Consistent security model deployment with FPR calibration

Cisco AI Defense open-sources an FPR (false-positive rate) calibration method for security detection models. The core problem: when a model is retrained and redeployed, raw score thresholds shift, silently changing how aggressively it blocks traffic. FPR calibration maps raw model scores to a stable score contract tied to benign traffic rates, so policy thresholds retain their meaning across model versions. The calibrator is a bounded sklearn artifact fitted on benign scores offline. The post covers why FPR is preferable to probability calibration for security settings (benign traffic is stable; attack distributions are not), how much benign data is needed for reliable calibration at various operating points, and validation on the Credit Card Fraud Detection benchmark. Code is available on GitHub with a preprint on arXiv.

Nguồn: https://blogs.cisco.com/ai/consistent-security-model-deployment-with-fpr-calibration. 8sync News chỉ tóm tắt và dẫn link; bản quyền nội dung thuộc tác giả và nguồn gốc.

Đề xuất cho bạn

Security Boulevard1 Hot4 phút3 giờ trướcAI

Codenotary Adds Ability to Dynamically Apply Policies to AI Agents

Codenotary vừa ra mắt AgentMon 3, nền tảng bảo mật runtime giúp áp dụng chính sách động lên các AI agent dựa trên hành vi thay đổi của chúng. Bằng cách theo dõi truy cập file, hoạt động mạng, sử dụng thông tin đăng nhập, thực thi tiến trình và kết nối hệ thống, nền tảng này ghi nhận hành vi thời gian thực, đưa ra quyết định bảo mật dựa trên danh tính, quyền hạn, mẫu lịch sử, độ nhạy cảm dữ liệu và thông tin mối đe dọa trực tiếp, đồng thời lưu trữ mọi quyết định dưới dạng sổ cái bất biến. AgentMon 3 cũng được cung cấp trên AWS Marketplace và giám sát hơn 5 triệu tương tác AI agent mỗi ngày.

Lập trình viên nên đọc bài này vì AgentMon 3 của Codenotary giúp tự động hóa và tối ưu hóa quản lý chính sách an toàn cho các ứng dụng AI, tiết kiệm thời gian và công sức so với việc phải viết thủ công các quy tắc bảo mật phức tạp.