Повторяющиеся маршруты
Sequence Engine ищет patterns только после minimum observations/visitors и conservative confidence.
Adaptive Intelligence
Adaptive Intelligence: учиться на поведении сайта, не превращая малую выборку в «100% уверенность»
Adaptive-контур AntiPF состоит из нескольких независимых lifecycle: behavior events, sequence patterns, Challenge Reputation и site baseline. Все они требуют minimum samples, freshness/decay и health gating; по умолчанию их вклад идёт в SHADOW, а не в автоматическую блокировку.
Behavior CollectorSequence EngineChallenge ReputationSite Baseline
Adaptive lifecycle
Behaviorevents retained
COLLECTINGSequencesample 18 / visitors 11
LEARNINGChallenge reputationpass/fail decay
READYBaselineminimum samples
LEARNING2 плохих события из 2 не должны автоматически означать 100% confidence.
Behavioral intelligence
Adaptive полезен, когда отличает signal от уверенности
Модуль не должен обучаться на собственных ошибках: нездоровый Challenge не даёт чистое fail evidence, crawler/system traffic исключается, contribution per identity ограничивается, а small samples не активируют сильные patterns.
История Challenge
Pass/fail/timeout/abandon/replay меняют reputation с decay и health gating.
Норма конкретного сайта
Rate, requests/session, duration, URL count, 404 ratio и Challenge rates формируют site-specific context.
Архитектура
Несколько lifecycle вместо одной «самообучающейся модели»
Сбор, агрегирование, mining, decay и cleanup выполняются scheduler jobs с lock/timeout/checkpoint, а visitor hot path остаётся bounded.
Collect
Behavior events получают pseudonymous visitor/session identity.
Aggregate
Считать bounded windows и site metrics.
Mine
Sequence candidates проходят minimum sample/confidence thresholds.
Reputation
Challenge outcomes обновляют отдельную reputation model.
Baseline
Site metrics переходят NO_DATA → LEARNING → READY.
Risk
Только healthy/fresh evidence даёт secondary contribution.
Poisoning guard. Model outcome не должен сам создавать challenge failures, которые затем подтверждают собственный прогноз.
Что умеет модуль
Из чего состоит Adaptive Intelligence
Каждый sub-engine имеет собственный health и причины readiness.
Behavior Collector
Events, identity, retention, cap и cleanup.
Подробнее →Sequence Engine
Candidate discovery, unique visitors, confidence/lower bound, decay и expiration.
Подробнее →Challenge Reputation
Attempt/pass/fail/timeout/abandon/replay, fail streak и decay.
Подробнее →Site Baseline
Request rate, session behavior, 404 ratio и Challenge rates с minimum samples.
Подробнее →Scheduler
Jobs: behavior aggregate, baseline update, sequence mining, reputation decay, cleanup.
Подробнее →Decision Trace
Adaptive contribution объясняется вместе с confidence и freshness.
Подробнее →Readiness & evidence
LEARNING — нормальное состояние, а не ошибка
Adaptive не должен рисовать зелёный READY до достаточной выборки и не должен продолжать использовать старый pattern без freshness.
NO_DATA
Данных ещё нетContribution недоступен.
LEARNING
Выборка набираетсяНедостаточно observations/visitors для уверенного pattern.
READY
Модель пригоднаЕсть sample, confidence и current freshness.
STALE
Pattern устарелНужно обновление/decay; high-risk usage ограничивается.
Практическое применение
Какие сценарии выигрывают от Adaptive
Adaptive особенно полезен против медленной и повторяющейся автоматизации, которая не нарушает простой rate-limit.
PARSING
Связанный сценарий →Повторяющиеся последовательности
Парсер может ходить медленно, но оставлять стабильный route pattern.
CHALLENGE
Связанный сценарий →Повторные fail/pass
Reputation помогает эскалировать постепенно вместо permanent ban после одной ошибки.
ANOMALY
Связанный сценарий →Отклонение от нормы сайта
Baseline даёт контекст для rate/session/404 anomalies.
ROLLOUT
Связанный сценарий →Проверка перед enforcement
SHADOW trace показывает, как adaptive evidence влияло бы на actions.
Ограничения
Adaptive — не автономный ML, которому можно отдать контроль над сайтом
10.050 ограничивает Adaptive conservative thresholds, source health, retention, decay и SHADOW-first режимом. Он дополняет hard rules и Risk Engine, но не заменяет их.
FAQ
Вопросы про Adaptive Intelligence
Сколько событий нужно для READY?
Порог зависит от sub-engine и policy; принцип 10.050 — minimum observations + unique visitors + conservative confidence.
Может ли один Challenge fail повысить риск?
Он может быть слабым evidence, но не должен вести к permanent ban. Важны repeated independent failures, health Challenge subsystem и decay.
Что происходит со старыми patterns?
Используются freshness, decay и expiration; STALE evidence не должен молча сохранять прежнюю силу.
Adaptive включается автоматически после обучения?
Нет. Default enforcement остаётся SHADOW; collector/model readiness и decision mode разделены.
Следующий шаг
Соберём baseline и adaptive evidence без блокировок
Начнём с COLLECT/SHADOW, чтобы увидеть реальные sequence/reputation/baseline patterns именно вашего сайта.