# طبخ الطعام مع دايسي (الجزء 4): نظم البناء التي تعلّم وتكيّف وتطور

<!--category-- AI, DiSE, Architecture, Bot Detection, Machine Learning, Systems Design -->
<datetime class="hidden">2025-12-08T12:00</datetime>

معظم هندسة البرمجيات تفترض أن النظام ثابت. ديسي يفترض أن النظام على قيد الحياة.

> **ملاحظة:** هذا هو الجزء 4 في سلسلة "الطبخ مع DISE". انظر. [الجزء الأول](/blog/semantidintelligence-part1), [الجزء 2: الدراسات العليا في مجال التلمذة المهنية](/blog/blog-article-cooking-dise-part2-apprenticeships)، و ، ، ، ، ، ، ، ، ، ، ، [جزء 3: آلهة غير جديرة بالثقة](/blog/blog-article-cooking-dise-part3-untrustworthy-gods) هذه المقالة هي لمحة معمارية عامة والآن لدينا تنفيذ C#: [معظم حالات الكشف عن](/blog/botdetection-introduction).

**المفهوم الرئيسي: التوجيه السلوكي.** ويمكِّن هذا الهيكل فئة جديدة - حيث تكون "الأفرقة" الشفافة والقابلة للتعديل من أجهزة الكشف ونظم التعلم قادرة على رد فعل حركة المرور على الطرق استناداً إلى أنماط سلوكية متعلمة، لا قواعد ثابتة. [YARR بوابة الطريق](https://hub.docker.com/r/scottgal/mostlylucid.yarpgateway)أو استخدم الواسطة الوسيطة لبناء توجه سلوكي مباشرة إلى طبقة التطبيق الخاصة بك.

[TOC]

## المشكلة: النظم الثابتة في عالم دينامي

لسنوات، بنينا برامجيات مثل الساعة: مدخلات، نواتج، قواعد، خطوط أنابيب، اختبارات، نشرات. كلها خطية، كلها قابلة للتنبؤ.

غير أن النظم الحديثة - ولا سيما النظم التي تم تكبيرها عن بعد - لم تعد تتصرف كساعات، بل تتصرف مثل النظم الإيكولوجية:

- المهاجمون يطورون تقنياتهم
- يغيّر المستخدمون سلوكهم
- م ع ع ع ع ع ع ع ع ) مع مرور الوقت
- البيئة تتغير باستمرار

الهندسة المعمارية الثابتة لا تستطيع مجاراتها. تلصق ثقباً واحداً، ثلاثة المزيد تظهر. تضبط عتبة واحدة، شيء آخر ينكسر. تتفاعل دائماً، لا تتكيّف أبداً.

**الهيكل التصميمي** (التطور الاصطناعي المقيّد) يعامل البرمجيات بالطريقة التي يعامل بها علماء الأحياء الكائنات الحية: كشيء يجب أن يتكيّف، ويصحح ذاتيّاً، ويتحسّن تحت الضغط.

## الفكرة الأساسية: النظم ككائنات متطورة

البنيان التقليدي:

```mermaid
flowchart LR
    B[Build] --> S[Ship] --> P[Patch] --> B

    style B stroke:#6366f1,stroke-width:2px
    style P stroke:#ef4444,stroke-width:2px
```

المعمار:

```mermaid
flowchart LR
    P[Perceive] --> E[Evaluate] --> M[Mutate] --> S[Select] --> P

    style P stroke:#10b981,stroke-width:2px
    style M stroke:#f59e0b,stroke-width:2px
    style S stroke:#6366f1,stroke-width:2px
```

وينطوي نظام DESE على أربعة سلوكيات أساسية:

السلوك السلوك الذي يقوم به ما يقوم به المعادل البيولوجي
|-----------|--------------|----------------------|
| **م** اجمع اشارات من البيئة اجهزة حسية
| **ما قبله** مؤشرات درجات قياسية ضد الأهداف / النظام العصبي
| **مُحَكّات** متغيرات جينية من الاستراتيجيات
| **1 ف-5، 1 ف-4، 1 ف-3، 1 خ م، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م و، 1 م أ، 1** • الحفاظ على ما ينجح، ونبذ ما لا يصلحه الاختيار الطبيعي

هذه ليست استعارة، هذه حرفياً الطريقة التي يتطور بها نظامك

## نتيجة ملموسة: عملية كشف

[معظم حالات الكشف عن](https://github.com/scottgal/mostlylucid.nugetpackages/tree/main/Mostlylucid.BotDetection) هو أول C# تنفيذ لمبادئ DISE. دعونا نتتبع العمارة:

### التصورات: الهيكل العمراني

النظام يستخدم **سوسود** - تسهم أجهزة الكشف بالأدلة في حالة مشتركة، مما يحفز أجهزة الكشف الأخرى عند تراكم الإشارات:

```csharp
// Detectors emit contributions (evidence), not verdicts
public sealed record DetectionContribution
{
    public required string DetectorName { get; init; }
    public required string Category { get; init; }

    // Positive = bot signal, Negative = human signal
    public required double ConfidenceDelta { get; init; }
    public double Weight { get; init; } = 1.0;

    public required string Reason { get; init; }
    public BotType? BotType { get; init; }

    // Signals for triggering other detectors
    public ImmutableDictionary<string, object> Signals { get; init; }
}
```

يجري تشغيل **في الموجات المتوازية**كل واحد منها يساهم بجزء من الأدلة، ويتصور النظام البيئة من خلال عدسات عديدة:

```csharp
// Wave 0: All detectors with no trigger conditions run in parallel
// Wave N: Detectors whose triggers are now satisfied run in parallel
while (waveNumber < MaxWaves && !cancellationToken.IsCancellationRequested)
{
    var readyDetectors = availableDetectors
        .Where(d => !ranDetectors.Contains(d.Name))
        .Where(d => CanRun(d, state.Signals))
        .ToList();

    await ExecuteWaveAsync(readyDetectors, state, aggregator, ...);

    // Check for early exit on high confidence
    if (aggregator.ShouldEarlyExit)
        break;
}
```

### التقييم: التوافق المرجح في الآراء مع سيزمويد

مجاميع الأدلة إلى قرار باستخدام تحويل السيجمويد - وهذا يحفز بشكل صحيح إشارات قوية من كاشفات عالية الوزن:

```csharp
private (double botProbability, double confidence) CalculateWeightedScore()
{
    var weighted = _contributions
        .Where(c => c.Weight > 0)
        .Select(c => (delta: c.ConfidenceDelta, weight: c.Weight))
        .ToList();

    var weightedSum = weighted.Sum(w => w.delta * w.weight);

    // Sigmoid maps any real number to (0, 1)
    // Strong human signal (-3) → ~5% bot probability
    // Neutral (0) → 50% bot probability
    // Strong bot signal (+3) → ~95% bot probability
    var botProbability = 1.0 / (1.0 + Math.Exp(-weightedSum));

    return (botProbability, confidence);
}
```

التقييم ليس نموذجاً واحداً يتخذ قراراً **توافق الآراء المرجح** في العديد من الاكتشافات المتخصصة المتخصصة المتعددة - وبشكل حاسم، عندما لا تعمل AI، الاحتمالية هي **مُلِج** :: أن يتجنب الثقة المفرطة:

```csharp
// CRITICAL: Clamp probability when AI hasn't run
var botProbability = aiRan
    ? rawBotProbability
    : Math.Clamp(rawBotProbability, 0.20, 0.80);
```

### المخرج المبكر: المسار السريع

النظام لا يعمل دائماً كلّ كاشفات. عندما يكون الدليل المبكر قاطعاً، يخرج بسرعة:

```csharp
// Early exit on verified bots (good or bad)
public static DetectionContribution VerifiedGoodBot(
    string detector, string botName, string reason) => new()
{
    DetectorName = detector,
    Category = "Verification",
    ConfidenceDelta = 0,
    TriggerEarlyExit = true,
    EarlyExitVerdict = EarlyExitVerdict.VerifiedGoodBot
};
```

في الإنتاج، **طلبات الخروج في أقل من 10 دقائق** بعد موافقة 2 إلى 3 كاشفات فقط الخط الكامل يعمل فقط للحالات غير المؤكدة

### المفرقات الدائرية: الشفاء الذاتي

ويمكن أن تفشل أجهزة الكشف، ويحمي النظام نفسه:

```csharp
// Circuit breaker per detector
private void RecordFailure(string detectorName)
{
    var state = _circuitStates.GetOrAdd(detectorName, _ => new CircuitState());
    state.FailureCount++;
    state.LastFailure = DateTimeOffset.UtcNow;

    if (state.FailureCount >= CircuitBreakerThreshold)
    {
        state.State = CircuitBreakerState.Open;
        // Detector disabled until reset time passes
    }
}
```

المكتشفات الفاشلة معطلة مؤقتًا. بعد a بعد a تبريد أسفل، فإنها تُجرّب مرة أخرى (حالة نصف مفتوحة). هذا هو. **ضغط الاختيار على مستوى الهياكل الأساسية**.

### ألف - التشويه: نظام التعلم

عندما يكشف النظام بثقة عالية، فإنه **المستخلصات** عن طريق النشر في حافلة التعليم:

```csharp
private void PublishLearningEvent(AggregatedEvidence result, ...)
{
    var eventType = result.BotProbability >= 0.8
        ? LearningEventType.HighConfidenceDetection
        : LearningEventType.FullDetection;

    _learningBus.TryPublish(new LearningEvent
    {
        Type = eventType,
        Confidence = result.Confidence,
        Label = result.BotProbability >= 0.5,
        Metadata = new Dictionary<string, object>
        {
            ["botProbability"] = result.BotProbability,
            ["categoryBreakdown"] = result.CategoryBreakdown,
            ["contributingDetectors"] = result.ContributingDetectors
        }
    });
}
```

هذا يتغذى في مخزن الوزن، تحديث الأوزان المُعلّمة للمُكشّف التحلّلي على مرّ الزمن.

## المُتَعَفّي

بدلاً من "دماغ آي آي" واحد، يستخدم دي سي إدراك طبقة:

```mermaid
flowchart TB
    subgraph Fast["Fast Path (< 100ms)"]
        H[Static Heuristics]
        D[Detectors]
        ML[Learned Heuristic Model]
    end

    subgraph Slow["Slow Path (Async)"]
        LLM[Ollama LLM]
    end

    subgraph Learn["Learning Layer"]
        W[Weight Store]
        Rep[Reputation]
    end

    Fast --> |escalate uncertain| Slow
    Slow --> |label| Learn
    Learn --> |update weights| Fast

    style Fast stroke:#10b981,stroke-width:2px
    style Slow stroke:#6366f1,stroke-width:2px
    style Learn stroke:#f59e0b,stroke-width:2px
```

/ طبقة / السرعة / الغرض /
|-------|-------|---------|----------------------|
| **أصول التصحيحية** < < 1ms o ردود فعل استشعارية
| **المكتشفات** > < < 10ms o مراقبة تَخَرَجَةَ مراقبةً □ تحليل الترويسة، التحقق من الملكية الفكرية □
| **مَنْ مِنْ مِنْ مِنْ مَتْ مَتْ مَتْ مَتْ مَتْ** □ 1-5ms u Dynal Centeration o Registical Reduction مع الأوزان المُعلَّمة □
| **LLL** □ 50-500ms o تحليل عميق لأنماط الروايات
| **** □ معلومات أساسية □ تكوين ذاكرة □ تحديثات للوزن، تغيرات في السمعة □

البصيرة الرئيسية: يتعلم النظام أوزانه الخاصة به في الوقت الحقيقي. لا يحتاج إلى نماذج خارجية من نوع ML. يبدأ كاشف التجويف بإفتراضيات معقولة ويتطور استناداً إلى التغذية المرتدة للكشف.

> **المستقبل:** نماذج OONNX مع RAG و التضمين مخططة لـ v2. مخرجات النموذج الهيدرولوجي الحالية تستخدم كبيانات تدريب معرّفة للتدريب على النماذج المستقبلية. المعمارية لديها بالفعل التحف "الجينية" (المساهمات، الأوزان، الإشارات) التي تجعل إضافة التطور الإصطناعي الموجه مباشرة - انها مصممة كنقطة ملحق.

هذه المرايا الإقتناع البيولوجي:

- **الجهاز المني** □ اساسيات مزمنة
- **الجهاز المناعي** 
- **الزنزانات** مخزن للوزن + السمعة

## مُحَرِّر الستيرية: التعلُّم بدون نماذج خارجية

هذا هو الجزء الذكي. بدلا من شحن نموذج خارجي ML، النظام يتعلم تصنيفه الخاص باستخدام تراجع سوقي بسيط مع إستخراج خاصية ديناميكية:

```csharp
public class HeuristicDetector : IDetector
{
    // Default weights - sensible starting points
    private static readonly Dictionary<string, float> DefaultWeights = new()
    {
        // Human-like patterns (negative = more likely human)
        ["hdr:accept-language"] = -0.6f,
        ["hdr:referer"] = -0.4f,
        ["fp:received"] = -0.7f,      // Fingerprint = strong human signal
        ["fp:legitimate"] = -0.8f,

        // Bot indicators (positive = more likely bot)
        ["ua:contains_bot"] = 0.9f,
        ["ua:headless"] = 0.8f,
        ["ua:selenium"] = 0.7f,
        ["ua:curl"] = 0.6f,
        ["accept:wildcard"] = 0.4f,
    };

    private (bool IsBot, double Probability) RunInference(Dictionary<string, float> features)
    {
        // Simple linear model: score = bias + Σ(feature * weight)
        float score = _bias;

        foreach (var (featureName, featureValue) in features)
        {
            var weight = _weights.TryGetValue(featureName, out var w)
                ? w
                : DefaultNewFeatureWeight;
            score += featureValue * weight;
        }

        // Sigmoid gives us probability
        var probability = 1.0 / (1.0 + Math.Exp(-score));
        return (probability > 0.5, probability);
    }
}
```

وتستخلص المعالم بطريقة دينامية من الطلب والأدلة المجمعة:

```csharp
public static class HeuristicFeatureExtractor
{
    public static Dictionary<string, float> ExtractFeatures(
        HttpContext context,
        AggregatedEvidence evidence)
    {
        var features = new Dictionary<string, float>();

        // Request metadata
        features["req:header_count"] = Math.Min(headers.Count / 20f, 1f);
        features["req:cookie_count"] = Math.Min(cookies.Count / 10f, 1f);

        // Header presence
        features["hdr:accept-language"] = headers.ContainsKey("Accept-Language") ? 1f : 0f;

        // UA patterns (dynamic - only present if detected)
        if (ua.Contains("bot")) features["ua:contains_bot"] = 1f;
        if (ua.Contains("selenium")) features["ua:selenium"] = 1f;

        // Detector results (named by actual detector)
        foreach (var contrib in evidence.Contributions)
            features[$"det:{contrib.DetectorName}"] = contrib.ConfidenceDelta;

        // Client-side fingerprint - STRONG human signal
        if (hasFingerprint)
        {
            features["fp:received"] = 1f;
            features["fp:legitimate"] = 1f;
        }

        return features;
    }
}
```

الميزات الجديدة تحصل تلقائياً على أوزان افتراضية وتعلم عبر الزمن. النظام يكتشف ما يهم.

## مخزن الوزن : التعلُّم المستمر

الموازين تستمر في SQLite وتحديث عن طريق متوسط متحرك أسي:

```csharp
public class SqliteWeightStore : IWeightStore
{
    public async Task RecordObservationAsync(
        string signatureType,
        string signature,
        bool wasBot,
        double detectionConfidence,
        CancellationToken ct = default)
    {
        // EMA update: weight = weight * (1 - α) + new_value * α
        var alpha = 0.1; // Learning rate
        var weightDelta = wasBot ? detectionConfidence : -detectionConfidence;

        var sql = @"
            INSERT INTO learned_weights (signature_type, signature, weight, ...)
            VALUES (@type, @sig, @delta, ...)
            ON CONFLICT(signature_type, signature) DO UPDATE SET
                weight = weight * (1 - @alpha) + @delta * @alpha,
                confidence = MIN(1.0, confidence + @conf * 0.01),
                observation_count = observation_count + 1,
                last_seen = @now
        ";

        await ExecuteAsync(sql, ...);
    }
}
```

هذا **ط ط ط ط ط ط ط ط ط ط عن طريق المراقبة**مع مرور الوقت، تتلاقى الأوزان نحو القيم المثلى لأنماط حركة المرور الخاصة بك.

## التلويث كتميج

في DISE، LLL الهلوسة ليست حشرة.

درجة حرارة عالية عالية LLL LLL يقترح عشرة بدائل لقاعدة الكشف ليست "Hallulusinative" - انها **Durng الجينات** في منظومة الأمم المتحدة:

```csharp
public async Task<List<DetectionRule>> GenerateMutationsAsync(DetectionContext context)
{
    var prompt = $"""
        Given this traffic pattern:
        {JsonSerializer.Serialize(context)}

        Generate 5 variant detection rules that might catch similar patterns.
        Return JSON array of rules with: pattern, weight, confidence.
        Be creative. Some variants should be strict, some lenient.
        """;

    var response = await _ollama.GenerateAsync(new GenerateRequest
    {
        Model = "gemma3:1b",
        Prompt = prompt,
        Options = new RequestOptions { Temperature = 0.9 } // High creativity
    });

    return ParseRules(response.Response);
}
```

وتُقيَّم هذه الطفرات بعد ذلك استناداً إلى البيانات التاريخية:

```csharp
public async Task<DetectionRule?> SelectFittestAsync(
    List<DetectionRule> mutations,
    List<LabeledRequest> testData)
{
    var results = new List<(DetectionRule Rule, double Fitness)>();

    foreach (var rule in mutations)
    {
        var tp = testData.Count(r => rule.Matches(r) && r.IsBot);
        var fp = testData.Count(r => rule.Matches(r) && !r.IsBot);
        var fn = testData.Count(r => !rule.Matches(r) && r.IsBot);

        // F1 score as fitness
        var precision = tp / (double)(tp + fp);
        var recall = tp / (double)(tp + fn);
        var f1 = 2 * (precision * recall) / (precision + recall);

        results.Add((rule, f1));
    }

    return results.OrderByDescending(r => r.Fitness).First().Rule;
}
```

هذا يحول LLLMs من trabtle trabots إلى **القائمون بالتحرّر**.

## الجينات: وضع السياسات العامة

في مركز DESE هو **نظام لسياسة السياسة العامة** - التشكيلات المسمّاة التي تعرّف كيفية سلوكيات الكشف:

```json
{
  "Policies": {
    "fastpath": {
      "Description": "Fast path + Heuristic for sync decisions",
      "FastPath": ["UserAgent", "Header", "Ip", "Behavioral", "ClientSide", "Inconsistency", "VersionAge"],
      "AiPath": ["Heuristic"],
      "EscalateToAi": true,
      "EarlyExitThreshold": 0.15,
      "ImmediateBlockThreshold": 0.90,
      "Weights": {
        "ClientSide": 0.2,
        "Heuristic": 1.5
      },
      "Transitions": [
        { "WhenRiskExceeds": 0.5, "WhenRiskBelow": 0.85, "GoTo": "demo" }
      ]
    },
    "demo": {
      "Description": "Full pipeline sync for demonstration",
      "FastPath": [],
      "AiPath": [],
      "BypassTriggerConditions": true,
      "ForceSlowPath": true
    }
  }
}
```

تحدد السياسات ما يلي:

- **كاشفات السرعان** - تشغيل في متوازي، تحت - 10ms
- **المسار** - الستيري (1-5 م) و/أو LLLL (500ms+)
- **الميزات** - متى إلى الخروج المبكر، ومتى إلى كتلة
- **الفترة الانتقالية** - التصعيد التلقائي إلى سياسات أخرى عندما تكون غير مؤكدة
- **الوزنات** - أهميّة المُكَرِس لـ حالة استخدام

النظام يمكن **في الفترة الانتقالية بين السياسات**عدم يقين بعض نتائج نتائج المسار السريع تتصاعد إلى كامل خط أنابيب العرض. هذا هو **دال - تحديد المسار** - الجينات تستجيب للأدلة في الوقت الحقيقي.

أنت لا تُرسِل المُحَفَلَات الساكنة. **الأنواع التي تُخلل** التي تتكيف مع حركة المرور.

## دالات الملاءمة: ما ينجو منه

كل نظام من نظام DESE يَختارُ مُحَاوَلَة ضدّ a مشهد لياقةِ:

```csharp
public class FitnessEvaluator
{
    public double Evaluate(GenomeConfig genome, EvaluationData data)
    {
        var fpRate = data.FalsePositives / (double)data.TotalHumans;
        var fnRate = data.FalseNegatives / (double)data.TotalBots;
        var latency = data.P99LatencyMs;
        var cost = data.AiCallsPerRequest * _config.CostPerAiCall;

        // Multi-objective fitness
        return 1.0
            - (fpRate * _config.FalsePositivePenalty)   // Don't block humans
            - (fnRate * _config.FalseNegativePenalty)   // Don't miss bots
            - (latency / _config.MaxLatencyMs)          // Stay fast
            - (cost / _config.MaxCostPerRequest);       // Stay cheap
    }
}
```

نحن لا نفضل الدقة فقط **البقاء في بيئة دينامية**.

الكثير جداً من الـ (آي آي) و التكلفة الباهظة و المتأخّرة
قليل جداً من الكشف السيئ للهجمات الرواية
عدواني جداً، إيجابيات زائفة، مستخدمين غاضبين.
فيضانات متساهلة جداً

النظام يجب أن يجد توازن مستقر تطور محركات الضغط

## ك معلمة، لا عاملة

نظام DESE الناضج يحوّل AI خارج المسار الساخن:

```mermaid
flowchart TB
    subgraph Early["Early Stage"]
        AI1[AI handles most cases]
    end

    subgraph Middle["Middle Stage"]
        AI2[AI handles edge cases]
        H1[Heuristics handle common cases]
    end

    subgraph Mature["Mature Stage"]
        AI3[AI teaches and mutates]
        H2[Heuristics handle almost everything]
        M[Memory provides context]
    end

    Early --> Middle --> Mature

    style Early stroke:#ef4444,stroke-width:2px
    style Middle stroke:#f59e0b,stroke-width:2px
    style Mature stroke:#10b981,stroke-width:2px
```

الفترة الزمنية:

- تحسين الكشافات الساكنة (تُدَرَّج بواسطة علامات AI)
- الحصول على المزيد من الدقة (يُختار باللياقة البدنية)
- (أ) لا تُعالج إلا الوليعة والطفرة

يصبح:

- الـ **ع )** عن السلوكيات الجديدة
- الـ **** من الطفرات
- الـ **انحرفت**
- الـ **** الدالة سُميّات خط خط خط خط خط

ليس اعتماداً على الوقت، بل سقالات مكيفة.

## انحراف سلوكي سلوكي سيري: فئة جديدة

مع [YARR بوابة الطريق](https://hub.docker.com/r/scottgal/mostlylucid.yarpgateway)هذا الهيكل يُمكّن شيئاً جديداً: **التوجيه السلوكي**.

والمسارات التقليدية ثابتة: المسار إلى الخلف، والمسار السلوكي هو اتجاه عكسي: خصائص حركة المرور - قرارات توجيه ديناميكية.

```mermaid
flowchart LR
    subgraph Gateway["YARP Gateway"]
        D[Detector Team]
        P[Policy Engine]
        R[Router]
    end

    Traffic[Traffic] --> D
    D --> P
    P --> R
    R -->|Human| App[Your App]
    R -->|Bot| Block[403]
    R -->|Uncertain| Challenge[Challenge]
    R -->|Learning| Queue[Async Analysis]

    style Gateway stroke:#10b981,stroke-width:2px
```

والمفاهيم الأساسية:

- **فرق الكشافات** - مجموعات مكيّفة من كاشفات تعمل معاً، قابلة للتعديل لكل سياسة
- **القرارات الشف** - يمكن تفسير كل قرار يتعلق بالمسار (انظر توزيع الاشتراكات)
- **** - النظام الذي يتعلم من قراراته ويكيف الأوزان مع مرور الزمن
- **الحماية على مستوى القمة** - لا تصل النسور أبداً إلى الجهة الخلفية؛ مسدودة عند جهاز التوجيه

هذا ليس مجرد "كشف النبتة عند الحافة". إنه بدائية جديدة في الاتجاه حيث تتشكل تدفقات حركة المرور عن طريق أنماط سلوكية متعلمة، وليس فقط عن طريق قواعد ثابتة.

## لماذا هذا السؤال ؟

وتخشى معظم الثقافات الهندسية ما يلي:

- 
- مُنَقِش
- م م م م م م م
- 
- السلوك الماثل

DDES استخدامات هذه **مواد البناء**.

الأنظمة الساكنة تتلاشى الأنظمة التطوّرة تنجو

كل صناعة تتعامل مع الخصوم، أو الإنجراف، أو ضغط الحجم ستحتاج في نهاية المطاف إلى هياكل مثل هذه:

- الكشف باط
- المحركات
- مُحْجِشات
- النظم الإيكولوجية LLLS
- تقديم الخدمات الذاتية التي تُحسِم الخدمات
- نُظُم التصحيح المستقلة ذاتياً
- **السلوك السلوكي** - تشكيل حركة المرور على أساس أنماط التعلم

## ما هو الذي ليس

اسمحوا لي أن أكون واضحة حول ما هو هذا ليس:

- **"ليس كبير LLLMs في كل مكان"** -المهارات العالية غالية، استخدمها استراتيجياً
- **"لا تغيير منطق العمل التجاري مع AI"** -الستيريولوجيات أسرع و أكثر قابلية للتنبؤ
- **"لَيسَ يَتْركُ النظامَ يَجِبُّ"** -التطور مُوجّه، مُحْكَم، مُحْكَم.
- **"ليس "السبق على السترويد"** - هذا عن السلوك، وليس فقط نموذج الضبط.

يتم التحكم في DISE، التطور الممكن تفسيره:

- مضغوطة بسبب القيود
- حُرّم بوظائف اللياقة الصريحة
-  ما قبل
- الأمم المتحدة
- من الأم إلى الوزع

إنه *2 ف-5(أ)* -التطور الموجه، وليس عشوائياً .

## جربه

[معظم حالات الكشف عن](https://www.nuget.org/packages/mostlylucid.botdetection/) يُنفذ هذه المبادئ:

```bash
dotnet add package Mostlylucid.BotDetection
```

```csharp
builder.Services.AddBotDetection();
app.UseBotDetection();
```

اضبط الإنتاج مع التعلّم المُمَكّن:

```json
{
  "BotDetection": {
    "BotThreshold": 0.7,
    "Policies": {
      "default": {
        "FastPath": ["UserAgent", "Header", "Ip", "Behavioral", "ClientSide", "Inconsistency", "VersionAge"],
        "AiPath": ["Heuristic", "Llm"],
        "EscalateToAi": true,
        "EarlyExitThreshold": 0.85
      }
    },
    "AiDetection": {
      "Provider": "Heuristic",
      "Heuristic": {
        "Enabled": true,
        "LoadLearnedWeights": true,
        "EnableWeightLearning": true,
        "LearningRate": 0.01
      }
    }
  }
}
```

شاهده يتطور، كاشف التجويف يتعلم من كل طلب، يُحدّث أوزانه لمطابقة أنماط حركة مرورك.

## ثالثاً - استنتاج

DISE العمارة هي التحول من البرمجيات كآلات إلى البرمجيات ككائنات حية.

إنها بنية:

- 
- المُرْكج
- (د) )
- مُنْطِقَة
- التعلُّم الذي يُسُرِّع إلى الذاكرة
- المجرى + الانتقاء
- (د -  () () (  

لا يمكن للمعمارات الثابتة أن تواكب البيئات الديناميكية. المهاجمات تتطور. المستخدمون يتطورون. المتطلّبات تتطوّر.

ويجب أن تتطور النظم أيضا.

إذا كنت تريد أنظمة تعمل فقط، قم ببنائها بالطريقة القديمة.
إذا كنت تريد نظماً لذلك **أولاً -** -أبنيها مع (ديسي )