💻 computer science

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

Dit artikel presenteert een formele theorie voor de doorvoer in cybersecurity-pipelines met AI-tools, waarin wordt bewezen dat de doorvoer alleen stijgt als alle knelpunten worden versneld, dat menselijke beperkingen een bovengrens opleggen aan de prestaties, en dat een schijnbare paradox in de bruikbare doorvoer alleen optreedt bij een precisiefunctie die afhankelijk is van de snelheid.

Oorspronkelijke auteurs: Surasak Phetmanee

Gepubliceerd 2026-03-31

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Surasak Phetmanee

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat een cybersecurity-team een productielijn is, zoals een fabriek die auto's bouwt of een keuken waar pizza's worden gemaakt. In deze fabriek zijn er verschillende stations: eerst wordt de pizza besprenkeld, dan wordt de kaas erop gedaan, dan wordt hij in de oven geschoven, en tenslotte wordt hij verpakt.

De snelheid van de hele fabriek wordt bepaald door het langzaamste station. Als de oven maar 10 pizza's per uur aankan, maar de pizzabereider er 50 kan maken, dan is de hele fabriek beperkt tot die 10 pizza's. Dat langzaamste punt noemen we de flesnek (bottleneck).

Dit artikel van Surasak Phetmanee is een wiskundig bewijs van hoe dit werkt, specifiek voor het gebruik van kunstmatige intelligentie (AI) in de beveiliging. Hier is de kern van het verhaal, vertaald naar alledaagse taal:

1. De Gouden Regel van de Flesnek

De schrijver bewijst iets heel logisch, maar wat vaak verkeerd wordt begrepen:

De regel: Als je een station versnelt dat niet de flesnek is, wordt de hele fabriek niet sneller.
Het voorbeeld: Stel dat de pizzabereider (die 50 pizza's kan maken) een super-snel robotarm krijgt en nu 100 pizza's per uur kan maken. De oven (de flesnek) blijft 10 pizza's per uur doen. De totale productie blijft 10. Je hebt alleen maar een hele snelle pizzabereider die nu 90 pizza's moet wachten.
De conclusie: AI helpt alleen als je de langzaamste stap versnelt. Als je de flesnek niet aanpakt, verandert er niets aan de totale snelheid.

2. De "Menselijke" Muur

Soms zijn er stappen die niet door een robot gedaan kunnen worden. Bijvoorbeeld: "Deze verdachte e-mail moet door een mens worden bekeken voordat we actie ondernemen."

De theorie: Als je alle andere stappen (de robots) oneindig snel maakt, stuit je toch op een muur. De snelheid van de hele keten kan nooit sneller zijn dan de snelste menselijke beslissing.
De les: Je kunt AI niet gebruiken om de mens te vervangen in de beslissende momenten. Zolang er een menselijke stap is die 1 minuut duurt, kan de hele cyclus niet sneller dan 1 minuut per incident, hoe snel de computers ook zijn.

3. De Wedstrijd tussen Aanvaller en Verdediger

In cybersecurity is er een strijd: hackers proberen binnen te dringen, en beveiligingsteams proberen ze te stoppen. Beide kanten gebruiken AI.

Het dilemma: Als hackers AI gebruiken om hun aanval te versnellen, en jij gebruikt AI om je verdediging te versnellen, wie wint er dan?
De ontdekking: Het gaat niet om wie de snelste computer heeft, maar om wie de flesnek het beste heeft opgelost.
- Als de hacker zijn flesnek versnelt (bijv. snellere malware schrijven) en jij versnelt alleen je niet-flesnekken (bijv. snellere logboekregistratie), dan verlies je.
- Jij wint alleen als jij je eigen flesnek sneller versnelt dan de hacker de zijne.

4. Het "Te Veel Alarm" Paradox

Er is een veel gehoord verhaal: "Als we AI gebruiken om meer bedreigingen te vinden, krijgen we zoveel valse alarmen dat we het niet meer aankunnen en de effectiviteit daalt."

De wiskundige waarheid: De schrijver bewijst dat dit onder een simpele aanname niet waar is. Als je AI gebruikt, krijg je misschien meer alarmen, maar het aantal nuttige alarmen dat je kunt verwerken, blijft gelijk (het plateauert). Het daalt niet.
Wanneer daalt het wel? Het daalt alleen als de kwaliteit van de AI slechter wordt naarmate er meer data binnenkomt (bijvoorbeeld: de AI wordt verward door de hoeveelheid). Als de AI zijn kwaliteit behoudt, blijft de "nuttige" snelheid stabiel, zelfs als er meer werk is.

Samenvatting in één zin

AI in cybersecurity is als het vervangen van een oude fietsband door een racefietsband: het helpt alleen als dat de band was die de hele fiets langzaam maakte; als je de motor (de mens of de echte bottleneck) niet aanpakt, blijft je snelheid hetzelfde, en je kunt de snelheid van de verdediging nooit hoger maken dan de snelheid van de menselijke controle.

Deze paper is dus een "rekenregelsboek" voor managers en beleidsmakers, zodat ze niet blindelings geld investeren in AI, maar weten precies waar ze moeten ingrijpen om echt sneller te worden.

Probleemstelling

In de cybersecurity-sector circuleren veel informele argumenten over de impact van AI, zoals "AI versnelt zowel aanvallers als verdedigers" of "meer alerts leiden tot meer ruis". Deze stellingen worden gebruikt om beleidskeuzes te rechtvaardigen of te weerleggen, maar ontberen een formele onderbouwing. Er is geen wiskundig kader dat aangeeft onder welke voorwaarden deze slogans waar of onwaar zijn. Specifiek ontbreekt het aan een rigoureuze analyse van hoe multiplicative verbeteringen (door AI) in een processtroom (pipeline) de totale doorvoer (throughput) beïnvloeden, rekening houdend met menselijke beperkingen en de interactie tussen aanvallers en verdedigers.

Methodologie

De auteur ontwikkelt een strikt formeel wiskundig model gebaseerd op de Theory of Constraints (TOC), maar formaliseert deze voor cybersecurity-pipelines.

Het Model: Een pipeline wordt gedefinieerd als een eindige, totaal geordende verzameling van stadia ( $V$ ), waarbij elk stadium een positieve verwerkingscapaciteit ( $c$ ) heeft.
Doorvoer (Throughput): De doorvoer van het systeem wordt gedefinieerd als het minimum van de capaciteiten van alle stadia: $T(\Pi) = \min_{v \in V} c(v)$ . Dit is de deterministische "bottleneck"-benadering.
Perturbatie: AI-implementatie wordt gemodelleerd als een admissible multiplier ( $\alpha$ ), een functie die aan elk stadium een verbeteringsfactor $\ge 1$ toekent. De nieuwe capaciteit is $c_{\alpha}(v) = \alpha(v) \cdot c(v)$ .
Menselijke Autoriteit: Een subset van stadia ( $H$ ) wordt gedefinieerd als menselijk gestuurd, waarbij $\alpha(h) = 1$ (geen versnelling mogelijk).
Adversariaal Systeem: Het model vergelijkt twee onafhankelijke pipelines: één voor de aanvaler ( $\Pi_A$ ) en één voor de verdediger ( $\Pi_D$ ).
Fout-positieve Modellen: Er wordt een analyse uitgevoerd van "bruikbare doorvoer" onder een vast percentage fout-positieven versus een rate-afhankelijke precisiefunctie.

De bewijzen zijn elementair en maken gebruik van eigenschappen van eindige minima, reële getallen en puntsgewijze multiplicatieve structuren.

Belangrijkste Bijdragen

Het artikel levert zes hoofdbijdragen:

Formele Modellering: Een axiomatisch kader voor pipelines, doorvoer, bottleneck-sets en multiplicative perturbaties.
Exacte Karakterisaties: Biconditionale stellingen die aangeven wanneer doorvoer verandert of ongewijzigd blijft.
Menselijk Autoriteitsplafond: Een stelling die een strakke bovengrens voor doorvoer definieert wanneer bepaalde stadia niet kunnen worden versneld.
Adversariale Vergelijking: Een algebraïsche equivalentie die bepaalt wanneer AI de aanvaler ten opzichte van de verdediger bevoordeelt.
Analyse van Fout-positieven: Een onmogelijkheidsresultaat voor het "paradoxale daling"-argument onder vaste fout-positieve modellen en een "reparatie" via een rate-afhankelijke precisiefunctie.
Scope en Beperkingen: Een duidelijke afbakening van wat het model wel en niet bewijst.

Resultaten (De Stellingen)

Stelling 1 & 2 (Doorvoer-invariantie en Stijging):
- De doorvoer blijft onveranderd dan en slechts dan als minstens één oorspronkelijke bottleneck (het stadium met de laagste capaciteit) een multiplier van 1 behoudt (niet wordt versneld).
- De doorvoer stijgt strikt dan en slechts dan als elke oorspronkelijke bottleneck strikt wordt verbeterd ( $\alpha > 1$ ).
- Conclusie: Het versnellen van niet-bottleneck-stadia heeft geen effect op de totale doorvoer. Bij gelijke bottlenecks moeten alle gekoppelde bottlenecks worden versneld om winst te boeken.
Stelling 3 (Menselijk Autoriteitsplafond):
- Als een niet-lege subset van stadia ( $H$ ) aan menselijke autoriteit is onderworpen ( $\alpha=1$ ), dan is de maximale doorvoer van het systeem begrensd door de kleinste capaciteit binnen die menselijke subset: $T(\Pi_{\alpha}) \le \min_{h \in H} c(h)$ .
- Deze bovengrens is strak (haalbaar): zelfs met oneindige versnelling van de machine-stadia kan de doorvoer dit plafond niet overschrijden.
Stelling 4 (Adversariale Relatieve Versnelling):
- De verhouding tussen de doorvoer van de aanvaler en de verdediger verslechtert voor de verdediger dan en slechts dan als de relatieve doorvoerwinst van de aanvaler groter is dan die van de verdediger.
- Praktische implicatie: Als de verdediger investeert in niet-bottleneck stadia (geen doorvoerwinst) terwijl de aanvaler zijn bottleneck verbetert, verslechtert de verdedigerspositie, zelfs als de verdediger in absolute termen sneller is geworden.
Stelling 5 & Proposition 6 (Fout-positieve Modellen):
- Stelling 5: Onder een model met een vast percentage fout-positieven ( $f$ ), neemt de bruikbare doorvoer niet af boven de onderzoeks capaciteit; deze plateauert op een constant niveau. Het idee dat meer alerts automatisch leiden tot een daling in bruikbare doorvoer is in dit model onjuist.
- Proposition 6: Om een daadwerkelijke daling te modelleren, moet de precisie een rate-afhankelijke functie zijn die strikt afneemt bij toenemende alert-snelheid. Alleen dan overwint de afnemende precisie de capaciteitstoename.

Betekenis en Conclusie

De bijdrage van dit artikel ligt niet in complexe wiskundige diepgang, maar in de formele precisie die wordt toegepast op een domein dat tot nu toe slechts op informele argumenten rust.

Beleid en Investering: Het bewijst dat investeringen in cybersecurity-pipelines alleen zinvol zijn als ze direct gericht zijn op de huidige bottlenecks. Investeringen elders zijn "verloren geld" wat betreft doorvoer.
Menselijke Rol: Het kwantificeert dat menselijke oordeelsvorming een hard plafond vormt voor geautomatiseerde systemen; AI kan dit plafond niet doorbreken, alleen benaderen.
Strategisch Inzicht: Het biedt een meetlat voor de "AI-arms race": wat telt is niet de absolute snelheid, maar de relatieve verbetering van de bottleneck ten opzichte van de tegenpartij.
Modellering: Het weerlegt een veelvoorkomend misverstand over fout-positieven en biedt een correct model voor wanneer "alert fatigue" echt leidt tot een daling in effectiviteit.

Het artikel concludeert dat hoewel het model deterministisch en zonder buffers is (en dus vereenvoudigd), het een solide fundament biedt voor evidence-based analyse van AI-deployments. De volgende stap in onderzoek zou het uitbreiden van deze theorie naar stochastische en wachtrij-gebaseerde systemen zijn.