Кухня з DiSE ( Частка МSK1 Збудові системи, які вчаться МSK2 Пристосовуються , і розвиваються (Українська (Ukrainian))

Кухня з DiSE ( Частка МSK1 Збудові системи, які вчаться МSK2 Пристосовуються , і розвиваються

Monday, 08 December 2025

//

14 minute read

Більшість програмних архітекторів вважають, що система статична

Nota: Це частина 4 з серії "Cooking with DiSEM SK2 МSK3 Погляньте Частина 1, Час 2: Окончате навчання, і Частина 3: Ненадійні Боги для фона. Цей artykuł - це архітектурний огляд МSK1, а тепер ми маємо працюючу програму CM SK2 найбільш зрозуміле.botdetection.

Найголовніша концепція: Руйтинг поведінкиM SK1 Ця архітектура дає можливість створити нову категорію -, де прозорі МSK1 пристосовні МSK2 команди " детекторів та систем навчання рефлікційно об 'єднують рух на основі з' ясованих моделей поведінки Перехідник YARP, Bots never reach your backend . Or use the middleware to build behavioural routing directly into your app layer

Проблема: Статичні системи у динамічному світі

Протягом багатьох років ми створили програмне забезпечення на кшталт часового графіку. Введення і виведення. Виведення і вихід. Правила. Трубопроводи. Тести. Розгортання. Всі лінійні. Усі передбачувані.

Але сучасні системи, особливо штучний інтелект, збільшені, більше не поводяться як годинники. Вони поводяться, як екосистеми.

  • Атакатори змінюють свої методи
  • Пользовачі змінюють свою поведінку
  • Требування змінюються з часом
  • Середовище постійно змінюється

Статичні архітектори не можуть keep up . МСК1 , patch one hole "," , three more appear

Архітектура DiSE (Рейденційна синтетична еволюція ) ставиться до програмного забезпечення так само, як біологи ставляться до організмів МSK2 як до чогось, що має адаптуватися MSC3 себе M SK4 виправляти , і покращуватись під тиском MST6

Основна ідея – : – системи, які розвиваються

Традиционна архітектура:

flowchart LR
    B[Build] --> S[Ship] --> P[Patch] --> B

    style B stroke:#6366f1,stroke-width:2px
    style P stroke:#ef4444,stroke-width:2px

Архітектура DiSE:

flowchart LR
    P[Perceive] --> E[Evaluate] --> M[Mutate] --> S[Select] --> P

    style P stroke:#10b981,stroke-width:2px
    style M stroke:#f59e0b,stroke-width:2px
    style S stroke:#6366f1,stroke-width:2px

Система DiSE має чотири основні поведінки:

Застосування МSK1 Що він робить МSK2 Біологічний еквівалент
Усвідомити Збирати сигнали з навколишнього середовища
Оцінювати Сигнали відбитків проти голів МSK1 Нервова система МSK2
Мутати генерувати варіативи стратегії Генетична мутація МSK2
Вибрати Утримуйте те, що працюєM SK1 відкидайте те, чого не працює 't МSK3 Природний відбір МSK4

Це не метафора, це те, як ваша система з часом розвивається у розумнішій формі

Конкретний приклад: Виведення котла

найбільш зрозуміле.botdetection є першим C# втіленням принципів DiSE

Перцепція: Архітектура чорних столів

Система використовує черниковий оркестр - детектори дають докази спільного стану , активізують інші детекторі, коли сигнали накопичуються МSK2

// Detectors emit contributions (evidence), not verdicts
public sealed record DetectionContribution
{
    public required string DetectorName { get; init; }
    public required string Category { get; init; }

    // Positive = bot signal, Negative = human signal
    public required double ConfidenceDelta { get; init; }
    public double Weight { get; init; } = 1.0;

    public required string Reason { get; init; }
    public BotType? BotType { get; init; }

    // Signals for triggering other detectors
    public ImmutableDictionary<string, object> Signals { get; init; }
}

Багато детекторів запускаються в паралельних хвилях. Кожна з них додає певного шматка доказів . Система сприймає навколишнє середовище за допомогою багатьох лінз

// Wave 0: All detectors with no trigger conditions run in parallel
// Wave N: Detectors whose triggers are now satisfied run in parallel
while (waveNumber < MaxWaves && !cancellationToken.IsCancellationRequested)
{
    var readyDetectors = availableDetectors
        .Where(d => !ranDetectors.Contains(d.Name))
        .Where(d => CanRun(d, state.Signals))
        .ToList();

    await ExecuteWaveAsync(readyDetectors, state, aggregator, ...);

    // Check for early exit on high confidence
    if (aggregator.ShouldEarlyExit)
        break;
}

Оcena: Взвешений консенсус з сигмоїдом

Докази об 'єднуються у рішення, використовуючи сигмоїдну трансформацію - це правильно підштовхує сильні сигнали з високого МSK1важких детекторів МSK2

private (double botProbability, double confidence) CalculateWeightedScore()
{
    var weighted = _contributions
        .Where(c => c.Weight > 0)
        .Select(c => (delta: c.ConfidenceDelta, weight: c.Weight))
        .ToList();

    var weightedSum = weighted.Sum(w => w.delta * w.weight);

    // Sigmoid maps any real number to (0, 1)
    // Strong human signal (-3) → ~5% bot probability
    // Neutral (0) → 50% bot probability
    // Strong bot signal (+3) → ~95% bot probability
    var botProbability = 1.0 / (1.0 + Math.Exp(-weightedSum));

    return (botProbability, confidence);
}

Оцінка не є єдиною моделлю, яка приймає рішення важливий консенсус через численні спеціалізовані детектори - і, головне ,, коли штучний інтелект не мав МSK2 не запускав МSK3 ймовірність встромлений щоб уникнути надмірної впевненісті:

// CRITICAL: Clamp probability when AI hasn't run
var botProbability = aiRan
    ? rawBotProbability
    : Math.Clamp(rawBotProbability, 0.20, 0.80);

Учасний вихід: Оптимізація швидкого шляху

Система не запускає усіх детекторів

// Early exit on verified bots (good or bad)
public static DetectionContribution VerifiedGoodBot(
    string detector, string botName, string reason) => new()
{
    DetectorName = detector,
    Category = "Verification",
    ConfidenceDelta = 0,
    TriggerEarlyExit = true,
    EarlyExitVerdict = EarlyExitVerdict.VerifiedGoodBot
};

В produkcji, високий-запроси довіри виходять під M SK1ms після того, як тільки 2-3 детектори згодні МSK1 Полна труба працює лише в невизначних випадках

Маршрутні розривники: СамовідтворенняM SK1Healing

Детектори можуть не працювати. Система захищає себе:

// Circuit breaker per detector
private void RecordFailure(string detectorName)
{
    var state = _circuitStates.GetOrAdd(detectorName, _ => new CircuitState());
    state.FailureCount++;
    state.LastFailure = DateTimeOffset.UtcNow;

    if (state.FailureCount >= CircuitBreakerThreshold)
    {
        state.State = CircuitBreakerState.Open;
        // Detector disabled until reset time passes
    }
}

Невдачі детектори тимчасово вимкнені. Після похолодженняM SK1 вони' спробували ще раз (halfМSK4открий станMSC5 Це тиск вибору на рівні інфраструктури.

Мутація: Система навчання

Коли система визначає з великою впевненістю, це вчиться шляхом публікації на уроковий автобус:

private void PublishLearningEvent(AggregatedEvidence result, ...)
{
    var eventType = result.BotProbability >= 0.8
        ? LearningEventType.HighConfidenceDetection
        : LearningEventType.FullDetection;

    _learningBus.TryPublish(new LearningEvent
    {
        Type = eventType,
        Confidence = result.Confidence,
        Label = result.BotProbability >= 0.5,
        Metadata = new Dictionary<string, object>
        {
            ["botProbability"] = result.BotProbability,
            ["categoryBreakdown"] = result.CategoryBreakdown,
            ["contributingDetectors"] = result.ContributingDetectors
        }
    });
}

Це feds into the weight store , updating the heuristic detector' learned weights over timeM SK2

Когнітивна база

Натомість одного мозку "AIM SK1 DiSE використовує шарову когніцію

flowchart TB
    subgraph Fast["Fast Path (< 100ms)"]
        H[Static Heuristics]
        D[Detectors]
        ML[Learned Heuristic Model]
    end

    subgraph Slow["Slow Path (Async)"]
        LLM[Ollama LLM]
    end

    subgraph Learn["Learning Layer"]
        W[Weight Store]
        Rep[Reputation]
    end

    Fast --> |escalate uncertain| Slow
    Slow --> |label| Learn
    Learn --> |update weights| Fast

    style Fast stroke:#10b981,stroke-width:2px
    style Slow stroke:#6366f1,stroke-width:2px
    style Learn stroke:#f59e0b,stroke-width:2px
Слой МSK1 Швидкість МSK2 Задача До прикладу виявления Bot
Статична гавритика МSK1ms МSK2 Інстинктивні реакції Знані моделі UA для роботів
Детектори МSK0 <10ms МSK2 Обстеження траєкторії Аналитика заголовків
Вивчений герістичний МSK0 1-5ms МSK2 Динамічна класифікація Логічна регресія з засвоєними вагими
ЛЛМ МSK0 50-500ms Глибоке обґрунтування МSK3 Анализ нових моделей мSK4
Навчання Фонґл МSK1 Формування пам 'яті МSK2 Обновлення ваги , зміни репутації M SK4

Найголовніша ідея: система вивчає свої власні вага в реальному часіМSK1 timі МSK2 Ніяких зовнішніх моделей МЛ не вимагаєтьсяM SK3 Хирystyczny детектор починає з розумних початкових показників та розвивається на основі зворотнього зв 'язку від детектора .

Майбутнє: Моделі ONNX з RAG та вмонтуванням заплановані для v2. Текуча геристична модель ' її вихідні дані служать як ярлики тренування для майбутніх тренувань моделей МSK2 Архітектура вже має M SK3 генетичні artefakти M SK4 М SK5 вклади МSK6 вагами \ , сигнали ), які роблять доdanie напряму синтетичної еволюції простим.

Це відображає біологічне пізнання:

  • Вроджена імунна система → Статична гуристика
  • Пристосована імунна система → Зрозуміла эвристичні моделі
  • клітини пам 'яті → Весовий магазин МSK1 репутація

Хирічний детектор: Навчання без зовнішніх моделей

Тут – МСК0 – це розумний біт, МСК1 – замість відправлення зовнішнього ML-модуля, МSK2 – система вивчає власний класифікатор, використовуючи просту логістичну регресію з динамічним виділенням властивостей.

public class HeuristicDetector : IDetector
{
    // Default weights - sensible starting points
    private static readonly Dictionary<string, float> DefaultWeights = new()
    {
        // Human-like patterns (negative = more likely human)
        ["hdr:accept-language"] = -0.6f,
        ["hdr:referer"] = -0.4f,
        ["fp:received"] = -0.7f,      // Fingerprint = strong human signal
        ["fp:legitimate"] = -0.8f,

        // Bot indicators (positive = more likely bot)
        ["ua:contains_bot"] = 0.9f,
        ["ua:headless"] = 0.8f,
        ["ua:selenium"] = 0.7f,
        ["ua:curl"] = 0.6f,
        ["accept:wildcard"] = 0.4f,
    };

    private (bool IsBot, double Probability) RunInference(Dictionary<string, float> features)
    {
        // Simple linear model: score = bias + Σ(feature * weight)
        float score = _bias;

        foreach (var (featureName, featureValue) in features)
        {
            var weight = _weights.TryGetValue(featureName, out var w)
                ? w
                : DefaultNewFeatureWeight;
            score += featureValue * weight;
        }

        // Sigmoid gives us probability
        var probability = 1.0 / (1.0 + Math.Exp(-score));
        return (probability > 0.5, probability);
    }
}

Функції динамічно виділяються з запиту та сукупних доказів:

public static class HeuristicFeatureExtractor
{
    public static Dictionary<string, float> ExtractFeatures(
        HttpContext context,
        AggregatedEvidence evidence)
    {
        var features = new Dictionary<string, float>();

        // Request metadata
        features["req:header_count"] = Math.Min(headers.Count / 20f, 1f);
        features["req:cookie_count"] = Math.Min(cookies.Count / 10f, 1f);

        // Header presence
        features["hdr:accept-language"] = headers.ContainsKey("Accept-Language") ? 1f : 0f;

        // UA patterns (dynamic - only present if detected)
        if (ua.Contains("bot")) features["ua:contains_bot"] = 1f;
        if (ua.Contains("selenium")) features["ua:selenium"] = 1f;

        // Detector results (named by actual detector)
        foreach (var contrib in evidence.Contributions)
            features[$"det:{contrib.DetectorName}"] = contrib.ConfidenceDelta;

        // Client-side fingerprint - STRONG human signal
        if (hasFingerprint)
        {
            features["fp:received"] = 1f;
            features["fp:legitimate"] = 1f;
        }

        return features;
    }
}

Нова функція автоматично отримує початкову вагу і з часом вчиться.. Система відкриває, що має значення

В магазині для худоби: Простійне навчання

Вагу зберігається в SQLite і оновується через експоненційну середню руханість:

public class SqliteWeightStore : IWeightStore
{
    public async Task RecordObservationAsync(
        string signatureType,
        string signature,
        bool wasBot,
        double detectionConfidence,
        CancellationToken ct = default)
    {
        // EMA update: weight = weight * (1 - α) + new_value * α
        var alpha = 0.1; // Learning rate
        var weightDelta = wasBot ? detectionConfidence : -detectionConfidence;

        var sql = @"
            INSERT INTO learned_weights (signature_type, signature, weight, ...)
            VALUES (@type, @sig, @delta, ...)
            ON CONFLICT(signature_type, signature) DO UPDATE SET
                weight = weight * (1 - @alpha) + @delta * @alpha,
                confidence = MIN(1.0, confidence + @conf * 0.01),
                observation_count = observation_count + 1,
                last_seen = @now
        ";

        await ExecuteAsync(sql, ...);
    }
}

Це мутація через спостереження. Кожна розпізнавання вчить систему чогось . З часом МSK2 веси сходяться до оптимальних показників для ваших конкретних дорожніх маршрутів МSK3

Галюцинації як мутація

У DiSE галюцинація LLM не є багом, а генеруючим субстратом еволюції.

високий LLM з температурою 0 °С, який пропонує десять варіантів правила виявлення не є галюцинаційним мутація генома системи:

public async Task<List<DetectionRule>> GenerateMutationsAsync(DetectionContext context)
{
    var prompt = $"""
        Given this traffic pattern:
        {JsonSerializer.Serialize(context)}

        Generate 5 variant detection rules that might catch similar patterns.
        Return JSON array of rules with: pattern, weight, confidence.
        Be creative. Some variants should be strict, some lenient.
        """;

    var response = await _ollama.GenerateAsync(new GenerateRequest
    {
        Model = "gemma3:1b",
        Prompt = prompt,
        Options = new RequestOptions { Temperature = 0.9 } // High creativity
    });

    return ParseRules(response.Response);
}

Потім мутації оцінюються на основі даних з історії:

public async Task<DetectionRule?> SelectFittestAsync(
    List<DetectionRule> mutations,
    List<LabeledRequest> testData)
{
    var results = new List<(DetectionRule Rule, double Fitness)>();

    foreach (var rule in mutations)
    {
        var tp = testData.Count(r => rule.Matches(r) && r.IsBot);
        var fp = testData.Count(r => rule.Matches(r) && !r.IsBot);
        var fn = testData.Count(r => !rule.Matches(r) && r.IsBot);

        // F1 score as fitness
        var precision = tp / (double)(tp + fp);
        var recall = tp / (double)(tp + fn);
        var f1 = 2 * (precision * recall) / (precision + recall);

        results.Add((rule, f1));
    }

    return results.OrderByDescending(r => r.Fitness).First().Rule;
}

Лише найкращі з них виживають до виробництва. Це перетворює LLM на еволюційних операторів.

Konfiguracja на основі геному

В центрі DiSE знаходиться політична система - названі конфігурації, які визначають поведінку детектора

{
  "Policies": {
    "fastpath": {
      "Description": "Fast path + Heuristic for sync decisions",
      "FastPath": ["UserAgent", "Header", "Ip", "Behavioral", "ClientSide", "Inconsistency", "VersionAge"],
      "AiPath": ["Heuristic"],
      "EscalateToAi": true,
      "EarlyExitThreshold": 0.15,
      "ImmediateBlockThreshold": 0.90,
      "Weights": {
        "ClientSide": 0.2,
        "Heuristic": 1.5
      },
      "Transitions": [
        { "WhenRiskExceeds": 0.5, "WhenRiskBelow": 0.85, "GoTo": "demo" }
      ]
    },
    "demo": {
      "Description": "Full pipeline sync for demonstration",
      "FastPath": [],
      "AiPath": [],
      "BypassTriggerConditions": true,
      "ForceSlowPath": true
    }
  }
}

Політики визначають:

  • детектори FastPath - запускає паралельно , під МSK2 ms
  • Шлях штучного інтелекту - Хирystyczny (1-5msM SK2 і МSK3, або LLM МSK4 ms+)
  • Тривалість - коли піти на ранній вихідM SK1 коли заблокувати
  • Переходи - автоматична ескалація до інших політиків, коли невідомо
  • У відсотках на - - важливість детектора музики для кожного випадку

Система може перехід між політиками на середину. Невизначні результати швидкого переходу зростають до повної демонстрації адаптивна маршрутизація - геном реагує на докази в реальному часі

Ви не маєте't відправляти статичні конфигураціїM SK1 Ви відправляєте застосовані види що адаптуються до руху.

Функції фітнесу: Що виживає

Кожна система DiSE оптимізується під час тренування:

public class FitnessEvaluator
{
    public double Evaluate(GenomeConfig genome, EvaluationData data)
    {
        var fpRate = data.FalsePositives / (double)data.TotalHumans;
        var fnRate = data.FalseNegatives / (double)data.TotalBots;
        var latency = data.P99LatencyMs;
        var cost = data.AiCallsPerRequest * _config.CostPerAiCall;

        // Multi-objective fitness
        return 1.0
            - (fpRate * _config.FalsePositivePenalty)   // Don't block humans
            - (fnRate * _config.FalseNegativePenalty)   // Don't miss bots
            - (latency / _config.MaxLatencyMs)          // Stay fast
            - (cost / _config.MaxCostPerRequest);       // Stay cheap
    }
}

Ми не оптимізуємо лише для точності виживання в динамічному середовищі.

Надто багато штучного інтелекту → високі витрати , погана затримка МSK2 Надто мало штучного інтелекту → погано розпізнавати нові атаки . Надто агресивний → хибні позитивиM SK1 роздратовані користувачі. Надто гнучкий → затоплення дротівM SK1

Система повинна знаходити стабільне рівновагу. тиск спричиняє еволюціюM SK1

штучний інтелект як вчитель

Зріла система DiSE переводить штучний інтелект з гарячого шляху:

flowchart TB
    subgraph Early["Early Stage"]
        AI1[AI handles most cases]
    end

    subgraph Middle["Middle Stage"]
        AI2[AI handles edge cases]
        H1[Heuristics handle common cases]
    end

    subgraph Mature["Mature Stage"]
        AI3[AI teaches and mutates]
        H2[Heuristics handle almost everything]
        M[Memory provides context]
    end

    Early --> Middle --> Mature

    style Early stroke:#ef4444,stroke-width:2px
    style Middle stroke:#f59e0b,stroke-width:2px
    style Mature stroke:#10b981,stroke-width:2px

З часом:

  • Статичні детектори покращують
  • Геуристика стає точнішою (вибрана в залежності від пристосованостіM SK1
  • штучний інтелект керує лише нововведенням та мутацією

штучний інтелект стає:

  • І оракль для нових способів поведінки
  • І генератор мутацій
  • І детектор дрейфу
  • І вчитель що позначає кордонні випадки

Не залежність від часу запуску. Адаптивні скелі.

Руйтинг поведінки: Нова категорія

З Перехідник YARP, ця архітектура дає можливість створити щось нове поведінкова маршрутизація.

Традиційне маршрутизування є статичним: шляхом M SK1 зворотньою системою . Реакційно-руйтинговий маршрутізування є рефлексивним: характеристиками руху МSK4 динамічними рішеннями щодо маршрутізаціїMSC5

flowchart LR
    subgraph Gateway["YARP Gateway"]
        D[Detector Team]
        P[Policy Engine]
        R[Router]
    end

    Traffic[Traffic] --> D
    D --> P
    P --> R
    R -->|Human| App[Your App]
    R -->|Bot| Block[403]
    R -->|Uncertain| Challenge[Challenge]
    R -->|Learning| Queue[Async Analysis]

    style Gateway stroke:#10b981,stroke-width:2px

Ключові поняття:

  • Команди детекторів - конфігуровані групи детекторів, які працюють разом , врегулювані за політикою
  • Прозорі рішення - кожне рішення щодо маршрутізації можна пояснити МSK1 бачите ventilation вкладу МSK2
  • Рефлікційне налаштування - система вчиться від своїх рішень і з часом змінює навантаження
  • Утримка решітки - Bots never reach your backend ; blocked at the router

Це не лише ' не тільки " виявлення робота на краю ." це МSK3 новий примітивний маршрутинг, де потоки руху формуються за допомогою вчилих моделей поведінки \ , \ а не лише статичних правил \ МSK5\

Чому це важливо

Більшість інженерних культур бояться

  • Нондетермінізм
  • Рух
  • Мутація
  • Галюцинація
  • Невідкладна поведінка

DiSE використовує їх як будівельні матеріали.

Статичні системи зникають. Еволюційні системи виживають .

Кожна індустрія, яка працює з опонентами - drift ,, , чи масштабний тиск - врешті-решт потребує такої архітектури

  • Розпізнавання Bot
  • Мотори шахрайства
  • Адаптивні стіни
  • Екосистеми LLM
  • Саморобна оптимізація мікросервисів
  • Автономні системи розладів
  • Руйтинг поведінки - формування дорожнього руху на основі вчиних шаблонів

Що таке DiSE?

Дозвольте мені пояснити, що це таке

  • Не так. "великі LLM всюдиM SK1 - LLM дорого коштує . Використовуйте їх стратегічно
  • Не "замінювати логіку бізнесу з допомогою штучного інтелекту - Геуристика швидша і більш передбачувана
  • Не "оставить систему працювати безладноM SK1 - еволюція спрямована , обмежена МSK2 управляється
  • Не "AutoML на стероидахM SK1 - Йдеться про поведінку , не тільки про налаштування моделей M SK2

DiSE контролюється, поясняюча еволюціяM SK1

  • Обмежені обмеженнями
  • керовані явною функцією пристосованості
  • Пам 'ять-свідомий
  • Версії
  • Безпека для використання

МSK0 спрямований еволюція - орієнтованаM SK1 не випадкова.

Попробуйте

найбільш зрозуміле.botdetection реалізує ці принципи:

dotnet add package Mostlylucid.BotDetection
builder.Services.AddBotDetection();
app.UseBotDetection();

Сконфигурувати для виробництва з вправою навчання:

{
  "BotDetection": {
    "BotThreshold": 0.7,
    "Policies": {
      "default": {
        "FastPath": ["UserAgent", "Header", "Ip", "Behavioral", "ClientSide", "Inconsistency", "VersionAge"],
        "AiPath": ["Heuristic", "Llm"],
        "EscalateToAi": true,
        "EarlyExitThreshold": 0.85
      }
    },
    "AiDetection": {
      "Provider": "Heuristic",
      "Heuristic": {
        "Enabled": true,
        "LoadLearnedWeights": true,
        "EnableWeightLearning": true,
        "LearningRate": 0.01
      }
    }
  }
}

Дивіться, як він розвивається.

Завершення

Архітектура DiSE - це перехід від програмного забезпечення як машини до програмного обеспечения як організми

Це архітектура

  • Пристосованість
  • Реsiliентність
  • Керована еволюція
  • Подібне пізнання
  • Пам 'ять-революційне навчання
  • Вибір мутацій +
  • Стратегичне ставлення

Статичні архітектори не можуть впоратися з динамічними середовищами. Атакуючі еволюціонують . Gebruikачі еволюцують МSK2 Побажання еволюції M SK3

Системи мусять розвиватися також.

Якщо ви хочете, щоб системи просто працювали, будуйте їх так, як раніше Якщо ви хочете вижити - збудувати їх за допомогою DiSE

Finding related posts...
logo

© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.