Secure Shell (SSH) intrusions against Linux servers remain a dominant vector of opportunistic and targeted cyber incidents, yet operational honeypots treat attacker commands either as isolated lookup keys for static templates or as input to a single uniform language model. Two research directions partially address this gap: LLM-driven response generation raises interaction realism but incurs a fidelity–latency trade-off, while semantic command analytics classifies attack stages from embeddings yet applies a single fine-tuned model uniformly across sessions. This work introduces the phase-adaptive model routing framework (PAMR), which explicitly couples both views. A lightweight online phase estimator infers the current attack stage—reconnaissance, exploitation, or persistence—from a sliding window of recent commands via compact semantic embeddings; a router then dispatches each command to one of several heterogeneous LLM backends according to estimated phase, command complexity, and a confidence-weighted latency budget. The routing decision is formulated as a constrained optimization problem and realized at runtime as an $O\left(1\right)$ lookup in a precomputed dispatch table. PAMR is evaluated on a controlled, reproducible benchmark of 412 stage-annotated command sessions that combines representative Linux command–response pairs with synthesized attacker traces; we explicitly state that this is a laboratory benchmark rather than live attacker traffic, and we scope our claims accordingly. Relative to uniform-model baselines, PAMR reduces mean response latency by approximately 38% against an API-hosted high-capacity backend and by approximately 45% against a locally hosted mid-capacity backend, while keeping token-level response-fidelity metrics close to the high-capacity baseline (cosine similarity ≈ 0.39 vs. 0.40) and maintaining an online stage-classification macro-F1 above 0.87. We further provide a first-order analytical treatment of the timing side-channel that any backend-routing architecture introduces, and we frame the contribution as a latency/token-fidelity trade-off, leaving validation of operational realism against live adversaries to future work.

Оқу процесінің сәттілігі үшін студенттердің оқу үлгерімін бағалау өте маңызды, бұл олардың оқуға деген ынтасын қалыптастырып қана қоймайды, сонымен қатар материалды игеруді бағалау кезінде оқытушылар үшін негізгі көрсеткіш болып табылады. Дәстүрлі жіктеулерде оқушылар үлгерім деңгейлері негізінде жеке топтарға қатаң бөлінеді (өте жақсы, жақсы, қанағаттанарлық, қанағаттанарлықсыз). Анық емес тәсіл әдісін қолдану студенттердің әртүрлі дәрежеде оқу үлгерімінің әртүрлі санаттарына жатуы мүмкін екенін көрсетеді, бұл оқушылардың әртүрлі қабілеттерін шынайы көрсетуге мүмкіндік береді. Бұл жұмыста анық емес логиканы қолдана отырып, үлгерімді бағалау әдісі ұсынылады. Ол үшін Мамдани алгоритмін қолдана отырып, анық емес ережелер мен шығару әдісі жасалды. Алынған нәтижелерді Ақпараттық технологиялар бағыты бойынша оқитын студенттердің үлгерімінің нақты деректерін пайдалана отырып дәстүрлі бағалаумен салыстыру жүргізілді.