摘要

  • EuCNC 2026 测试中，SMOTE_kmeans 同分布 F1 超过 0.99；跨采集器降到 0.79，未见异常漏报 35% 至 41%。
  • RIPE 93 报告称，加入 RIB 快照推导的 AS 拓扑后，跨网络鲁棒性有所提升。

模型可能在自己参与命题的考试里拿高分。2026 年 EuCNC 论文《SynthBGP》用 16 项指标比较五类方法中的 13 种合成 BGP 流量生成器。SMOTE_kmeans 同分布保真度为 97.5%，检测器 F1 超过 0.99；换到另一个采集器，F1 跌至 0.79，未见异常漏报率达到 35% 至 41%。采集器只是观测点，不是整个网络；复刻一个地点的习惯，不等于能迁移。

RIPE 93 上，马德里自治大学的 Shadi Motaali 介绍了把 UPDATE 流统计与 RIB 快照推导的 AS 级拓扑结合起来的方法。会议摘要称，密度准则会为每张网络选择模型类别，并恢复跨采集器鲁棒性。报告还给出两个验证案例：与 2025 年 4 月伊比利亚停电相关的 BGP 信号出现后十分钟内被检测，误报率 1.3%，模型五个月前训练且未再训练；AS766（RedIRIS）盲测中，运营者只凭时间戳独立确认一段 65 分钟路由事件。这是研究团队报告的结果，不是广泛部署服务的证明。

EuCNC 基准量化了跨采集器失效；NOMS 论文把拓扑泛化列为后续阶段，RIPE 报告则介绍该研究方向的新结果。来源没有证明公开部署或独立复现。运营判断要改变，还缺这类证据。“用 RIPE 训练”不足以验收：应追问留出的采集器、标签核验方式和分类别漏报率。汇总平均值很容易藏起难题。 一手来源: EuCNC 2026 paper · RIPE 93 talk abstract · NOMS 2026 research paper · RIPE NCC RIS.