让WAF机器学习模型飞速运转：节省数十年的处理时间
原文英文，约3900词，阅读约需14分钟。
📝
内容提要
Cloudflare对其Web应用防火墙（WAF）机器学习（ML）模型进行了重大性能优化。通过实施改进，如使用Aho-Corasick库进行特征提取和使用无分支ngram查找进行模型推断，他们将执行时间显著提高了约82%。此外，他们还启用了SIMD优化和XNNPACK用于TensorFlow Lite，进一步减少了执行时间。引入了使用LRU缓存的缓存机制，也显著降低了延迟。总体而言，这些优化使WAF ML模型的速度提高了5.5倍，从而增强了互联网安全性并改善了客户体验。
❓
Q&A
Cloudflare是如何优化其WAF机器学习模型的性能的？
Cloudflare通过使用Aho-Corasick库进行特征提取、无分支ngram查找、启用SIMD优化和XNNPACK等措施，显著提高了WAF机器学习模型的执行速度。
WAF攻击评分的主要功能是什么？
WAF攻击评分是基于机器学习的层，旨在检测未遇到过的攻击绕过，从而增强客户的安全性。
这些优化措施对WAF ML模型的执行时间有何影响？
优化措施使WAF ML模型的执行时间从1519微秒减少到275微秒，提升了约81.90%。
LRU缓存机制在WAF ML模型中起到了什么作用？
LRU缓存机制显著降低了延迟，使得WAF ML总执行时间减少了约50.18%。
Cloudflare的WAF ML模型目前处理的请求量是多少？
Cloudflare的WAF ML模型能够处理每秒950万次请求。
使用SIMD优化和XNNPACK对模型推断时间的影响如何？
启用SIMD优化和XNNPACK后，WAF ML模型的推断时间减少了近50%。
🏷️
