Pular para o conteúdo
  • BTC $55.914 −9,6%
  • ETH $1.555 −10,4%
  • SOL $65,71 −9,5%
  • BNB $512,86 −10,2%
  • XRP $0,8784 −8,8%
  • DOGE $0,0516 −9,9%
  • ADA $0,1354 −9,3%

O modelo VX-One lidera a deteção em triagem de perímetro em tempo real à medida que a calibração se deteriora

O VX-One fornece decisões para triagem de perímetro em tempo real com aproximadamente 0,7–1,7 milissegundos de latência p50 em CPU, mas os seus resultados de benchmark separam os ganhos de deteção das falhas de calibração. Num estudo submetido em 21 de outubro de 2026, o autor Juan Salas relata que a rede supera modelos concorrentes em alguns testes de deteção, mas perde para o XGBoost na…

Artigo produzido com sistemas de inteligência artificial e publicado sob a responsabilidade editorial de Amelia Tomasicchio. Como trabalhamos

real-time perimeter triage
Real-Time Perimeter Triage with VX-One's Low Latency Detection

VX-One fornece decisões para triagem de perímetro em tempo real com aproximadamente 0,7–1,7 milissegundos de latência p50 em CPU, mas seus resultados de benchmark separam ganhos de detecção de falhas de calibração. Em um estudo submetido em 21 de outubro de 2026, o autor Juan Salas relata que a rede supera modelos concorrentes em alguns testes de detecção enquanto perde para o XGBoost em atribuição de ataque multiclasse.

Decisões tipadas para triagem de perímetro em tempo real

VX-One é uma rede multi-head com 100K–10M de parâmetros que produz três saídas estruturadas: um gate calibrado, uma seleção de um conjunto fixo de candidatos contendo uma opção explícita de desconhecido e uma pontuação ordinal. O modelo usa treinamento multi-tarefa e calibração de temperatura para cada head.

O estudo aborda um trade-off entre velocidade e estrutura de saída. Motores de assinatura fornecem resultados rápidos e seguros em termos de formato, mas perdem ataques não vistos; modelos generativos oferecem capacidades semânticas, mas rodam lentamente e produzem saídas que não podem ser analisadas. A latência de CPU p50 de 0,7–1,7 ms medida do VX-One acompanha suas saídas de decisão tipadas.

Ganhos de detecção não se estendem à atribuição

VX-One lidera a detecção em UNSW-NB15 e em CIC-IDS2017 sob deriva temporal, enquanto o XGBoost vence a atribuição multiclasse em todos os três benchmarks avaliados. A avaliação abrange UNSW-NB15, CIC-IDS2017 e EMBER2024, comparando o VX-One com XGBoost calibrado, Random-Forest, MLP e Kitsune.

Em CIC-IDS2017 sob deriva, a comparação de AUROC de detecção reportada é de 0,711 contra 0,637 em favor do VX-One. O estudo também avalia a detecção por meio de taxas de falso positivo a uma taxa de verdadeiro positivo de 95%.

A detecção de famílias desconhecidas varia por conjunto de dados. Um gate leave-one-family-out detecta famílias previamente não vistas em 9/9 folds de UNSW, mas tem desempenho abaixo do acaso na família de reconhecimento de CIC. Limiares de abstenção também se transferem mal entre benchmarks.

A calibração se deteriora sob deriva temporal

Todo método estudado sofre um colapso de calibração sob deriva temporal, com o ECE subindo de 0,04 para 0,40. A capacidade de ranqueamento sobrevive parcialmente mesmo à medida que a calibração se deteriora.

A avaliação, portanto, relata dois resultados distintos: VX-One mantém uma vantagem de detecção no teste de deriva, mas a calibração piora em todos os métodos testados.

Uma cascata com prioridade para assinaturas recupera tráfego de zona cinzenta

Um sistema de duas fases que combina Suricata com VX-One atinge revocação combinada de pelo menos 0,978. Salas testa essa abordagem de triagem de perímetro em tempo real ao longo de cinco dias de CIC-IDS2017, usando 52.674 regras Emerging-Threats na fase de assinatura antes que o VX-One processe a segunda fase.

Em reconstruções sem payload, motores de assinatura resolvem aproximadamente 0,1% dos fluxos, deixando cerca de 99,9% do tráfego em uma zona cinzenta. A segunda fase recupera quase todo o tráfego relevante desse grupo não resolvido.

Artigo produzido com a assistência de inteligência artificial e revisado pela equipe editorial.

Satoshi Voice

Este artigo foi produzido com o apoio da inteligência artificial e revisto pela nossa equipa de jornalistas para garantir a exatidão e a qualidade.

Todos os artigos de Satoshi Voice