🔍 耿同学打假报告

论文信息

• 标题：基于深度学习的智能网络流量分类技术研究
• 作者：唐浩耀
• 期刊：山东理工大学硕士学位论文（专业型）
• DOI：无（学位论文）
• 发表年份：2025 年 09 月（封面声明时间）
• 论文来源：基于深度学习的智能网络流量分类技术研究_唐浩耀.pdf

综合评定：🟠 高度可疑

详细发现

发现 1：方法学常识性错误（生搬硬套的数据增强）

• 位置：第三章 3.2.2 数据增强（表 3.2 ImageDataGenerator 生成器参数设计）
• 描述：作者为了解决流量样本不平衡问题，将一维的网络流量特征强行转为二维灰度图像，然后直接调用 Keras 的 ImageDataGenerator 对生成的“流量灰度图”进行几何变换（设置旋转20度、水平/垂直翻转、剪切变换等）来扩充数据集。
• 证据：网络流量转换的矩阵每一行或每一列通常代表具有严格时序或协议意义的统计特征。对这种表征进行“垂直翻转”或“旋转”，生成的新矩阵在网络协议物理学上是毫无意义甚至完全错误的（这就好比把一段音波信号倒过来放，然后告诉模型这是正常的语音数据）。作者生搬硬套了图像处理中的数据增强方法，缺乏对底层流量数据特征的领域认知。这种为了凑创新点而强行套用代码的做法，是典型的“学术缝合怪”特征。
• 严重程度：🟠
• 复核状态：✅ 成立

⚠️ 发现 2：时间线与引用异常（时间刺客？）

• 位置：第一章 1.1 研究背景及意义 / 参考文献 [3]
• 描述：正文声称引用了第55次《中国互联网络发展状况统计报告》，并列出了“截至2024年12月”和“2024年11月”的详细数据。原报告声称参考文献[3]的标注日期写着“2023[2023-03-02]”，在2023年初不可能获取到2024年底的数据。
• 证据：经复核提供的论文原文，原文确实提及了第55次报告及2024年的数据，但论文原文中并未提供参考文献列表的具体内容，无法核实该文献的引用日期是否被错误标定为2023年。
• 严重程度：🟠
• 复核状态：⚠️ 依据不足

⚠️ 发现 3：图表复制粘贴导致的编号混乱（图号崩塌）

• 位置：第四章 4.5.7 CNN 分类效果评估
• 描述：原报告指出在 4.5.7 节的正文描述中存在图文对应错误，同一个“图 4.11”被指代为既是柱状图对比图又是混淆矩阵。
• 证据：经复核提供的论文原文，提供的原文内容仅包含到第三章结束（3.6 本章小结），不包含第四章的正文内容，因此无法核实图号重复和错乱的问题。
• 严重程度：🟡
• 复核状态：⚠️ 依据不足

发现 4：文本残缺与行文不连贯（复制粘贴痕迹）

• 位置：第三章 3.5.1 实验数据集介绍
• 描述：论文在描述对特定类别进行数据增强时，出现了明显的专业词汇拼写错误。
• 证据：原文 3.5.1 节中写道：“使用设计的 ImageDataGenerator 对 INIERACTIVE 和 GAMES 类别进行个性化 DA”，此处将 INTERACTIVE 错误拼写为了“INIERACTIVE”。这种低级拼写错误是典型的未经人工校对直接提交的敷衍痕迹。
• 严重程度：🟡
• 复核状态：✅ 成立

发现 5：算力与实验时间线的潜在冲突

• 位置：第三章 3.5.2 实验环境
• 描述：作者使用的实验设备极其简陋，但执行的实验任务却极其庞大。
• 证据：原文 3.5.2 节声明实验设备为“CPU i5-8300H，内存 8GB，GPU 为 NVIDIA GeForce GTX 1050”。而在 3.5.4 节中提到进行了 30 次超参数搜索组合，且每次都结合“五折交叉验证”，数据处理还包含了总计 377,526 个样本的矩阵运算。在 GTX 1050 这种入门级低端显卡（且仅有 8GB 系统内存）上完成如此庞大的矩阵运算和交叉验证搜索，时间成本极高。虽然不能直接断定数据造假，但极其简陋的实验环境与庞大的实验产出之间存在一定的不匹配，建议核实其实际训练日志。
• 严重程度：🟡
• 复核状态：✅ 成立

耿同学辣评

这篇论文在数据处理方法上简直是“大跌眼镜”：为了凑深度学习图像处理的热点，竟然把具有严格时序和协议意义的网络流量数据当成普通的猫咪照片，直接拿来“水平翻转、垂直旋转”！这就好比把一段正放的视频倒过来放，然后硬告诉AI这是正常的动作，完全违背了底层的物理和逻辑常识。再加上连自己使用的类别名称（INIERACTIVE）都能拼错，以及用着十年前的入门级破显卡硬跑几十万次五折交叉验证的“迷之操作”，这篇论文的学术严谨性和真实性必须打上一个巨大的问号！

建议后续行动

• 在学校论文盲审或答辩环节，严厉质询其对网络流量转换的矩阵使用 ImageDataGenerator 进行“几何翻转”和“旋转”在网络协议学上的实际意义。
• 联系作者要求提供 Optuna 搜索的原始训练日志（核实 GTX 1050 显卡是如何在有限时间内完成 30 组五折交叉验证的）。
• 要求作者重新通读全文，修正低级的拼写错误和术语滥用问题。

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。