当 eBPF 遇见机器学习：即时操作系统内核分区
内容提要
该文汇总多项研究，涵盖在线持续学习、隐私安全与系统优化：提出基于kNN与预训练特征的在线持续学习算法以减少灾难性遗忘并适应数据流变化；RobOCLe利用富化特征空间提升少样本在线持续学习鲁棒性；提出内存受限在线持续学习问题及批级蒸馏方案；探讨云数据安全的信息流控制方法；提出安全四方隐私保护机器学习协议；ACPO框架用机器学习优化LLVM编译；DeepC2利用社交网络进行隐蔽通信；提出构造紧密置信区间的变分框架；研究深度强化学习去中心化任务卸载；以及用CnC技术检测分布外数据。
延伸解读
在线持续学习的存储与适应权衡
文章汇总的在线持续学习研究显示，不同方法在存储开销与适应能力之间做出不同取舍。基于kNN和预训练特征的算法能以小计算预算紧凑存储整个数据流，减少灾难性遗忘并快速适应变化；而MC-OCL问题则关注内存受限场景，通过批级蒸馏在有限存储下达到与高开销方法相当的准确性。读者可留意这些方案对存储预算和计算资源的实际要求。
机器学习向系统与安全领域的渗透
除持续学习外，文章还涉及机器学习在编译器优化、隐私保护、隐蔽通信和异常检测等方向的应用。ACPO用机器学习模型驱动LLVM程序优化，在多个基准上相比O3有提升；安全四方协议在LAN和WAN下训练与预测效率显著提高；DeepC2则展示社交网络可被用于隐蔽命令通信。这些案例说明机器学习正被用于系统优化与安全攻防两端。
隐私与安全研究的双面性
文章同时呈现了防御性与攻击性研究：一方面有云数据信息流控制、安全四方隐私保护机器学习协议，以及用于检测分布外数据的CnC技术；另一方面DeepC2利用社交网络隐藏恶意通信。这种并置提醒读者，同一类技术能力既可用于保护数据与模型，也可能被用于规避检测，评估相关进展时需关注其威胁模型和适用边界。
Q&A
在线持续学习如何减少灾难性遗忘并适应数据流变化？
文章提出一种基于kNN分类器和预训练特征提取器的简单算法，能在小计算预算下紧凑存储和利用整个数据流，从而减少对过往数据的灾难性遗忘，同时快速适应快速变化的数据流，并在CLOC和CGLM数据集上取得最新技术水平。
RobOCLe如何提升少样本在线持续学习的鲁棒性？
RobOCLe通过构建富化特征空间和计算样本的高阶统计矩来改善连续学习模型的鲁棒性，面向家用机器人视觉系统在多变环境中与不可见类别交互的需求。
内存受限的在线持续学习问题是什么，有什么解决方案？
文章提出Memory-Constrained Online Continual Learning (MC-OCL)问题，并通过Batch-level Distillation（BLD）这种基于正则化的持续学习方法来解决，在三个公开基准测试中证明了有效性，且准确性可与需要更高存储开销的先前蒸馏方法相当。
ACPO框架如何利用机器学习优化LLVM编译？
ACPO是一个提供给LLVM的新框架，通过机器学习模型进行编译器驱动的程序优化。实验表明，在Polybench、Coral-2、CoreMark和Graph-500上，相比LLVM的O3优化，Loop Unroll模型平均提高4%和3%，Inliner模型提高4.5%和2.4%。
DeepC2如何利用社交网络进行隐蔽通信？
DeepC2是一种基于人工智能技术的C&C攻击方式，旨在解决攻击者在在线社交网络上的两个问题：如何在不被防御者发现的情况下找到攻击者，以及如何在信息中隐藏命令以避免被社交网络检测。实验表明，该方法能让恶意软件在不被发现的情况下与攻击者通信。
如何为离线策略评估计算紧密的置信区间？
文章提出一个新的变分框架，将OPE中计算紧密置信区间的问题转化为一个可行集上的优化问题，通过利用最近提出的kernel Bellman损失的统计特性来构造可行集。实证结果表明，该方法在不同环境下都能产生紧密的置信区间。
