fair-web Dokumentation

fair-web schätzt Informationsrisiken nach dem FAIR-Modell (Factor Analysis of Information Risk) als erwarteten Jahresschaden – per Monte-Carlo-Simulation. Rechen-Engine ist der erweiterte pyfair-Fork (neoprehn/pyfair).

Live-App: https://fair.neoprehn.de

Was diese Doku abdeckt

Diese Seite dokumentiert beides: die Bedienung der Web-App und die darunterliegende Python-Engine (den pyfair-Fork) – auf dem Detailgrad der Original-pyfair-Doku, aber an den erweiterten Funktionsumfang des Forks angepasst.

FAIR-Grundlagen

• FAIR-Taxonomie – die Risikofaktoren und ihre Ableitung (angelehnt an Open FAIR / O-RT).
• FAIR-CAM-Grundlagen – Control-Physiologie, funktionale Domänen, Detection/Response-Konzept, Attribution & Lizenz.

pyfair (Engine)

• Installation – Einbindung des Forks.
• Schnellstart – ein vollständiges Beispiel in wenigen Zeilen.
• Modelle erstellen – die FairModel-API.
• Eingaben & Verteilungen – Legacy- und strukturierte Eingabe-API, alle Verteilungen, Konfidenz-Mapping.
• Meta-Modelle – mehrere Modelle summieren (sum) oder vergleichen (compare).
• Berichte – HTML/CSV-Reports erzeugen.
• Serialisierung & Datenbank – Modelle als JSON speichern/laden, SQLite-Ablage.
• Fork-Erweiterungen – was der Fork gegenüber dem Original zusätzlich kann.

pyfair-cam (Engine)

• Übersicht & Detection/Response – eigenständige Bibliothek für FAIR-CAM (Controls Analytics Model): Resistance/Prevention (Frequenz-Seite) und das stage-gated Detection/Response-Modell (Loss-Magnitude-Seite). Noch nicht in fair-web integriert (Web-Anbindung ist eine spätere Ausbaustufe).

Web-App

• Bedienung (fair-web) – wie die Web-App benutzt wird.

Status

Die Engine-Kapitel beschreiben den neoprehn-Fork von pyfair. Eine vollständige zweisprachige (DE/EN) Fassung ist in Arbeit; maßgebliche Referenz bei Unklarheiten ist der Quellcode des Forks.