Модель классифицирует сетевой трафик для быстрого обнаружения вторжений и inline-защиты с использованием временных признаков.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.
В подключённых источниках результатов для этой модели пока нет.
Описание составлено по карточке модели и метаданным Hugging Face
BAAR3-guard Ultra — модель для классификации сетевого трафика и выявления угроз, разработанная авторами репозитория aixk/BAAR3-guard. В карточке указано, что она обучена на CIC-IDS2017 и использует два временных представления признаков: Macro 60 и Micro 24.
Модель предназначена для быстрого анализа трафика в режиме inline как компонент защитного межсетевого экрана, включая сценарии обнаружения вторжений и защиты с подходом zero trust. В репозитории заявлены веса SafeTensors, граф ONNX для WebAssembly и периферийных сред, а также бинарный FP16-артефакт с mmap-доступом. Метаданные указывают форматы ONNX и SafeTensors.
Лицензия — Apache-2.0. Карточка не приводит метрик качества, перечня классов угроз или сведений о проверке в реальной сетевой инфраструктуре; перед применением в защитном контуре модель следует оценить на целевом трафике.
В карточке не приведены метрики качества и перечень классов угроз. Обучение на CIC-IDS2017 может ограничивать переносимость на трафик и типы атак, отличающиеся от этого набора данных.
README от автора на Hugging Face, как он его опубликовал
이 저장소는 **CIC-IDS2017 기반 듀얼 시계열(Macro 60 + Micro 24)**로 훈련된 고속 인라인 AI 보안 방화벽 엔진입니다.
model.safetensors : PyTorch SafeTensors 가중치model.onnx : WebAssembly 및 에지 런타임용 고속 ONNX 그래프model_guard_ultra_fp16.baar3 : Zero-Copy Direct-mmap FP16 초고속 커널 바이너리config.json : Robust 스케일러 및 제로 트러스트 임계치 메타데이터На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Табличные модели пока не поддерживаются.