论文指出路由分布失衡导致BARBICAN网关分类器完全失效且无法通过端到端数值移动修复

这篇来自arXiv cs.CR的论文通过实证分析BARBICAN这一分层提示注入网关，揭示了神经分类器在缺乏端到端数值调整的情况下可能完全失效的机制。研究发现，当上游路由将输入分配给仲裁阶段时，若该阶段的输入分布中恶意样本占比高达96.82%，即便修正配置错误使AUC从0.392提升至0.855，系统召回率反而从80.67%微降至80.34%，而一个回答“恶意”的桩代码得分甚至更高。这表明在极端类别不平衡下，模型的性能指标与系统实际拦截能力出现严重背离。

作者进一步通过删除、替换和移植实验量化了这种脆弱性：删除该阶段会导致673次检测丢失，而将其判决替换为常数仅在25,000次决策中改变12至140次；即使移植一个在测试数据外表现优异（AUC 0.916）的现成分类器，也仅改变了16次决策。这些细节证明，当操作点远离测试数据分布时，网关在其自身基准上表现良好，一旦分布变化即迅速落后。论文强调，任何路由阶段的消融图若未附带该阶段接收到的带宽类别平衡信息，都是不可读的。

事实层面，该研究确认了特定架构下模型对输入分布的极度敏感性及现有评估方法的盲区。推断层面，这意味着依赖单一模型或静态阈值的MCP工具中介防御体系存在系统性风险，必须重新设计以应对分布漂移。猜测层面，如果行业广泛采用类似的分层网关而未监控上游路由的类别平衡，可能在大规模部署后遭遇隐蔽的攻击面扩大，但这需要更多跨场景验证才能确证。