毕业设计时拍脑门报了机器学习入侵检测相关题目。无论是题目字数抻得写不下，还是最终“设计与实现”的论文里没有兴趣提及任何一行代码，都说明，这是一次足够好玩的激情开题。
为了让忝列优秀论文的玩具发挥余热，我决定将其中比较轻便的 payload 检测部分部署上线。这里不得不感谢亲爱的 Amazon，他们的 ML 相关服务很贵，光是模型托管就要每月 57 刀起。最后我只能励精图治将它魔改成一个 Serverless API，贫穷使我进步。
它沿用了毕设时的名字，叫做 Discerner——当然，这不重要。

如果你不信任用户提交的字段，又不喜欢机械粗暴的规则匹配过滤，那么这里的 API 不失为一个值得考虑的补充。
一提起机器学习就讲“无需规则”、“防御未知”是时下风尚，相信你也听腻了。人就是如此奇怪，在入侵检测这样机器学习多此一举的场景，渴望拥抱玄学；而在真正能够派上用场的地方，去掉条条框框又感到不安。
我自己也不会拿掉正则过滤，在用户输入处炼丹试药。但若有心运用，结合验证码等其他策略分级处置，或者用来提高日志检视的效率，还是绰绰有余的。

+ 轻量高效的数据处理方法与异常检测模型
+ 换句话说又准（实验环境 F1 值超过 0.99）又快（小水管网络调用的不科学统计是 10 个/秒）
+ 支持批量检测

- 偶尔遇上冷启动会耗时十秒（因为贫穷）
- 对请求响应速度设置了限额（因为贫穷）
- 一次检测量太大自然会崩溃（因为贫穷）
- 东拼西凑的数据集还是比较单一，尤其是白样本，名曰正常payload，其实只有美国人名与常见弱口令（这个就靠大家帮忙了）

正经介绍、使用方法、变更记录、抱怨反馈、数据集支援都请移步独立页面
唯有赞赏与支持，既可以就地解决，也可以遍地开花。