该论文介绍 Harbormaster——一个在 AWS 上构建、面向生产形态的海事异常检测系统，解决的问题是：船舶通过 AIS（自动识别系统）广播位置，但这些报文可能是伪造的、也可能是缺失的，而运营人员在收到异常告警后，需要该告警是可归因（能说清依据是什么）、可复核（人能回溯）、且能在组件故障后恢复（不丢状态、不重复触发）的。为达成这三点，系统遵循三条工程规则：第一，物理可行性检查先于任何学习模型运行，即在任何机器学习判断之前，对每一条 AIS 报文做物理约束校验；第二，DynamoDB 读存储被设计为 PostgreSQL 的幂等投影，每一次写入都由基于变更日志序列号（LSN）的守卫保护，从而避免乱序或重复应用；第三，候选模型必须先通过 holdout 门禁与影子（shadow）对比，之后才由 canary 逐步放量，且 canary 的每一步都受 burn-rate 检查约束，防止劣化模型被放大。论文给出的核心理论结果是一个重放安全性质：对变更日志的任意前缀或任意后缀进行重放，每个投影键最终都会停留在其最高已应用 LSN 所对应的取值上，即投影对重放具有幂等性/收敛性。作者同时诚实地指出该结论不覆盖的副作用，例如重复的缓存失效与重复写入的审计行。实验方面，在一个有界的 AWS 观测窗口内，一小时的 soak 测试在 36,000 次请求中返回了 35,999 个 HTTP 200，客户端 p95 延迟为 142.751 ms；在另一次 900 秒的有界 AWS 运行中，流式路径承受了 400 条/秒的突发，随后消费者滞后（consumer lag）回落到零。论文中每一个数字都带有一个标签，标明它是在何处测量的，并且明确列出了设计里从未被真正构建出来的部分。整体上，这是一篇偏工程实证与可靠性论证的系统论文，适合流式检测平台、MLOps 与安全运营工程方向的读者。

本文针对部署在对抗性环境中的安全检测模型，提出了一种全范围二元分类器校准方法（Full-range Binary Classifier Calibration）。在恶意流量/样本分布快速漂移而良性分布相对稳定的场景下，安全团队需要频繁重训练模型以保持对新威胁的检出能力。然而，重训练会改变模型输出的预测分数，破坏下游依赖该分数的机制（如阈值、排序等）。传统的概率校准方法旨在使输出值逼近类概率，但安全场景更关心的是在不同部署版本间，同一输出分数对应的假阳性率（FPR）保持一致性。本文设计的方法基于现有校准原语（如 Platt scaling、等张回归等），通过在全FPR区间（从10%到0.01%）上优化，使得模型更新后输出分数具有稳定的FPR含义。在独立保留的测试集上，该方法在10%至0.1% FPR范围内观察到的相对FPR误差最大仅为2.3%，在0.01% FPR下误差为7.2%。此外，校准模型的产物（校准器）大小控制在200 KB以下，适用于1K至10M良性样本的校准集。该方法不依赖特定模型架构，可与现有安全ML流程集成。主要贡献是定义了面向安全场景的校准目标（FPR一致性），并提供了高效、轻量的实现。适合安全工程师、MLOps团队、以及研究模型部署稳定性的学者阅读。