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：

{
  "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：

{
  "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：

hf auth login

参考加载方式：

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：

ollama create aetherargus -f Modelfile

推理示例：

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：

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：

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