LLM与传统机器学习在网络入侵检测中的三轴压力测试
原文标题：A Three-Axis Stress Test of LLM vs Classical ML for Network Intrusion Detection under Distribution Shift and Adversarial Evasion
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究在相同数据集、跨数据集迁移和对抗逃逸三个维度上对比XGBoost与RoBERTa-LoRA用于网络入侵检测，发现没有普适赢家。XGBoost在分布偏移下大幅领先，而RoBERTa-LoRA在对抗逃逸下明显更优，说明评估NIDS模型需沿多个独立鲁棒性轴进行。
- 问题
- LLM与经典机器学习在网络入侵检测中的对比几乎只用同数据集评估，结论不完整。
- 方法
- 在相同数据集、跨数据集迁移、对抗逃逸三轴上对比XGBoost与RoBERTa-LoRA，并做特征泄漏消融。
- 结果
- XGBoost跨数据集迁移领先15点F1、25点平衡准确率；RoBERTa-LoRA对抗逃逸领先约17点F1。
- 影响
- 提醒安全团队不能只看同数据集精度，需按部署场景的鲁棒性轴选型。
深读 · 结论先行AI 生成展开看要点与影响 ↓
三轴压力测试显示XGBoost与RoBERTa-LoRA无普适赢家：分布偏移下XGBoost领先15点F1，对抗逃逸下RoBERTa-LoRA领先约17点。
- •在两个独立采集的NetFlow v2网络上，沿同数据集性能、跨数据集迁移、对抗逃逸三轴对比
- •同数据集上两者统计打平；跨数据集偏移下XGBoost领先15点F1、25点平衡准确率
- •目标网络上RoBERTa-LoRA假阳性率达0.78，尽管F1表面尚可，实际仅略高于随机
- •对抗逃逸下RoBERTa-LoRA在中段扰动强度领先约17点F1，两者假阳性率全程低于0.01
- •分阶段特征泄漏消融显示跨数据集迁移非单调改善，泄漏信号分散在特征表示中；两网络间迁移方向性很强
为什么重要：仅凭同数据集准确率推荐NIDS模型会得出误导性结论，评估方需沿多个独立鲁棒性轴测试。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。