This is a viewer only at the moment see the article on how this works.
To update the preview hit Ctrl-Alt-R (or ⌘-Alt-R on Mac) or Enter to refresh. The Save icon lets you save the markdown file to disk
This is a preview from the server running through my markdig pipeline
Кухня з DiSE ( Частка МSK1 Збудові системи, які вчаться МSK2 Пристосовуються , і розвиваються
Monday, 08 December 2025
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