arXiv cs.CL· Juan S. Santillana·· 12 小时前AI 评分31
VX-One：面向实时边界流量分诊的类型化校准决策头，实测未知攻击诚实度、级联灰区与漂移下的校准
VX-One: Typed, Calibrated Decision Heads for Real-Time Perimeter Triage - An empirical study of unknown-attack honesty, cascade gray zones, and calibration under drift
AI 导读
VX-One 是一个 100K-10M 参数的小型多头网络，输出校准门控、含显式 unknown 选项的闭集选择与序数分数三类类型化决策原语，CPU 上 p50 延迟约 0.7-1.7 ms。
正文 · AI 翻译
摘要：边界分诊面临延迟与语义之间的权衡：签名引擎速度快且格式安全，但对未见过的攻击视而不见；而生成模型具备语义能力，但速度慢且输出无法解析。2026 年末，一类商用 System One 决策模型（TypeSafe Jev；Microsoft-Decision-1）开始将类型化决策原语——二元门、闭集选择、序数分数——作为产品 API 出售，但尚无学术研究。我们提出 VX-One：一个小型多头网络（10 万至 1000 万参数），其输出即为这些原语——一个校准门、一个在始终包含显式未知选项的封闭候选集上的选择，以及一个序数分数，经多任务训练、逐头温度校准（CPU 上 p50 约 0.7-1.7 毫秒）。我们在 UNSW-NB15、CIC-IDS2017、EMBER2024 上，针对校准后的 XGBoost、Random-Forest、MLP、Kitsune 进行评估，并在 CIC-IDS2017 的五天数据上测量两阶段级联（Suricata 配合 52,674 条 Emerging-Threats 规则 -> VX-One）。发现：(i) VX-One 在 UNSW-NB15 上以及 CIC-IDS2017 时间漂移下赢得检测（AUROC/FPR@95%TPR）（0.711 对 0.637），但 XGBoost 在全部三个基准上赢得多类归因；(ii) 留一家族门在 9/9 个 UNSW 折上检测到从未见过的家族，但在 CIC 侦察家族上低于随机水平，且弃权阈值跨基准迁移效果差；(iii) 在无载荷重建上，签名引擎解析约 0.1% 的流——灰色区域约占流量的 99.9%，由第二阶段恢复（合并召回率 >=0.978）；(iv) 所有方法在校准上均随时间漂移而崩溃（ECE 0.04->0.40），而排序部分存活。我们提供了关于类型化校准决策在何处有助于边界分诊、以及在何处失败的实测说明。
| 评论： | 11 页，7 张表，1 张图 |
| 主题： | 密码学与安全（cs.CR）；计算与语言（cs.CL）；机器学习（cs.LG）；网络与互联网架构（cs.NI） |
| 引用为： | arXiv:2610.30090 [cs.CR] |
| （或 arXiv:2610.30090v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.30090 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Juan Salas [查看邮箱]
[v1]
2026 年 10 月 21 日星期三 17:39:12 UTC（46 KB）
来源：arXiv cs.CL · arxiv.org