論文の概要: Where does a rust speedup come from? Language and algorithm effects in sliding window threat scorer

• arxiv url: http://arxiv.org/abs/2610.07931v1
• Date: Tue, 06 Oct 2026 08:08:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.882289
• Title: Where does a rust speedup come from? Language and algorithm effects in sliding window threat scorer
• Title（参考訳）: ラストスピードアップはどこから来るのか?スライディングウインドウ脅威スコアラーにおける言語とアルゴリズムの効果
• Abstract要約: PythonからRustへのホットパスの書き換えは、セキュリティ分析を高速化する一般的な方法である。 書き直しは通常、言語とアルゴリズムを一度に変更するので、1つの要素がより良いアルゴリズムから得られる利得で言語を信用することができる。 本研究では,SentinelSphereプラットフォームのトラヒック光電卓をモデルとしたスライディングウインドウ脅威スコアラについて検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Rewriting a hot path from Python into Rust is a common way to speed up security analytics, and large speedups are routinely reported. A rewrite usually changes the language and the algorithm at once, so a single factor can credit the language with a gain that comes from a better algorithm. We study this on a sliding window threat scorer modelled on the traffic light calculator of the SentinelSphere platform. Five implementations, three in Python and two in Rust, produce bit identical scores, confirmed by a shared checksum, and we time them from 100 to one million events in a bounded and a burst regime. The language alone contributes between about 4 and 29 times. Replacing a per event rescan of the window by an incremental update contributes more than 11,000 times in the burst regime, so the end to end factor reaches about 195,000 times when the window keeps filling and levels off near 13,000 times when it does not. A power law fit to the timings reported for the original rewrite gives growth exponents of 1.85 for Python and 0.88 for Rust, the signature of an algorithmic difference. Performance claims for security tooling should therefore report the language and algorithm contributions separately.
• Abstract（参考訳）: PythonからRustへのホットパスの書き換えは、セキュリティ分析を高速化する一般的な方法であり、大規模なスピードアップが定期的に報告されている。 書き直しは通常、言語とアルゴリズムを一度に変更するので、1つの要素がより良いアルゴリズムから得られる利得で言語を信用することができる。 本研究では,SentinelSphereプラットフォームのトラヒック光電卓をモデルとしたスライディングウインドウ脅威スコアラについて検討した。 Pythonで3つ、Rustで2つの5つの実装は、共有チェックサムによって確認された、少し同じスコアを生成します。 言語だけでは4回から29回程度である。 インクリメンタルアップデートによるウィンドウ毎のイベントリスキャンは、バースト状態において11,000回以上コントリビュートするため、ウィンドウが満たし続けると、終了から終了までの係数は約195,000回に達し、そうでなければ13,000回近くダウンする。 オリジナルの書き直しで報告されたタイミングに適合する電力法により、Pythonが1.85、Rustが0.88、アルゴリズムの違いが署名される。 したがって、セキュリティツールのパフォーマンス要求は、言語とアルゴリズムのコントリビューションを別々に報告する必要がある。

関連論文リスト

• The Invisible Throttle: Running on Borrowed Time in Scratch [0.9148747049384086]
  描画しないループは、他の何が見えるか、機械によってペースされる。 Loopの速度はコードに触れることなく変更できる。 500の人気のある公開ゲームでは、59%が描画も待ちもしないループを含んでいる。
  論文  参考訳（メタデータ） (2026-09-28T19:24:10Z)
• Training a Language Model End-to-End in Rust: An Experience Report [0.0]
  私はRustのエンドツーエンドの言語モデルを、レンタルされたGPU時間で164ドルで事前トレーニングしました。 私はCandleの欠陥を5つ文書化しています。 私はまた、Bengaliスクリプトでトークン化-妊婦の罠を報告します。
  論文  参考訳（メタデータ） (2026-07-27T08:37:56Z)
• How Fast Can Reward Models Score? A Systems Study of C++ and PyTorch Inference Runtimes for RLHF [0.0]
  RLHFパイプラインでは、報酬スコアリングがポリシー更新をブロックする。 ほとんどのセットアップはデフォルトではPyTorch eager mode または torch.compile である。 我々のエンジンは全てのベースラインを破り、信頼区間も違ってはいなかった。
  論文  参考訳（メタデータ） (2026-07-22T03:27:21Z)
• From Translation to Superset: Benchmark-Driven Evolution of a Production AI Agent from Rust to Python [2.7324157162184157]
  本稿では,大規模な言語モデルでRustの目的をPythonに翻訳するLLM支援型連続コード翻訳手法を提案する。 我々は、Pythonポートが59/80 SWE-bench検証タスク(73.8%)をRustの56/80(70.0%)に対して解決し、現実世界のエージェントタスクでほぼ同等であることを実証した。 評価の結果,APIレイテンシが支配的な LLM ベースのエージェントでは,Python の表現性が 15.9 倍のコード削減を実現している。
  論文  参考訳（メタデータ） (2026-04-13T14:21:44Z)
• The Effect of Code Obfuscation on Human Program Comprehension [8.277193480493327]
  コード難読化が出力予測タスクを通してプログラムの人間の理解にどのように影響するかを検討する。 難読化コードから、リネーム、逆ミスリード識別子、制御-フロー修正、これらのテクニックの組み合わせを含む変換まで、さまざまなレベルの難読化を構築します。 その結果,難読化は一般的にコードの推論に必要な時間を増やし,予測精度を低下させる傾向にあることがわかった。
  論文  参考訳（メタデータ） (2026-03-08T15:02:47Z)
• Learning Adaptive Parallel Reasoning with Language Models [70.1745752819628]
  本稿では,適応並列推論(Adaptive Parallel Reasoning, APR)を提案する。 APRは、spawn()とjoin()操作を使用して適応的なマルチスレッド推論を可能にすることで、既存の推論メソッドを一般化する。 鍵となる革新は、親と子の両方の推論スレッドを最適化して、事前に定義された推論構造を必要とせずにタスクの成功率を高める、エンドツーエンドの強化学習戦略である。
  論文  参考訳（メタデータ） (2025-04-21T22:29:02Z)
• CRUXEval-X: A Benchmark for Multilingual Code Reasoning, Understanding and Execution [50.1875460416205]
  CRUXEVAL-Xコード推論ベンチマークには19のプログラミング言語が含まれている。 各言語に対して少なくとも600人の被験者で構成され、合計19Kのコンテンツ一貫性テストがある。 Pythonでのみトレーニングされたモデルでさえ、他の言語で34.4%のPass@1を達成することができる。
  論文  参考訳（メタデータ） (2024-08-23T11:43:00Z)
• BTR: Binary Token Representations for Efficient Retrieval Augmented Language Models [77.0501668780182]
  Retrieval augmentationは、大規模言語モデルにおける多くの重要な問題に対処する。 検索拡張言語モデル(LM)の実行は遅く、大量の検索されたテキストを処理するため、スケールが困難である。 1ビットベクトルを用いて各トークンを前処理するバイナリトークン表現(BTR)を導入する。
  論文  参考訳（メタデータ） (2023-10-02T16:48:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。