| --- |
| license: apache-2.0 |
| base_model: |
| - Qwen/Qwen3-4B-Instruct-2507 |
| base_model_relation: finetune |
| library_name: transformers |
| pipeline_tag: text-generation |
| language: |
| - zh |
| - en |
| tags: |
| - qlora |
| - peft |
| - cybersecurity |
| - security |
| - intrusion-detection |
| - structured-output |
| - json |
| - gguf |
| - ollama |
| - aetherguard |
| - aetherargus |
| --- |
| |
| # AetherArgus-4B |
|
|
| **AetherArgus** 是 AetherGuard 平台面向 HTTP 请求与安全事件研判训练的本地安全判定模型。模型基于 **Qwen3-4B-Instruct-2507**，使用 QLoRA 完成领域对齐，主要输出攻击判定、攻击家族、风险等级、证据和建议动作。 |
|
|
| > 当前版本为研究与预览版本，适合实验、演示、离线评估和影子研判。它不应在缺少规则引擎、人工复核与安全闸门的情况下直接执行生产自动阻断。 |
|
|
| ## Model summary |
|
|
| - **Model name:** AetherArgus-4B |
| - **Base model:** `Qwen/Qwen3-4B-Instruct-2507` |
| - **Base revision:** `cdbee75f17c01a7cc42f958dc650907174af0554` |
| - **Training method:** QLoRA / PEFT LoRA |
| - **Primary language:** Chinese, with limited English input support |
| - **Primary task:** Structured security verdict generation |
| - **Project:** AetherGuard |
| - **Status:** Preview / research |
|
|
| AetherArgus 的目标不是替代 WAF、IDS、规则检测或硬件安全门，而是为这些系统增加一个可本地部署的语义研判层。 |
|
|
| ## Intended input |
|
|
| 模型接收标准化的 HTTP 请求、安全上下文和规则信号，例如： |
|
|
| ```json |
| { |
| "method": "GET", |
| "path": "/api/fetch", |
| "query": "url=http://127.0.0.1/admin", |
| "headers": { |
| "content-type": "application/json" |
| }, |
| "body": "", |
| "sourceContext": { |
| "requestsLastMinute": 3, |
| "distinctPathsLastMinute": 1, |
| "recentFailureCount": 0, |
| "historicalRiskScore": 0.2 |
| }, |
| "ruleSignals": [] |
| } |
| ``` |
|
|
| ## Output contract |
|
|
| 除专门的演示配置外，检测端点应只接受以下严格 JSON 输出： |
|
|
| ```json |
| { |
| "verdict": "malicious", |
| "confidence": 0.96, |
| "attackFamily": "ssrf", |
| "severity": "critical", |
| "reasoning": "请求通过服务端资源获取接口访问本地管理地址，具有明确的 SSRF 风险", |
| "evidence": [ |
| { |
| "field": "query", |
| "value": "url=http://127.0.0.1/admin", |
| "reason": "参数包含本地管理地址" |
| } |
| ], |
| "recommendedAction": "block" |
| } |
| ``` |
|
|
| ### Allowed values |
|
|
| - `verdict`: `safe`, `suspicious`, `malicious`, `unknown` |
| - `attackFamily`: `benign`, `sqli`, `xss`, `command_injection`, `path_traversal`, `ssrf`, `authentication`, `automation`, `api_abuse`, `deserialization`, `file_upload`, `protocol_attack`, `business_logic`, `other` |
| - `severity`: `low`, `medium`, `high`, `critical` |
| - `recommendedAction`: `allow`, `monitor`, `challenge`, `block` |
|
|
| 解析失败、Schema 校验失败或证据不足时，调用方应按 fail-safe 原则返回 `unknown`，不得自动修补为 `safe`。 |
|
|
| ## Training data |
|
|
| 本次训练使用 1,200 条经过标准化、去重和分组切分的安全判定样本： |
|
|
| | Split | Samples | |
| |---|---:| |
| | Train | 958 | |
| | Validation | 122 | |
| | Test | 120 | |
|
|
| 类别目标分布： |
|
|
| | Category | Samples | Ratio | |
| |---|---:|---:| |
| | Attack | 420 | 35% | |
| | Normal | 420 | 35% | |
| | Hard negative | 240 | 20% | |
| | Unknown | 120 | 10% | |
|
|
| 重要说明： |
|
|
| - 训练和测试语料主要来自合成安全数据及确定性辅助模板。 |
| - 数据集尚未经过独立双人安全标注。 |
| - 切分按规范化 payload 模板、CVE、攻击家族、编码方式、来源场景和相似内容哈希分组。 |
| - 当前 manifest 未检测到跨 split 的共享泄漏组或完全相同内容。 |
| - 这些数据不能代表真实生产流量的完整分布。 |
|
|
| ## Training configuration |
|
|
| | Item | Value | |
| |---|---| |
| | Epochs | 1 | |
| | Max sequence length | 768 | |
| | LoRA rank | 8 | |
| | LoRA alpha | 16 | |
| | LoRA dropout | 0.05 | |
| | Learning rate | `1e-4` | |
| | Batch size | 1 | |
| | Gradient accumulation | 16 | |
| | Quantization | 4-bit NF4 + double quantization | |
| | Compute dtype | BF16 | |
| | Optimizer | `paged_adamw_8bit` | |
| | Loss | Assistant-only causal language modeling | |
|
|
| 实测训练环境： |
|
|
| - NVIDIA GeForce RTX 5070 Ti Laptop GPU |
| - 11.94 GiB VRAM |
| - 训练阶段峰值已分配显存约 5.38 GiB |
| - 1 epoch 训练约 651 秒，验证约 24 秒 |
|
|
| ## Evaluation |
|
|
| 以下指标来自同一套固定的 **120 条合成测试样本**，`do_sample=false`，随机种子为 42。指标只反映当前实验集表现，不能直接解释为生产环境准确率。 |
|
|
| ### HF LoRA / PEFT |
|
|
| | Metric | Result | |
| |---|---:| |
| | Verdict accuracy | 0.9000 | |
| | Malicious precision | 0.8810 | |
| | Malicious recall | 0.9024 | |
| | Malicious F1 | 0.8916 | |
| | Normal false-positive rate | 0.0455 | |
| | JSON syntax success | 0.9917 | |
| | Schema valid rate | 0.9833 | |
| | Attack-family macro F1 | 0.6147 | |
| | Recommended-action accuracy | 0.9000 | |
|
|
| ### GGUF Q4_K_M / Ollama |
|
|
| | Metric | Result | |
| |---|---:| |
| | Verdict accuracy | 0.8417 | |
| | Malicious precision | 0.7170 | |
| | Malicious recall | 0.9268 | |
| | Malicious F1 | 0.8085 | |
| | Normal false-positive rate | 0.1970 | |
| | JSON syntax success | 1.0000 | |
| | Schema valid rate | 0.9833 | |
| | Attack-family macro F1 | 0.5193 | |
| | Average latency | 869 ms | |
|
|
| Q4_K_M 版本推理明显更快，但对正常与硬负样本的误报显著增加。高精度场景优先使用原始 LoRA、合并模型或更高精度的 GGUF 量化，并重新独立评测。 |
|
|
| ## Load the LoRA adapter |
|
|
| 由于该仓库当前为私有仓库，使用前需要先登录 Hugging Face： |
|
|
| ```bash |
| hf auth login |
| ``` |
|
|
| 参考加载方式： |
|
|
| ```python |
| import torch |
| from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig |
| from peft import PeftModel |
| |
| base_model_id = "Qwen/Qwen3-4B-Instruct-2507" |
| adapter_id = "BreakFeelingAether/aetherargus" |
| |
| quantization_config = BitsAndBytesConfig( |
| load_in_4bit=True, |
| bnb_4bit_quant_type="nf4", |
| bnb_4bit_use_double_quant=True, |
| bnb_4bit_compute_dtype=torch.bfloat16, |
| ) |
| |
| tokenizer = AutoTokenizer.from_pretrained(adapter_id, use_fast=True) |
| base_model = AutoModelForCausalLM.from_pretrained( |
| base_model_id, |
| quantization_config=quantization_config, |
| torch_dtype=torch.bfloat16, |
| device_map="auto", |
| ) |
| model = PeftModel.from_pretrained(base_model, adapter_id) |
| model.eval() |
| ``` |
|
|
| 建议使用与训练阶段一致的 system prompt，并在调用端执行严格 JSON Schema 校验。模型输出无效时应回退为 `unknown + monitor`。 |
|
|
| ## Ollama / GGUF |
|
|
| 当仓库中包含 GGUF 和 `Modelfile` 时，可下载后创建本地 Ollama 模型： |
|
|
| ```bash |
| ollama create aetherargus -f Modelfile |
| ``` |
|
|
| 推理示例： |
|
|
| ```bash |
| ollama run aetherargus '{"method":"GET","path":"/api/fetch","query":"url=http://127.0.0.1/admin","headers":{},"body":"","sourceContext":{},"ruleSignals":[]}' |
| ``` |
|
|
| 生产检测配置不应加入“身份询问时返回自然语言”等例外逻辑，否则请求正文可能诱导模型偏离 JSON 输出协议。 |
|
|
| ## Recommended deployment pattern |
|
|
| 推荐采用影子模式逐步接入： |
|
|
| ```text |
| Incoming request |
| ├─ Existing rules / WAF / IDS continue to operate |
| └─ AetherArgus produces a shadow verdict for logging and evaluation |
| ``` |
|
|
| 在真实流量上完成独立评估前： |
|
|
| - 不让模型直接执行阻断、断网、删除或修复操作。 |
| - 不绕过现有规则引擎、策略签名、硬件授权和 fail-closed 安全门。 |
| - 不将解析失败视为安全。 |
| - 对高风险动作保留人工或硬件级授权。 |
|
|
| ## Known limitations |
|
|
| 1. 当前训练与测试数据以合成数据为主，缺少大规模真实脱敏流量验证。 |
| 2. 测试集仅 120 条，部分攻击家族样本数很少，分类别指标方差较大。 |
| 3. `api_abuse`、`file_upload`、业务逻辑攻击和复杂上下文型事件仍需更多高质量数据。 |
| 4. Q4_K_M 量化明显提高了正常流量误报率。 |
| 5. 模型可能受到提示词注入、日志投毒、混淆编码和分布外输入影响。 |
| 6. `recommendedAction` 只是建议，不是可直接执行的安全策略。 |
| 7. 该模型不是通用聊天模型，也不是漏洞利用或攻击执行模型。 |
|
|
| ## Safety and acceptable use |
|
|
| AetherArgus 用于授权环境下的防御性安全研究、流量研判和风险辅助分析。使用者应确保拥有处理相关日志、请求和资产数据的合法权限，并遵守适用的数据保护、网络安全、出口管制和软件许可要求。 |
|
|
| 禁止将本模型用于： |
|
|
| - 未经授权的入侵、扫描或攻击； |
| - 凭据窃取、恶意软件部署或规避追踪； |
| - 将模型判定作为缺少复核机制的唯一高风险决策依据； |
| - 上传包含真实 Token、Cookie、API Key、客户隐私或商业秘密的数据。 |
|
|
| ## License and attribution |
|
|
| 本仓库按 **Apache License 2.0** 发布。AetherArgus 基于 `Qwen/Qwen3-4B-Instruct-2507` 微调，使用时仍需遵守基座模型许可证及其适用条款。 |
|
|
| 推荐引用方式： |
|
|
| ```text |
| AetherArgus-4B, an AetherGuard security-domain model fine-tuned from |
| Qwen3-4B-Instruct-2507 using QLoRA. |
| ``` |
|
|
| ## Project links |
|
|
| - Source project: `lizuyi-6/Networksafe` |
| - Model repository: `BreakFeelingAether/aetherargus` |
|
|
| ## Version |
|
|
| - **Current release:** AetherArgus-4B Preview 0.1 |
| - **Last model evaluation:** 2026-07-28 |
|
|
