NetAgent：首个多任务AI网络流量分析框架发布

该论文提出了 NetAgent，这是首个面向多任务网络流量分析的 AI 智能体框架，旨在解决现有专用模型泛化性差或基础模型成本高昂的问题。NetAgent 通过精心设计的智能体循环，在不进行特定任务训练的情况下，支持复杂任务理解、动态重规划及长周期分析。在涵盖 9 个主要基准的评估中，NetAgent 在几乎所有任务上均超越了包括 23 个单任务和 5 个多任务在内的所有基线模型。 关键证据显示，当面对未见过的流量分布时，NetAgent 的 F1 分数达到 90.04%，而表现最好的单任务和 multi-task 基线分别仅为 2.74% 和 3.04%。在模拟真实背景偏移的场景下，NetAgent 的 F1 分数仅下降 4.85 点，相比之下，最佳基线的下降幅度高达 74.88 点和 74.80 点。这些结果揭示了现有方法的成功很大程度上源于对数据集特定模式的过拟合，而在真实的网络环境中性能急剧退化，NetAgent 的智能体设计则保持了准确性、泛化性和鲁棒性。 事实层面，NetAgent 引入了知识增强工作流规划、包含 150+ 经过验证工具的全面工具动作空间以及三层记忆机制。推断层面，这表明传统的静态模型架构可能已无法应对复杂的网络攻击演变，基于 Agent 的动态推理与工具调用正在成为网络安全分析的新范式。猜测层面，虽然论文展示了极高的理论性能，但实际部署中 150+ 工具的维护成本及实时推理延迟仍需进一步验证，目前结论仅限于实验室基准测试环境。