- Split TODO into a thin status index plus docs/roadmap/ with one file per task (v0.4 reliability, v0.5 product, v0.6 research, icebox). - Add docs/architecture.md (current processes, packet/data path, layers, storage, metrics) and docs/development.md (rules, gates, DoD). - Add CHANGELOG.md reconstructed from history; move round details out of TODO. - Align docs with the code: config defaults and missing [detect]/ [protocol.http] sections, XDP metric names, ClickHouse table and TTL, Redis RDB restore, multiarch clang include, CLI binary name. - Add scripts/check_docs_links.sh and run it in CI. - release profile: thin LTO + one codegen unit. Binary 12.3 MB -> 9.7 MB, http parser bench 314 ns -> 278 ns; panic=abort stays off for catch_unwind in the Redis subscriber. - Drop the unused JWT role claim; fix 'rampart doctor' hints in the CLI.
1.8 KiB
1.8 KiB
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
- Собрать датасеты: нормальная нагрузка + 3–5 типов атак из
deploy/test/stress/. - Офлайн-прототип на Python, метрики precision/recall, сравнение с текущим
AttackDetector. - 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).