Data Drift ist das Phänomen, bei dem sich die statistischen Verteilungen der Eingabedaten für Machine-Learning-Modelle im Laufe der Zeit im Vergleich zum Trainingsdatensatz ändern, was die Genauigkeit und Zuverlässigkeit der Vorhersagen verschlechtert. Im Bereich der Cybersicherheit ist die Erkennung von Data Drift entscheidend für ML-basierte Bedrohungserkennungssysteme, Anomalieerkennung, Verhaltensanalysen und KI-Sicherheitsmodelle, bei denen unüberwachte Abweichungen in Verkehrsmustern, Protokollen oder Benutzerverhalten zu falsch-positiven oder falsch-negativen Ergebnissen führen oder automatisierte Abwehrmechanismen unwirksam machen können.