MarkTechPost • 50일 전

ClawHub 보안 신호 분석 및 판정 분류 코딩 가이드

IMP

6/10

핵심 요약

본 튜토리얼은 ClawHub Security Signals 데이터셋을 활용해 보안 스캐너들이 AI 스킬을 어떻게 평가하는지 분석합니다. VirusTotal, 정적 분석, SkillSpector 간의 일치도를 통계 지표로 측정하고, SKILL.md 텍스트와 스캐너 신호를 결합해 최종 보안 판정을 내리는 로지스틱 회귀 모델을 구축하는 과정을 다룹니다. 이 가이드는 AI 스킬의 잠재적 보안 위협을 체계적으로 탐지하고 분류하는 실무적인 엔드투엔드 데이터 분석 방법을 제공한다는 점에서 중요합니다.

번역된 본문

이 튜토리얼에서는 보안 스캐너들이 AI 스킬을 어떻게 평가하는지 확인하기 위해 ClawHub Security Signals 데이터셋을 탐색합니다. 우리는 Hugging Face Parquet 변환 데이터를 불러와 판정 결과(verdicts), 스캐너 출력 결과, 그리고 심각도 레이블(severity labels)을 검사합니다. 또한 자카드 점수(Jaccard scores)와 코헨의 카파(Cohen's kappa) 통계 지표를 활용하여 VirusTotal, 정적 분석(static analysis), SkillSpector 간의 의견 일치 및 불일치하는 부분을 측정합니다. 마지막으로, SKILL.md 텍스트 데이터와 스캐너 신호를 결합하여 ClawScan 판정 결과를 예측하는 로지스틱 회귀(logistic regression) 모델을 학습시킵니다.

ClawHub Security Signals: A Coding Guide to End-to-End Security Signal Analysis and Verdict Classification on the AI Skills Dataset라는 제목의 이 글은 MarkTechPost에 처음 게재되었습니다.

원문 보기

원문 보기 (영어)

In this tutorial, we explore the ClawHub Security Signals dataset to see how scanners assess AI skills. We load the data from the Hugging Face Parquet conversion and inspect verdicts, scanner outputs, and severity labels. We measure how VirusTotal, static analysis, and SkillSpector overlap and disagree using Jaccard scores and Cohen's kappa. Finally, we combine SKILL.md text with scanner signals to train a logistic regression model for ClawScan verdicts. The post ClawHub Security Signals: A Coding Guide to End-to-End Security Signal Analysis and Verdict Classification on the AI Skills Dataset appeared first on MarkTechPost.

보안 분석 데이터 분석 머신러닝 AI 스킬 ClawHub