1. 从标题拆解Jev-IDS的核心命题
1.1 这篇论文到底在解决什么问题
看到“Jev-IDS：网络入侵检测一种系统模型”这个标题，第一反应是：又是一篇IDS方向的论文。但仔细看关键词里的“System One Model”和“少样本学习”，就知道这篇论文的切入点跟传统IDS研究不太一样。
传统网络入侵检测系统面临的最大痛点是什么？不是检测率不够高，而是标注数据极度稀缺。你部署一个IDS到真实网络环境里，正常流量每天几个T，攻击流量可能几天才出现一次，而且攻击类型还在不断变化。让安全运维人员去标注“这条是攻击、那条是正常”，成本高得离谱。更麻烦的是，新型攻击（zero-day）根本没有历史标注样本，传统监督学习模型直接抓瞎。
Jev-IDS这篇论文的核心思路，就是把认知心理学里的System 1（快思考）和System 2（慢思考）概念引入入侵检测。System 1负责快速、直觉式的判断，System 2负责慢速、分析式的推理。对应到IDS上，就是用少样本学习做快速初筛，再用更精细的机制做二次确认。这个思路在2023-2024年的安全顶会里开始冒头，但真正落地成完整系统模型的并不多。
1.2 为什么“少样本”是IDS的命门
我做过几年企业安全产品，深知IDS落地的最大障碍不是算法精度，而是样本获取成本。一个中等规模的企业网络，每天产生的告警可能上万条，其中99%是误报。安全分析师疲于奔命地做告警降噪，根本没有精力去标注新的攻击样本。
少样本学习（Few-Shot Learning）的价值就在这里：用极少量标注样本，让模型快速适应新的攻击类型。比如某种新型DDoS攻击只出现了5次，传统模型需要几百上千个样本才能学会识别，而少样本学习可能只需要5-10个样本就能达到可用的检测率。
Jev-IDS把少样本学习和System 1/2双过程理论结合，本质上是在解决一个更底层的问题：如何让IDS像人类分析师一样思考。人类分析师看到一条可疑流量，第一反应是“这玩意儿看着不对劲”（System 1），然后才会去查日志、看payload、对比历史行为（System 2）。Jev-IDS试图用模型架构来模拟这个过程。
1.3 论文的核心贡献点在哪里
根据标题和关键词推断，Jev-IDS的贡献应该集中在三个层面：
第一，系统模型层面。它不是一个单纯的算法改进，而是一个完整的系统模型（System Model）。这意味着它包含了数据预处理、特征提取、少样本学习模块、System 1/2协同机制、以及最终的决策输出。这种系统级的视角在学术论文里比较少见，大多数IDS论文只关注分类器本身的精度。
第二，少样本学习与双过程理论的结合。把认知心理学的概念工程化到IDS里，这个跨学科的思路本身就值得关注。关键在于怎么定义System 1和System 2的边界，以及两者如何协同。我猜测System 1可能是一个基于原型网络（Prototypical Network）或MAML的快速分类器，System 2可能是一个基于图神经网络或Transformer的精细分析模块。
第三，实际部署的考量。论文标题里用了“系统模型”而不是“算法”，说明作者可能考虑了实际部署中的延迟、吞吐量、资源消耗等问题。这对工业界来说比纯算法精度更有吸引力。
2. 核心架构深度拆解
2.1 System 1与System 2的工程化映射
把认知心理学的双过程理论映射到IDS架构上，不是简单起个名字就完事了。关键在于两个系统的输入、输出、计算代价、触发条件都要有明确的工程定义。
根据我对这类架构的理解，Jev-IDS的System 1大概率是一个轻量级的少样本分类器，输入是流量的统计特征（比如包大小分布、流持续时间、协议类型等），输出是一个快速的“可疑/正常”二分类结果。它的特点是计算代价低、延迟小，可以跑在边缘设备或数据平面附近。
System 2则是一个重量级的分析模块，输入是System 1标记为可疑的流量，再加上更丰富的上下文信息（比如payload内容、历史行为序列、关联流信息等），输出是精细的攻击类型分类和置信度。它的计算代价高，但只对少量可疑流量触发，所以整体开销可控。
这里的关键设计决策是：System 1的召回率必须极高。也就是说，System 1可以误报，但绝不能漏报。因为一旦System 1漏掉了某个攻击，System 2根本没机会看到它。所以System 1的阈值设置会非常保守，宁可错杀一千，不可放过一个。
2.2 少样本学习模块的技术选型
少样本学习在IDS里的应用，主流方案有三种：
| 方案 | 代表算法 | 优势 | 劣势 | Jev-IDS可能的选择 |
|---|---|---|---|---|
| 基于度量 | 原型网络、匹配网络 | 简单、可解释 | 对特征质量敏感 | 大概率用于System 1 |
| 基于优化 | MAML、Reptile | 适应性强 | 计算代价高 | 可能用于System 2 |
| 基于生成 | 数据增强、GAN | 缓解样本不足 | 训练不稳定 | 可能作为辅助 |
从“系统模型”的定位来看，Jev-IDS大概率在System 1用了原型网络。原因很简单：原型网络的核心思想是计算每个类别的原型向量（支持集样本的均值），然后用距离度量做分类。这个过程非常轻量，而且天然支持增量学习——新攻击类型来了，只需要计算新的原型向量就行，不用重新训练整个模型。
System 2可能用了MAML或者元学习的思路。因为System 2需要做更精细的分类，而且面对的可能是System 1筛选后的困难样本，所以需要更强的适应能力。MAML的核心是学习一个“好的初始化参数”，使得模型在新任务上只需要少量梯度更新就能达到好效果。这个特性非常适合IDS场景：新攻击类型出现时，System 2可以快速微调。
2.3 特征工程与数据预处理管线
IDS论文里，特征工程往往比模型架构更重要。Jev-IDS作为系统模型，必然包含一套完整的数据预处理管线。根据常见实践，这条管线大概包含以下环节：
流量采集与解析。从网络接口抓包，解析出五元组（源IP、目的IP、源端口、目的端口、协议），然后按流（flow）或会话（session）聚合。这里的关键是流超时时间的设置：太短会导致一个完整的攻击被拆成多个流，太长会导致流表爆炸。常见设置是TCP流超时120秒，UDP流超时30秒。
特征提取。IDS常用的特征分几类：统计特征（包数量、字节数、流持续时间）、时序特征（包到达间隔的均值/方差）、行为特征（连接频率、端口分布）、内容特征（payload里的关键词、熵值）。Jev-IDS作为少样本学习系统，特征的选择会更讲究：特征必须具有跨攻击类型的泛化性，不能只对某种攻击有效。
归一化与降维。少样本学习对特征的尺度很敏感，所以归一化是必须的。常见做法是Z-score标准化或者Min-Max归一化。降维方面，PCA和自编码器都是常见选择。但要注意：降维会损失信息，在少样本场景下，信息损失可能比维度灾难更致命。所以Jev-IDS可能只做了轻度的降维，比如从几十维降到十几维。
数据增强。少样本学习的死穴是样本太少，所以数据增强很关键。IDS里的增强手段包括：SMOTE插值、流特征扰动、时间窗口滑动等。但要注意：增强不能改变攻击的语义。比如你把一个DDoS攻击的包速率从1000pps扰动到1200pps，它还是DDoS；但如果你把SYN Flood的包特征扰动成ACK Flood，那就出问题了。
2.4 训练策略与损失函数设计
Jev-IDS的训练策略大概率是元学习+微调的两阶段方案。
第一阶段是元训练（Meta-Training）：在大量已知攻击类型上训练元学习器，让它学会“如何快速学习新任务”。这个阶段的损失函数通常是** episodic loss**，也就是把训练数据分成多个episode，每个episode包含支持集（support set）和查询集（query set），模型在支持集上适应，在查询集上评估。
第二阶段是元测试/微调（Meta-Testing/Fine-Tuning）：面对新的攻击类型，用少量标注样本（比如5-way 5-shot）对模型进行微调，然后在测试集上评估。
损失函数的设计上，System 1可能用了对比损失（Contrastive Loss）或三元组损失（Triplet Loss），目的是让同类样本在嵌入空间里靠得更近，不同类样本离得更远。System 2可能用了交叉熵损失加上一致性正则化，确保System 1和System 2的输出不会差得太离谱。
3. 实操复现与关键环节实现
3.1 环境准备与依赖安装
如果你想复现Jev-IDS的核心思路，我建议从以下环境开始：
# 创建虚拟环境 python -m venv jev-ids-env source jev-ids-env/bin/activate # Linux/Mac # jev-ids-env\Scripts\activate # Windows # 安装核心依赖 pip install torch torchvision torchaudio pip install scikit-learn pandas numpy pip install scapy # 流量解析 pip install pytorch-lightning # 训练框架 pip install learn2learn # 元学习库数据集方面，公开的IDS数据集有NSL-KDD、UNSW-NB15、CIC-IDS2017等。但要注意：这些数据集都比较老，攻击类型和现代网络环境有差距。如果要做少样本实验，建议从CIC-IDS2017里挑出样本量少的攻击类型（比如Heartbleed只有11个样本），模拟少样本场景。
3.2 数据预处理代码实现
import pandas as pd import numpy as np from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split def load_and_preprocess(data_path): """加载CIC-IDS2017数据并预处理""" df = pd.read_csv(data_path) # 去除无穷值和缺失值 df.replace([np.inf, -np.inf], np.nan, inplace=True) df.dropna(inplace=True) # 分离特征和标签 X = df.drop('Label', axis=1) y = df['Label'] # 标准化 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # 处理类别不平衡：对少样本类别做上采样 # 这里用简单的随机上采样，实际可以用SMOTE from imblearn.over_sampling import SMOTE smote = SMOTE(k_neighbors=3) X_resampled, y_resampled = smote.fit_resample(X_scaled, y) return X_resampled, y_resampled, scaler # 构建少样本episode def create_episode(X, y, n_way=5, k_shot=5, q_query=10): """创建一个少样本学习episode""" classes = np.unique(y) selected_classes = np.random.choice(classes, n_way, replace=False) support_set = [] query_set = [] support_labels = [] query_labels = [] for idx, cls in enumerate(selected_classes): cls_indices = np.where(y == cls)[0] selected_indices = np.random.choice(cls_indices, k_shot + q_query, replace=False) support_set.append(X[selected_indices[:k_shot]]) query_set.append(X[selected_indices[k_shot:]]) support_labels.extend([idx] * k_shot) query_labels.extend([idx] * q_query) support_set = np.vstack(support_set) query_set = np.vstack(query_set) return support_set, np.array(support_labels), query_set, np.array(query_labels)这段代码的关键点在于episode的构建方式。少样本学习的训练和传统监督学习完全不同：传统学习是一次性看所有数据，少样本学习是模拟“给你5个样本，你学会识别这个新类别”的过程。所以每个episode都要重新采样类别和样本。
3.3 System 1原型网络实现
import torch import torch.nn as nn import torch.nn.functional as F class Encoder(nn.Module): """特征编码器，把原始特征映射到嵌入空间""" def __init__(self, input_dim, hidden_dim=128, output_dim=64): super().__init__() self.net = nn.Sequential( nn.Linear(input_dim, hidden_dim), nn.BatchNorm1d(hidden_dim), nn.ReLU(), nn.Dropout(0.3), nn.Linear(hidden_dim, hidden_dim), nn.BatchNorm1d(hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, output_dim) ) def forward(self, x): return self.net(x) class PrototypicalNetwork(nn.Module): """原型网络：System 1的核心""" def __init__(self, encoder): super().__init__() self.encoder = encoder def forward(self, support_x, support_y, query_x, n_way): # 计算支持集的原型 support_emb = self.encoder(support_x) prototypes = [] for i in range(n_way): mask = (support_y == i) proto = support_emb[mask].mean(dim=0) prototypes.append(proto) prototypes = torch.stack(prototypes) # [n_way, emb_dim] # 计算查询集到原型的距离 query_emb = self.encoder(query_x) distances = torch.cdist(query_emb, prototypes) # [n_query, n_way] # 距离转概率 logits = -distances return logits # 训练循环 def train_protonet(model, train_episodes, epochs=50, lr=1e-3): optimizer = torch.optim.Adam(model.parameters(), lr=lr) criterion = nn.CrossEntropyLoss() for epoch in range(epochs): total_loss = 0 for support_x, support_y, query_x, query_y in train_episodes: support_x = torch.FloatTensor(support_x) support_y = torch.LongTensor(support_y) query_x = torch.FloatTensor(query_x) query_y = torch.LongTensor(query_y) logits = model(support_x, support_y, query_x, n_way=5) loss = criterion(logits, query_y) optimizer.zero_grad() loss.backward() optimizer.step() total_loss += loss.item() if (epoch + 1) % 10 == 0: print(f"Epoch {epoch+1}, Loss: {total_loss/len(train_episodes):.4f}")原型网络的核心思想非常直观：每个类别用一个“原型向量”代表，分类时看查询样本离哪个原型最近。这个原型就是支持集样本嵌入的均值。在少样本场景下，5个样本的均值虽然不够精确，但已经能提供足够好的类别表征。
3.4 System 2的MAML实现
import learn2learn as l2l class MAMLClassifier(nn.Module): """MAML：System 2的核心""" def __init__(self, input_dim, hidden_dim=128, n_way=5): super().__init__() self.net = nn.Sequential( nn.Linear(input_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, n_way) ) def forward(self, x): return self.net(x) def train_maml(model, train_tasks, epochs=100, inner_lr=0.01, outer_lr=1e-3): maml = l2l.algorithms.MAML(model, lr=inner_lr, first_order=False) optimizer = torch.optim.Adam(maml.parameters(), lr=outer_lr) criterion = nn.CrossEntropyLoss() for epoch in range(epochs): total_loss = 0 for task in train_tasks: learner = maml.clone() support_x, support_y, query_x, query_y = task # 内循环：在支持集上适应 for _ in range(5): # 5步梯度更新 logits = learner(support_x) loss = criterion(logits, support_y) learner.adapt(loss) # 外循环：在查询集上评估 logits = learner(query_x) loss = criterion(logits, query_y) optimizer.zero_grad() loss.backward() optimizer.step() total_loss += loss.item() if (epoch + 1) % 10 == 0: print(f"Epoch {epoch+1}, Loss: {total_loss/len(train_tasks):.4f}")MAML的关键在于内循环和外循环的分离。内循环在支持集上做几步梯度更新，让模型快速适应新任务；外循环在查询集上评估适应后的效果，并更新元参数。这样训练出来的模型，面对新攻击类型时只需要少量样本就能快速适应。
3.5 System 1与System 2的协同逻辑
两个系统怎么协同？我的理解是级联+反馈的机制：
class JevIDS: def __init__(self, system1, system2, threshold=0.3): self.system1 = system1 self.system2 = system2 self.threshold = threshold def detect(self, flow_features): # System 1快速初筛 s1_logits = self.system1(flow_features) s1_probs = F.softmax(s1_logits, dim=-1) max_prob, pred = s1_probs.max(dim=-1) # 如果System 1非常确定是正常流量，直接放行 if pred == 0 and max_prob > 0.9: # 假设0是正常类 return "normal", max_prob # 如果System 1不确定，或者判定为可疑，交给System 2 if max_prob < self.threshold or pred != 0: s2_logits = self.system2(flow_features) s2_probs = F.softmax(s2_logits, dim=-1) final_pred = s2_probs.argmax(dim=-1) final_prob = s2_probs.max(dim=-1).values # 如果System 2也不确定，标记为未知攻击 if final_prob < 0.5: return "unknown_attack", final_prob return final_pred, final_prob return pred, max_prob这个协同逻辑的关键参数是System 1的置信度阈值。阈值设得太高，System 2的负担会很重；设得太低，漏报风险会增加。实际部署时，这个阈值需要根据业务的安全等级来调整。金融行业可能设0.1（宁可误报不可漏报），而内部办公网络可能设0.5（减少告警疲劳）。
4. 常见问题与排查技巧实录
4.1 少样本学习在IDS里的典型坑
坑一：episode采样导致类别不平衡加剧。少样本学习每个episode只采样n_way个类别，如果某个攻击类型在全局数据里本来就少，在episode里可能根本采不到。解决办法是分层采样：确保每个episode里至少包含一个稀有攻击类别。
坑二：特征尺度不一致导致原型偏移。原型网络依赖距离度量，如果某个特征的方差特别大，它会主导距离计算。比如“流持续时间”这个特征，正常流量可能几毫秒，DDoS攻击可能几秒，差了几个数量级。必须做标准化，而且标准化参数要在训练集上算，不能在整个数据集上算，否则会数据泄露。
坑三：System 1和System 2的标签空间不一致。System 1可能只分“正常/攻击”两类，System 2要分具体的攻击类型。如果System 1把正常流量误判为攻击，System 2又把它分成了某个攻击类型，就会产生误报。解决办法是在System 2里加一个“正常”类，让System 2也有机会纠正System 1的错误。
坑四：元学习过拟合到训练任务。MAML在训练任务上表现很好，但面对完全不同的新攻击类型时可能崩掉。解决办法是任务增强：在元训练阶段，不仅用真实的攻击类型，还用数据增强生成的合成攻击类型，增加任务的多样性。
4.2 排查技巧速查表
| 问题现象 | 可能原因 | 排查方法 | 解决方案 |
|---|---|---|---|
| System 1召回率低 | 阈值过高 | 画ROC曲线，看不同阈值下的召回率 | 降低阈值，或增加System 1的训练数据 |
| System 2延迟高 | 模型太大 | 用profiler看各层耗时 | 模型剪枝、量化，或减少System 2的触发频率 |
| 新攻击类型检测率差 | 元学习过拟合 | 在留出的新攻击类型上测试 | 增加任务多样性，用更强的正则化 |
| 误报率突然升高 | 数据分布漂移 | 监控特征分布，做KS检验 | 重新训练模型，或加在线学习机制 |
| 训练loss不收敛 | 学习率不当 | 画loss曲线，看是否震荡 | 降低学习率，加warmup |
| 原型网络效果差 | 嵌入空间维度不当 | 可视化嵌入空间（t-SNE） | 调整嵌入维度，加对比损失 |
4.3 实操心得：少样本IDS的部署经验
心得一：System 1用CPU就够了，System 2才需要GPU。原型网络的计算量很小，一个8核CPU就能跑到几万QPS。MAML虽然训练时需要GPU，但推理时也就是几次矩阵乘法，用ONNX Runtime优化后CPU也能跑。所以实际部署时，System 1可以放在边缘节点，System 2放在中心服务器。
心得二：少样本学习的效果高度依赖特征质量。我试过在CIC-IDS2017上直接跑原型网络，5-way 5-shot的准确率只有60%多。后来加了几个关键特征（比如流持续时间的对数、包到达间隔的熵），准确率直接拉到80%以上。特征工程在少样本场景下的收益远大于模型调参。
心得三：System 2的触发频率要控制在5%以下。如果System 1的阈值设得太低，System 2会被大量触发，整体延迟就上去了。我的经验是：System 1的阈值应该让System 2的触发率在1%-5%之间。这样既能保证召回率，又不会让System 2成为瓶颈。
心得四：在线学习是必须的。网络攻击每天都在变，今天训练的模型下个月可能就失效了。Jev-IDS如果只有离线训练，实际效果会随时间衰减。建议加一个在线原型更新机制：System 1每遇到一个新的高置信度攻击样本，就更新对应类别的原型向量。这样模型可以持续适应新的攻击变种。
心得五：不要迷信端到端。Jev-IDS作为系统模型，最大的价值在于模块化。System 1和System 2可以独立升级，特征工程管线可以独立优化。我在实际项目里试过把System 1换成Isolation Forest（一种无监督异常检测算法），虽然理论精度下降了，但部署简单了很多，而且对未知攻击的检测反而更稳。所以架构的灵活性比单个模块的精度更重要。
4.4 参数调优的实操建议
少样本学习里最关键的几个参数：
n_way和k_shot。n_way是每个episode的类别数，k_shot是每个类别的支持样本数。IDS场景下，我建议n_way=5，k_shot=5。n_way太大，每个类别的原型估计就不准；k_shot太小，原型方差太大。5-way 5-shot是学术界和工业界都比较认可的配置。
嵌入维度。原型网络的嵌入维度一般设64-128。太小了区分度不够，太大了容易过拟合。我试过在CIC-IDS2017上，64维和128维的效果差不多，但64维的推理速度快一倍。所以推荐64维。
距离度量。原型网络默认用欧氏距离，但在高维空间里，欧氏距离会失效（维度灾难）。可以试试余弦距离，它对向量的模长不敏感，更适合高维嵌入。我实测下来，余弦距离在IDS任务上比欧氏距离高2-3个百分点。
学习率。元学习的学习率要分内外两层。内循环学习率一般设0.01-0.1，外循环设1e-3到1e-4。内循环学习率太大，适应过程会震荡；太小，适应速度太慢。我的经验是内循环0.05，外循环5e-4，在大多数IDS数据集上都能收敛。
5. 影响范围与延展思考
5.1 对安全运营的实际影响
Jev-IDS这类系统模型如果真能落地，对安全运营（SecOps）的影响是结构性的。传统SOC（安全运营中心）的工作模式是：IDS产生告警 -> 分析师研判 -> 确认攻击 -> 响应。这个流程里，分析师80%的时间花在告警降噪上。
Jev-IDS的System 1/2架构可以把告警降噪自动化：System 1做第一层过滤，把明显正常的流量放行；System 2做第二层确认，把可疑流量分类成具体的攻击类型。分析师只需要处理System 2输出的高置信度告警。这能把分析师的工作量降低一个数量级。
但这也带来新的问题：分析师会过度依赖系统。如果System 1漏掉了某个攻击，System 2根本没机会看到，分析师也永远不会知道。所以Jev-IDS必须有一个独立的审计通道，定期用全量数据跑一遍离线检测，对比在线检测的结果，发现潜在的漏报。
5.2 少样本学习在其他安全场景的迁移
Jev-IDS的核心思路——少样本学习+双过程协同——可以迁移到很多其他安全场景：
恶意软件检测。恶意软件变种极多，但每个变种的样本很少。用少样本学习做家族分类，用System 1做快速初筛（是不是恶意），System 2做精细分类（属于哪个家族）。
钓鱼网站识别。钓鱼网站的生命周期很短，可能几小时就被封了。传统模型需要大量样本才能学会识别，少样本学习可以用几个样本就快速适应新的钓鱼模板。
内部威胁检测。内部威胁的样本更少，而且行为模式差异很大。少样本学习可以让模型快速适应不同用户的正常行为基线，发现偏离基线的异常行为。
漏洞利用检测。新型漏洞的利用流量往往只有几个包，少样本学习可以在漏洞公开后快速生成检测规则，而不需要等待大量样本积累。
5.3 系统模型的工程挑战
Jev-IDS作为系统模型，工程上的挑战比算法上的更大：
延迟预算分配。System 1的延迟必须控制在毫秒级，System 2可以到百毫秒级。如果System 1的延迟超过10ms，在高带宽网络里就会丢包。所以System 1的模型必须极度轻量，甚至可以考虑用查找表代替神经网络。
概念漂移处理。网络环境的变化会导致数据分布漂移。今天训练的System 1，下个月可能就不准了。需要加漂移检测机制：监控System 1的输入分布，如果发现显著变化，就触发System 1的重新训练或原型更新。
对抗攻击鲁棒性。IDS本身也是攻击目标。攻击者可能故意构造对抗样本，让System 1误判。少样本学习模型对对抗样本的鲁棒性通常较差，因为训练样本太少，模型学到的决策边界不够平滑。需要加对抗训练或输入净化机制。
可解释性。安全分析师需要知道为什么某个流量被判定为攻击。原型网络的可解释性相对较好：可以展示查询样本到各个原型的距离，让分析师看到“这个流量离DDoS原型很近，离正常原型很远”。MAML的可解释性就差一些，需要额外的解释模块。
5.4 后续可以扩展的方向
如果让我在这个方向上继续做，我会考虑几个扩展：
多模态融合。现在的IDS主要用流统计特征，但payload里其实有更多信息。可以把payload的文本特征和流统计特征融合，用多模态少样本学习做检测。难点在于payload的变长和加密问题。
联邦少样本学习。不同企业网络的攻击模式不同，但又有共性。可以用联邦学习让多个企业共享元知识，但又不泄露各自的原始数据。每个企业用自己的少量样本做本地适应，这样既能保护隐私，又能提升少样本学习的效果。
主动学习与少样本学习的结合。少样本学习需要少量标注样本，但哪些样本最值得标注？可以用主动学习来选择最有信息量的样本让分析师标注。这样能把标注成本进一步降低。
硬件加速。System 1的原型网络可以用FPGA或ASIC做硬件加速，把延迟降到微秒级。这样IDS可以直接部署在交换机或网卡上，实现线速检测。
我个人在实际操作中的体会是：Jev-IDS这类系统模型的价值不在于某个单点技术的突破，而在于把多个成熟技术组合成一个可落地的系统。少样本学习、双过程理论、级联检测，这些都不是新东西，但把它们组合成一个完整的系统模型，并且考虑到实际部署中的延迟、吞吐、漂移、对抗等问题，这才是工程上的难点。如果你也在做IDS相关的工作，建议不要只盯着分类精度，多想想系统层面的约束和权衡，那才是真正决定能不能落地的关键。
