随着现代企业网络普遍迈入100GbE线速时代，网络监控与安全应用面临严峻的可扩展性挑战。传统做法往往依赖昂贵硬件、过度采样或复杂分布式部署，而随机丢包导致的随机性数据采样常使流量质量下降，尤其会漏掉隐藏在低速率流量中的关键安全事件（如APT或恶意软件的C2通信）。针对这一问题，本文提出XNET系统，旨在利用商用硬件实现线速监控，并通过动态采样增强高安全价值流量的可见性。XNET基于Linux的XDP（eXpress Data Path）技术高效处理数据包，在核心网卡驱动层对数据包按安全价值进行分类，并依据配置策略进行选择性采样，从而在不牺牲关键信息的前提下大幅降低需要存储和分析的流量规模，使安全相关流量占比显著提升。系统设计具有高度灵活性、可扩展性和动态适应性，可根据网络实际需求调整采样策略。作者在大型真实网络中使用纯商用硬件部署XNET，实验结果显示，XNET可在无丢包的情况下实现高达84%的流量削减，同时将原本几乎被忽略的低速率流量可见性提升5倍。在受控压力测试中，XNET展示了最高100Gbps的可扩展能力。此外，在IDS应用中，XNET采样机制保持了99.6%的检测率，证明其能在压缩数据流的同时维持高检测效能。该研究为高速网络环境下的安全监控提供了低成本、高效的解决方案，适合网络运维人员、安全分析师及研究人员阅读。

本文提出了一种面向部署的可解释人工智能辅助 eBPF/XDP 缓解框架，专门针对物联网边缘网关设计。物联网环境由异构、资源受限的设备组成，这些设备安全配置薄弱、服务暴露、日志记录有限、补丁更新困难且生命周期长。传统的基于签名和阈值的控制方法在动态物联网网络中作为独立机制是不够的，而离线人工智能基准性能无法直接转化为实际部署能力。为此，本文设计了一个概念框架和研究路线图，该框架在基于 Linux 的物联网边缘网关上实现资源感知的流级人工智能辅助风险评分、事件级可解释性以及通过 eBPF/XDP 进行的有限缓解。控制器应用可逆、有时间限制的动作，并包含关键设备保护机制，更新数据包级执行状态并记录结构化日志。架构将用户空间的复杂推理和策略控制与内核中简洁的数据包处理决策分离。此外，还定义了未来硬件感知评估路径，涵盖检测质量、资源成本、响应时间、回滚行为以及合法流量保留等方面。本文未报告新的实验结果，但为后续研究和实际部署提供了理论框架。