之间存在强行为相似性，模型仍频繁产生错误分类。进一步的行为语义吸收（semantic absorption）分析显示，FreeNet视频流量以88.1%的分配率被误判为浏览行为，而I2P对等网络流量以83.4%的分配率被吸收至与FTP相关的行为中。研究结论表明，行为重叠是开放世界暗网流量可靠分类的主要挑战。该研究为构建面向真实场景的暗网威胁情报分析系统提供了新的评估范式与方法参考，适合网络安全研究人员、暗网监控系统开发者以及关注开放环境机器学习鲁棒性的从业者阅读。

该论文针对大规模部署的机器人检测器将流量视为二元分类（人类或机器人）的假设提出了质疑。随着AI代理通过浏览器自动化工具（如Playwright）浏览网页，这类流量既不属于人类也不属于传统机器人，二元分类器在结构上无法表达这种第三类流量。论文提出了一个三分类检测框架，将流量划分为人类、机器人和AI代理，并论证了二元与代理之间的混淆是架构性的：二元人类-机器人分类器因为缺少代理类别而错误路由代理会话。在受控基准测试中，MLP二元分类器将39.1%的真实AI代理误判为人类，SAINT二元Transformer误判34.5%；当添加显式代理类别后，在全部30次运行（3个模型族×10个随机种子）中，代理类别的F1分数达到1.000。为衡量逃避难度，论文构建了一个五级逃避阶梯，包括被动观察、GAN生成轨迹和重放真实人类光标数据（共2299个逃避会话）。在10个种子和3个模型族中，22990个逐种子预测中代理的漏检为零。判别信号源于浏览器自动化的伪影而非代理推理的证据：Playwright不会发射物理输入设备产生的原始指针移动和滚轮增量流，这种缺失特征在轨迹操作后依然存在。对大小为1到5的所有特征子集的穷举搜索（9401个梯度提升树）表明，仅两个行为特征（mouse_event_rate和teleport_click_ratio）在每一级逃避水平下都能实现100%的代理召回率，代理精度为0.994；五个特征将宏F1提升到0.991。该信号是冗余编码的：移除teleport_click_ratio后代理检测仍保持100%。单特征设置退化，仅通过将分类器坍缩为总是预测“代理”来标记所有代理。两个特征就能稳健地隔离代理；五个特征能在宏F1≥0.99下区分所有三类流量。论文明确指出这一信号源于浏览器自动化工具的物理行为缺失，而非代理本身的高级智能。该研究为AI代理检测提供了可解释、可落地的特征工程基础，适合Bot检测研究者、安全运营人员以及浏览器自动化工具开发者阅读。