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。

本文针对智能交通系统中基于图神经网络（GNN）的交通流量预测模型，重新审视了其对抗鲁棒性。作者认为先前研究采用的威胁模型不切实际，如假设攻击者拥有完整模型知识或进行全局非目标扰动，因此对攻击和防御的评估均有偏差。实际攻击者通常只能利用有限知识，监测并操纵少量路侧传感器，且攻击目标是局部的——例如使特定路段或路径的预测出现错误，导致行车时间误判或诱导绕行，而整个网络的其他部分几乎不受影响。这种定位明确的攻击在以往研究中未被充分探索，且现有防御如对抗训练，难以从训练时使用的范数有界扰动迁移到结构完全不同、符合物理拥堵规律的攻击上。为此，作者提出将鲁棒性问题视为检测任务：训练一个物理信息感知的检测器，其输出作为输入特征并入后续加固预测模型，同时在保持预测模型固定时对检测器进行自适应攻击训练。作者在多种模型架构和基准数据集上评估，结果显示物理感知攻击能让目标链路预测误差增大数倍而全局误差几乎不变，而针对范数有界扰动调优的对抗训练对此几乎无效。作者提出的检测-缓解防御在15个模型-数据集设置中的13个上超过直接用物理感知攻击进行对抗训练的模型，并在留出攻击上取得最大优势，同时几乎零干净性能损失。结果强调了在应用特定约束下审视抽象AI对抗攻击的必要性，以评估真实安全影响。