VX-One
一种面向边界流量分类的小型多头神经网络，输出被约束为二值门、闭集选择和序数评分三种类型化决策原语，采用多任务训练和逐头温度校准，强调可解析性与低延迟部署。
时间轴 (近 90 天)
VX-One 是一个参数量在 100K–10M 之间的小型多头网络，输出被约束为二值门、闭集选择、序数评分三种可解析原语，以多任务方式训练并逐头做温度校准，在 CPU 上 p50 延迟约 0.7–1.7 ms。
VX-One 的第二个头在闭集候选中做选择，候选集始终包含一个显式的 unknown 选项，使模型具备“拒绝表态”的合法出口。
论文在 UNSW-NB15、CIC-IDS2017、EMBER2024 三个基准上，与校准后的 XGBoost、Random-Forest、MLP 和 Kitsune 对比，并测量了“Suricata（52,674 条 Emerging-Threats 规则）→ VX-One”的两阶段级联，在 CIC-IDS2017 上跨五天运行。
VX-One 在 UNSW-NB15 的检测指标（AUROC、FPR@95%TPR）上胜出，在 CIC-IDS2017 的时间漂移条件下同样领先（0.711 vs 0.637）。
多类归因任务上，XGBoost 在 UNSW-NB15、CIC-IDS2017、EMBER2024 三个基准上全部胜出。
在留一攻击族（leave-one-family-out）测试中，VX-One 门控在 UNSW 的 9 个折上全部成功检出从未见过的攻击族（9/9），但在 CIC 的 recon 族上检测率跌至随机水平以下。
在一个基准上调好的 abstention 阈值，换到另一个基准后表现很差，阈值需要针对目标环境重新标定。
Suricata→VX-One 两阶段级联的合并召回率达到 ≥0.978。
在时间漂移下，所有方法的校准都出现崩塌，ECE 从 0.04 恶化到 0.40，而排序能力仅部分存活。
全部知识事实 (9)
VX-One 是一个参数量在 100K–10M 之间的小型多头网络，输出被约束为二值门、闭集选择、序数评分三种可解析原语，以多任务方式训练并逐头做温度校准，在 CPU 上 p50 延迟约 0.7–1.7 ms。
50%待验证VX-One 的第二个头在闭集候选中做选择，候选集始终包含一个显式的 unknown 选项，使模型具备“拒绝表态”的合法出口。
50%待验证论文在 UNSW-NB15、CIC-IDS2017、EMBER2024 三个基准上，与校准后的 XGBoost、Random-Forest、MLP 和 Kitsune 对比，并测量了“Suricata（52,674 条 Emerging-Threats 规则）→ VX-One”的两阶段级联，在 CIC-IDS2017 上跨五天运行。
50%待验证VX-One 在 UNSW-NB15 的检测指标（AUROC、FPR@95%TPR）上胜出，在 CIC-IDS2017 的时间漂移条件下同样领先（0.711 vs 0.637）。
50%待验证多类归因任务上，XGBoost 在 UNSW-NB15、CIC-IDS2017、EMBER2024 三个基准上全部胜出。
50%待验证在留一攻击族（leave-one-family-out）测试中，VX-One 门控在 UNSW 的 9 个折上全部成功检出从未见过的攻击族（9/9），但在 CIC 的 recon 族上检测率跌至随机水平以下。
50%待验证在一个基准上调好的 abstention 阈值，换到另一个基准后表现很差，阈值需要针对目标环境重新标定。
50%待验证Suricata→VX-One 两阶段级联的合并召回率达到 ≥0.978。
50%待验证在时间漂移下，所有方法的校准都出现崩塌，ECE 从 0.04 恶化到 0.40，而排序能力仅部分存活。
50%