تغییرات مداوم در محیطهای خصمانه باعث میشود مدلهای تشخیص تهدید نیاز به آموزش مجدد و بهروزرسانی سریع داشته باشند، اما این فرایند اغلب باعث بهمریختگی نتایج و سردرگمی کاربران پاییندستی میشود.
در پژوهشی جدید، روشی برای «کالیبراسیون طبقهبندیکننده دودویی» معرفی شده که با تمرکز بر «نرخ مثبت کاذب» (FPR)، تضمین میکند که حتی پس از بهروزرسانی مدل، عملکرد آن برای کاربران قابل پیشبینی و ثابت باقی بماند. این روش به ویژه برای سیستمهای امنیتی که به دقت فوقالعاده حساس هستند، یک دستاورد کلیدی محسوب میشود.
این ابزار نه تنها بسیار سبک (کمتر از ۲۰۰ کیلوبایت) است، بلکه در تستها دقت بسیار بالایی را از خود نشان داده است. این یعنی امنیتی پایدارتر بدون نیاز به هزینههای سنگین محاسباتی! 🚀
منبع: arXiv AI