# v0.6 — ML anomaly detection | | | |---|---| | Milestone | v0.6 | | Status | idea | | Priority | P3 | | Depends on | собранный датасет атак | ## Цель Детектор аномалий (Isolation Forest или проще) поверх текущих сигналов EWMA, репутации и prefix-статистики: ловить медленные, «человеческие» атаки, которые пороговые правила пропускают. ## Зачем Пороги легко обходятся медленным ramp-up. Но ML без данных — гадание, поэтому задача стоит после того, как накопим воспроизводимые датасеты с нагрузочного стенда. ## Non-goals - Онлайн-обучение в проде. - Замена детерминированных порогов: ML — дополнительный сигнал, не единственный. ## Approach 1. Собрать датасеты: нормальная нагрузка + 3–5 типов атак из `deploy/test/stress/`. 2. Офлайн-прототип на Python, метрики precision/recall, сравнение с текущим `AttackDetector`. 3. Если выигрыш доказан — перенос в Rust с фиксированной моделью и детерминированным инференсом. ## Критерии приёмки - [ ] Датасет и методология опубликованы в `docs/research/`. - [ ] Ложноположительные на нормальной нагрузке ≤ текущего детектора. - [ ] Инференс не добавляет аллокаций в hot path (замер).