基于文本+视觉混合输入的恶意流量检测方法猜想

一、写作背景：当 O(N²)遇上“肉眼可见的恶意”

        2023年，随着大型语言模型（LLM）能力的爆发，许多团队开始探索将其应用于网络安全领域，尤其是恶意流量检测和代码审计。然而，一个始终困扰着安全研究人员的难题，便是LLM处理超长上下文时的高昂代价。

        笔者清晰地记得，当时团队在分析一个包含超长混淆编码 Payload 的 Web 请求日志时，纯文本LLM需要消耗数以万计的 Token。每当请求长度增加，其推理延迟便随 O(N²)的复杂度急剧攀升，不仅成本高昂，且难以满足实时检测的低延迟要求。

        然而，令人感到无奈的是，安全分析师通常