数据清洗对模型性能的真实影响：安全视角下的防投毒实践

作者：HOS(安全风信子)
日期：2026-01-09
来源平台：arXiv
摘要： 数据清洗是机器学习流水线中的关键步骤，直接影响模型的性能和安全性。在安全攻防场景下，数据清洗不仅关系到模型的检测效果，更关系到模型是否会被恶意投毒攻击。本文深入分析数据清洗对模型性能的真实影响，重点探讨安全视角下的防投毒实践，结合arXiv上最新的研究成果和安全实践，通过3个完整代码示例、2个Mermaid架构图和2个对比表格，系统阐述安全数据清洗的设计方法。文章揭示了数据清洗的常见误区和最佳实践，提供了防投毒数据清洗的具体实现，为安全工程师构建可靠的数据清洗流程提供了全面的实践指南。

---

1. 背景动机与当前热点

1.1 数据清洗的核心地位

数据清洗是机器学习流水线的基础环节，负责去除数据中的噪声、处理缺失值、纠正错误数据和检测异常值。在安全领域，数据清洗的重要性更加凸显：

• 数据质量决定模型性能：高质量的训练数据能显著提高模型的检测准确率和召回率
• 数据安全性关系模型安全：被投毒的数据会导致模型误判，甚至被攻击者操纵
• 数据一致性影响模型稳定性：不一致的数据会导致模型在不同场景下表现差异较大
• 数据时效性影响响应速度：实时数据清洗能及时处理新出现的攻击数据