💻 computer science

Constraint Migration: A Formal Theory of Throughput in AI Cybersecurity Pipelines

Diese Arbeit entwickelt eine formale Theorie zur Durchsatzanalyse von KI-gestützten Cybersecurity-Pipelines, die durch fünf Sätze und ein Proposition beweist, unter welchen Bedingungen die Verbesserung einzelner Stufen den Gesamtdurchsatz erhöht oder begrenzt, und widerlegt dabei das Vorhandensein eines paradoxen Durchsatzrückgangs bei festen False-Positive-Raten.

Ursprüngliche Autoren: Surasak Phetmanee

Veröffentlicht 2026-03-31

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Surasak Phetmanee

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, ein Cybersecurity-Team ist wie eine Fließbandfabrik, in der verdächtige E-Mails oder Hackerangriffe wie Pakete durch verschiedene Stationen wandern: Erst wird gescannt, dann von einem KI-Tool analysiert, dann von einem menschlichen Experten geprüft und schließlich die Antwort gesendet.

Der Autor dieses Papiers, Surasak Phetmanee, hat sich gefragt: Was passiert wirklich, wenn wir überall künstliche Intelligenz (KI) einsetzen, um diese Stationen schneller zu machen?

Oft hört man Behauptungen wie: „KI macht alles schneller!" oder „Mehr Warnungen bedeuten mehr Chaos." Aber sind das nur leere Schlagworte? Dieser Artikel versucht, diese Fragen mit strenger Mathematik zu beantworten, aber ohne komplizierte Formeln zu verwenden. Hier ist die einfache Erklärung:

1. Das Flaschenhals-Prinzip (Der Engpass)

Stellen Sie sich eine Kette aus fünf Gliedern vor. Wenn Sie an den vier starken Gliedern ziehen, reißt die Kette nicht. Aber wenn Sie an dem schwächsten Glied ziehen, reißt die Kette dort.

Die Erkenntnis: Die Geschwindigkeit des gesamten Systems wird immer nur durch die langsamste Station bestimmt.
Die KI-Falle: Wenn Sie Ihre KI so stark verbessern, dass sie die ersten vier Stationen verdoppelt, aber die fünfte Station (z. B. ein müder menschlicher Analyst) gleich bleibt, dann wird das gesamte System nicht schneller. Es fließt immer noch nur so viel durch, wie der Mensch schaffen kann.
Die Regel: Um das System schneller zu machen, müssen Sie alle schwächsten Stationen gleichzeitig verbessern. Wenn nur eine davon langsam bleibt, bleibt alles langsam.

2. Der menschliche Anker (Die Obergrenze)

Manche Aufgaben können (oder dürfen) nicht von KI übernommen werden. Ein Richter muss das Urteil fällen, ein Sicherheitschef muss die Entscheidung treffen.

Die Metapher: Stellen Sie sich vor, Sie haben ein Hochgeschwindigkeitszug-Team, aber am Ende muss ein Fußgänger das Ziel erreichen. Egal wie schnell der Zug fährt, die Gesamtgeschwindigkeit wird durch den Fußgänger begrenzt.
Die Erkenntnis: Wenn eine Station zwingend menschliche Entscheidung erfordert, ist das die absolute Obergrenze der Geschwindigkeit. Keine noch so starke KI kann das System schneller machen als der langsamste Mensch im Prozess. Man kann den Rest des Systems unbegrenzt beschleunigen, aber das Ergebnis bleibt an dieser menschlichen Grenze hängen.

3. Der Wettlauf zwischen Angreifer und Verteidiger

Stellen Sie sich einen Boxkampf vor. Der Angreifer (Hacker) und der Verteidiger (Security-Team) haben beide ihre eigenen Fließbänder.

Die Erkenntnis: Es kommt nicht darauf an, wer absolut schneller ist, sondern wer relativ schneller wird.
Das Szenario: Wenn der Angreifer seine KI so verbessert, dass er 50 % schneller wird, und der Verteidiger nur seine nicht-wichtigen Stationen verbessert (aber nicht den Engpass), dann gewinnt der Angreifer. Der Verteidiger hat zwar mehr KI, aber sein System ist im Verhältnis zum Angreifer langsamer geworden.
Die Lehre: Wenn Sie als Verteidiger Geld in die falschen Stellen investieren (nicht in den Engpass), während der Angreifer genau dort investiert, verlieren Sie den Wettlauf.

4. Das Paradoxon der „zu vielen Warnungen"

Ein häufiges Argument ist: „Wenn die KI zu viele falsche Alarme macht, sinkt die nützliche Arbeit, weil die Leute überfordert sind."

Das mathematische Ergebnis: Der Autor zeigt, dass dies unter einfachen Annahmen falsch ist. Wenn die KI einfach nur mehr Alarme produziert, aber die Kapazität der Menschen (wie viele Alarme sie pro Stunde prüfen können) fest ist, dann passiert Folgendes:
- Unter der Kapazitätsgrenze: Mehr Alarme = mehr Arbeit.
- Über der Kapazitätsgrenze: Die Arbeit bleibt konstant. Sie wird nicht schlechter, sie erreicht nur ein Plateau. Die Leute machen einfach nur das Maximum, was sie schaffen können.
Die Korrektur: Damit die Arbeit tatsächlich schlechter wird (weil die Leute vor lauter Stress Fehler machen), muss man ein neues Modell annehmen: Je mehr Alarme kommen, desto ungenauer wird die KI selbst. Erst wenn die Qualität der KI mit der Menge der Alarme sinkt, bricht die Leistung ein.

Zusammenfassung in einem Satz

Dieser Artikel beweist mathematisch, dass KI nicht magisch ist: Sie beschleunigt nur das System, wenn sie genau dort eingesetzt wird, wo es am langsamsten ist (am Engpass). Wenn Sie den Engpass ignorieren oder menschliche Grenzen unterschätzen, bringt die beste KI der Welt nichts – und manchmal hilft sie dem Angreifer sogar mehr als dem Verteidiger.

Es ist eine Erinnerung daran, dass man in der Cybersicherheit nicht einfach „mehr KI" kaufen muss, sondern klüger investieren muss: Finden Sie den Flaschenhals und beheben Sie ihn zuerst.

1. Problemstellung

Der Einsatz von KI in der Cybersicherheit wird oft durch informelle Argumente begleitet (z. B. „KI beschleunigt sowohl Angreifer als auch Verteidiger" oder „Mehr Warnungen führen zu mehr Rauschen"). Diese Aussagen werden jedoch selten formal fundiert, was zu widersprüchlichen politischen und strategischen Schlussfolgerungen führt.
Das Hauptproblem besteht darin, dass die Bedingungen, unter denen diese Heuristiken wahr oder falsch sind, unsichtbar bleiben. Insbesondere fehlt eine mathematische Grundlage, um zu verstehen:

Wann führt die Verbesserung einzelner Pipeline-Stufen tatsächlich zu einer Steigerung des Gesamtdurchsatzes?
Welche Grenzen setzen menschliche Eingriffe (Human-in-the-Loop)?
Wie verhält sich das Durchsatzverhältnis zwischen Angreifer und Verteidiger bei asymmetrischen KI-Verbesserungen?
Führt eine höhere Detektionsrate zwangsläufig zu einem Rückgang des „nutzbaren Durchsatzes" aufgrund von False Positives?

2. Methodik

Das Paper entwickelt eine formale Theorie für Durchsatz in endlichen, seriellen Pipelines unter multiplikativen Kapazitätsstörungen.

Formales Modell:
- Eine Pipeline $\Pi$ wird als Tupel $(V, \prec, c)$ definiert, wobei $V$ eine endliche Menge von Stufen, $\prec$ eine strikte Totalordnung und $c: V \to \mathbb{R}_{>0}$ eine Kapazitätsfunktion ist.
- Durchsatz ( $T$ ): Definiert als das Minimum der Kapazitäten aller Stufen ( $T(\Pi) = \min_{v \in V} c(v)$ ). Dies entspricht dem deterministischen Engpass-Modell (Theory of Constraints).
- Störungen (Perturbation): KI wird als multiplikativer Faktor $\alpha(v) \ge 1$ modelliert, der die Kapazität jeder Stufe $v$ verändert: $c_{\alpha}(v) = \alpha(v) \cdot c(v)$ .
- Annahmen: Das Modell ist deterministisch, bufferlos und seriell. Es werden keine stochastischen Effekte oder Warteschlangen betrachtet.
Analyseansatz:
- Die Beweise basieren auf elementarer Mathematik (endliche Minima, Eigenschaften reeller Zahlen und punktweise multiplikative Strukturen).
- Es werden exakte notwendige und hinreichende Bedingungen (Bikonditionale) für das Verhalten des Durchsatzes hergeleitet.

3. Schlüsselbeiträge

Das Paper liefert sechs Hauptbeiträge:

Ein formales Pipeline-Modell mit expliziten Axiomen für Durchsatz, Engpassmengen, Multiplikatoren und gestörte Pipelines.
Exakte Charakterisierungen der Invarianz und der strikten Verbesserung des Durchsatzes unter multiplikativen Störungen.
Ein Theorem für eine scharfe Obergrenze des Durchsatzes unter menschlichen Autoritätsbeschränkungen.
Eine algebraische Äquivalenz, die beschreibt, wann KI den Angreifer gegenüber dem Verteidiger begünstigt.
Ein Unmöglichkeitstheorem für das Modell mit festen False-Positive-Raten und ein korrigiertes Theorem für ratenabhängige Präzisionsfunktionen.
Eine Analyse des Geltungsbereichs und der Grenzen des Modells.

4. Ergebnisse (Theoreme und Propositionen)

Die Ergebnisse werden in Abhängigkeit von der Beweislogik präsentiert:

Theorem 1 & 2: Invarianz und strikte Verbesserung
- Der Durchsatz bleibt unverändert ( $T(\Pi_{\alpha}) = T(\Pi)$ ) genau dann, wenn mindestens ein ursprünglicher Engpass (Bottleneck) einen Multiplikator von 1 behält (d. h., nicht verbessert wird).
- Der Durchsatz steigt strikt ( $T(\Pi_{\alpha}) > T(\Pi)$ ) genau dann, wenn jeder ursprüngliche Engpass strikt verbessert wird ( $\alpha(v) > 1$ für alle $v \in B(\Pi)$ ).
- Implikation: Die Verbesserung von Nicht-Engpass-Stufen hat keinen Einfluss auf den Gesamtdurchsatz. Bei mehreren gleichwertigen Engpässen müssen alle verbessert werden, um einen Gewinn zu erzielen.
Theorem 3: Menschliche Autoritäts-Obergrenze (Human Ceiling)
- Wenn eine Teilmenge von Stufen $H$ menschlicher Kontrolle unterliegt und nicht beschleunigt werden kann ( $\alpha(h)=1$ ), ist der maximale Durchsatz durch das Minimum der Kapazitäten dieser menschlichen Stufen begrenzt: $T(\Pi_{\alpha}) \le \min_{h \in H} c(h)$ .
- Diese Schranke ist scharf (tight): Unter der Annahme unbegrenzter Beschleunigung der nicht-menschlichen Stufen ist dieser Wert exakt erreichbar.
Theorem 4: Adversarische Relativbeschleunigung
- Das Verhältnis des Durchsatzes zwischen Angreifer ( $A$ ) und Verteidiger ( $D$ ) verschlechtert sich für den Verteidiger genau dann, wenn die relative Durchsatzsteigerung des Angreifers höher ist als die des Verteidigers.
- Es ist nicht die absolute Geschwindigkeit, sondern das Verhältnis der Verbesserungen, das entscheidend ist. Wenn der Verteidiger Nicht-Engpässe verbessert, während der Angreifer seinen Engpass verbessert, verschlechtert sich die Position des Verteidigers.
Theorem 5 & Proposition 4: False-Positive-Modell
- Theorem 5: Unter einem Modell mit einer festen False-Positive-Rate ( $f$ ) führt eine Erhöhung der Eingangsrate ( $\lambda$ ) über die Untersuchungskapazität ( $c_{inv}$ ) hinaus nicht zu einem Rückgang des nutzbaren Durchsatzes, sondern zu einer Konstante (Plateau). Der nutzbare Durchsatz ist $U = (1-f) \cdot c_{inv}$ . Die informelle Annahme eines „paradoxen Rückgangs" ist in diesem Modell falsch.
- Proposition 4: Ein tatsächlicher Rückgang des nutzbaren Durchsatzes ist nur möglich, wenn die Präzision (der Anteil der True Positives) mit steigender Rate streng abnimmt (ratenabhängige Präzisionsfunktion). Dies ist die notwendige Bedingung, um informelle Warnungen vor „Alert Fatigue" mathematisch zu untermauern.

5. Bedeutung und Implikationen

Formalisierung informeller Konzepte: Das Paper wandelt vage Slogans aus der Cybersicherheitspraxis in exakte mathematische Theoreme um. Es klärt auf, wann intuitive Annahmen (wie „KI hilft immer") tatsächlich gelten und wann sie scheitern.
Strategische Ressourcenallokation: Die Ergebnisse zeigen, dass Investitionen in die Verbesserung von Nicht-Engpass-Stufen (z. B. durch KI) für den Verteidiger nutzlos sind, solange die Engpässe bestehen bleiben. Ressourcen müssen gezielt auf alle Engpässe konzentriert werden.
Menschliche Grenzen: Das Theorem zur menschlichen Autorität liefert eine harte mathematische Grenze für die Automatisierung. Solange menschliche Entscheidungen als Engpass fungieren, kann keine KI-Technologie den Durchsatz darüber heben.
Modellkritik bei False Positives: Das Paper widerlegt die Idee, dass mehr KI-Detektion automatisch zu weniger nutzbarer Arbeit führt, es sei denn, die Präzision verschlechtert sich mit der Last. Dies zwingt zu präziseren Modellen für die Kosten von False Positives.
Forschungsrichtung: Das Paper etabliert eine Basis für evidenzbasierte Analysen von KI in der Cybersicherheit, betont aber auch die Notwendigkeit, das deterministische Modell zukünftig um stochastische und spieltheoretische Elemente (z. B. Warteschlangen, strategische Interaktion) zu erweitern.

Zusammenfassend liefert das Paper eine rigorose mathematische Grundlage, um die Effizienz von KI-Tools in Sicherheitspipelines zu bewerten und zeigt auf, dass die Optimierung von Durchsatzsystemen strikt von der Identifikation und gleichzeitigen Verbesserung aller Engpässe abhängt.