糖的甜蜜危险：揭穿加密流量分类中表征学习的成效假象

基于摘要分析。本文研究加密流量分类中的表征学习是否真正获得可泛化的流量特征，主要贡献是重新审视受 BERT 等 Language Models 启发的方法，分析数据准备诱发的捷径学习，并提出面向协议头特征提取的 Pcap-Encoder 与评估方法。 作者报告，既有工作的部分高性能受到数据准备问题显著影响：模型在微调时利用特征与标签之间的虚假相关，而非可靠的分类依据；在这些捷径不存在的条件下，所考察模型的表现明显变差。摘要提及既有方法声称最高可达 98% Accuracy，但未提供对应数据集、划分和基线，因此该数值不能作为本文统一评估下的结果，也不能用于跨方法直接比较。 Pcap-Encoder 是作者设计的基于 Language Model 的表征学习模型，目标是从协议头中提取特征。作者称，在其考察范围内，该模型似乎是唯一能提供有用分类表征的方法，但复杂度使其实际部署价值受到质疑。摘要未披露模型结构、训练目标、数据规模、计算成本或具体评估协议；作者提出的评估方法、消融及统计信息尚未验证。 平台推测（待验证）：其对 EEG/BCI 的潜在启发主要在评估设计，而非直接迁移流量编码器。假设 EEG 表征可能利用被试、会话或采集设备与标签之间的偶然关联，可在同一模型上比较随机划分与按被试或会话隔离的划分，并核查预处理及标签分布；低信噪比、小样本与通道差异也可能造成性能下降，因此下降本身不能证明捷径学习。可复用的是混杂因素审计思路，协议头编码模块则没有明确的 EEG 对应关系。相关 EEG 工作尚未检索确认。