混合MLOps框架用于自动化生命周期管理自适应式网络鱼检测模型

科学领域:

• 机器学习操作 (MLOps)
• 网络安全 网络安全
• 人工智能伦理学 人工智能伦理学

背景情况:

• 由于概念漂移,对抗性攻击和公平性问题,网络鱼检测模型的性能下降.
• 目前的MLOps平台主要专注于部署和监控,缺乏针对敌对环境的综合弹性.
• 现有的研究单独处理基于SHAP的监测,再培训或公平审计,没有统一的弹性理论.

研究的目的:

• 引入混合MLOps框架 (HAMF),将弹性和道德治理嵌入到网络鱼检测模型生命周期中.
• 统一主动和反应性适应策略,将自动化与利益相关者监督相结合.
• 将弹性视为一个集成的生命周期属性,维护模型的准确性,公平性和利益相关者的信任.

主要方法:

• HAMF采用混合控制周期,融合了SHAP引导的功能更换,事件驱动的再培训,公平触发的审计和结构化的人类反.
• 该框架确保了这些能力之间的相互依赖,与传统管道中孤立的功能不同.
• 主动和反应性适应是统一的,将自动化与利益相关者对道德治理的监督整合在一起.

主要成果:

• 在大规模的网络鱼流中,HAMF表现出卓越的性能,在18秒内检测漂移.
• 该框架恢复了F1攻击后的比分高于0.99,并将子组差异减少了60%以上.
• HAMF可扩展到每秒超过2300个请求,延迟低于50ms,证明了其有效性和可扩展性.

结论:

• 在MLOps生命周期中嵌入性和道德一致性是有效的和可扩展的.
• 在动态环境中,HAMF提供了一个强大的解决方案,用于保持高性能和公平的网络鱼检测模型.
• 混合方法确保持续的模型完整性和可靠性,以应对不断变化的网络威胁.