devgo.cn面对越来越狡猾的 Web 攻击，传统 WAF（Web 应用防火墙，就是拦截恶意 HTTP 请求的那层过滤系统）往往在规则匹配和性能之间左右为难：规则太少抓不住变种攻击，规则太多又拖慢响应。但今天要聊的这个项目 Aethel-Core 给出了一个完全不同思路 —— 用逻辑编程语言 SWI-Prolog（一种擅长推理和回溯的声明式语言，写程序就像在描述事实和规则，而不是一步步命令计算机）来构建一个超轻量级的神经符号 WAF。它最大的卖点不是堆规则，而是把规则变成可推理的符号系统，让机器在内存里直接做逻辑演绎。
先说它怎么处理威胁特征。传统 WAF 通常把攻击签名存成字符串，匹配时做字符串比对；但攻击者可以用各种编码和嵌套来伪装，比如双重夹心混淆（把恶意 payload 拆开再藏进多层编码里）。Aethel-Core 的做法是把每条长签名拆成 3~4 个字符的 N-gram 原语（就是按步长滑动切出的短片段，类似于把一句话切成很多小碎块），再把这些碎片变成 Prolog 的事实和规则。当请求进来时，它通过动态回溯检查——就是在内存里做关系型查询，回溯到所有可能匹配的路径——而不是线性扫描。这样即使攻击者把 payload 拆得七零八落，系统也能通过拼碎片识别出恶意模式。
更绝的是它的归一化流水线。攻击者常用 URL 编码（%XX）、十六进制转义（\xXX 或 0xXX）以及 HTML 实体（< 变成 <）来绕过检查，Aethel-Core 内置了一个递归归一化器：先把深层解码全部展开，转成统一大小写，再用 N-gram 重新切分。这个递归过程会把多层嵌套的编码一层层剥开，直到露出原始攻击意图。这个过程本身也是 Prolog 的推理步骤，所以每条请求都会触发一串逻辑推断。
为了验证极限，作者用 30000 波“超混沌变异攻击”（v7.0 God Mode）去压测——你可以理解为一种疯狂变形的攻击洪流，每一波都随机改编码方式、插入干扰字符。结果相当惊人：系统在内存里动态激活了 276,717 条 N-gram 规则（这些规则是从 15,000 条原始威胁向量泛化出来的，相当于一个种子长出近 20 倍变体），安全完整性达到 100%，没有一条漏网。最让人意外的是性能：总推理执行次数 74,209,589 步，峰值推理速度达到 6,833,889 LIPS（每秒逻辑推理次数，就是 Prolog 引擎每秒能完成多少步逻辑推导），而它的内存占用只有约 2.718 MB——这比很多图片还要小。垃圾回收折腾了 20 次，却只用了 0.000 秒；JIT 哈希自动扩展到 4,096 个桶，获得 2,538.4 倍加速。在如此重负载下还能保持这么小的内存，完全颠覆了我对 Prolog 性能差的刻板印象。
更值得玩味的是它的定位：不只是防传统 Web 攻击，还覆盖了 Web3 领域的“三明治经济攻击”（一种在去中心化交易所里抢跑交易的操纵手法，通过夹在别人交易前后获利）、云基础设施漏洞（比如 kubelet CRI 劫持，即入侵 Kubernetes 节点上的容器运行时接口）、甚至针对大模型的对抗性攻击，如 LLM RAG 投毒（往检索增强生成的知识库里塞恶意内容，让 AI 回答被带偏）和模型权重投毒（比如 DeepSeek 权重被篡改）。这些场景都是近年来新出现的攻击面。同时系统支持把推理过程导出为 JSONL 格式，用于 LLM 指令微调——也就是说，这个 WAF 产生的攻击判定数据可以直接变成训练样本，喂给另一个 AI 模型。
说句实话，我第一眼看到这套方案觉得是炫技：用逻辑编程写安全产品，听起来就像用钢琴锯木头。但仔细想，它其实抓住了安全对抗的本质——攻击特征往往不是精确字符串，而是一种结构模式。Prolog 的规则表达式天然适合描述“A 出现在 B 附近，且 C 编码被解码”这类关系型特征，回溯机制又能应对多种组合。这种方式让规则不再是一张静态黑名单，而是一套可以推理、可以泛化的知识库。对于我们的启发有三点：如果你做安全工具，可以尝试用符号推理代替纯字符串匹配，尤其在对编码混淆敏感的场景；如果你做高性能服务，别被编程语言的固有印象束缚，Prolog 这类 DSL 在特定领域可能比 C++ 更省资源；如果你做 AI 安全，把防御系统产生的结构化日志变成训练语料，是构建自适应防线的一条捷径。当然，这个项目也不是没有坑：它目前公开的代码只是接口展示（activator.pl、decoder.pl），核心引擎和归纳规则是私有的，意味着你没法直接部署成完整产品；而且 SWI-Prolog 的生态和调试工具远不如主流语言丰富，团队要上手需要额外的学习成本。但作为概念验证，它已经证明了轻量级神经符号 WAF 的可行性——在几十 MB 的内存里，用一个逻辑引擎挡住几十万条变异攻击，这件事本身就挺让人兴奋。如果你正在做 API 网关或者边缘防护，不妨研究一下它的归一化递归思路，也许能帮你把误报率再压一个量级。
内容与图片版权归原作者所有 · 原文: https://github.com/lokinpendawa/aethel_core