XGBoost è un algoritmo di alberi decisionali gradient-boosted ottimizzato per dati strutturati e tabellari. Costruisce molti piccoli alberi in sequenza, e ciascun albero corregge gli errori di quelli precedenti. Il risultato è spesso un'elevata accuratezza su caratteristiche numeriche e categoriali miste, soprattutto quando i dati sono etichettati in modo pulito e ben progettati.
Nella sicurezza informatica, XGBoost è ampiamente utilizzato per il rilevamento, il risk scoring e la classificazione perché può gestire in modo efficiente log, avvisi e altri segnali tabellari. Introduce anche problemi di sicurezza: dati di addestramento avvelenati, caratteristiche corrotte o cambiamenti nel comportamento degli attaccanti possono degradare le previsioni, mentre un controllo degli accessi debole attorno alla pipeline di addestramento può consentire a un avversario di influenzare l'output del modello. I difensori spesso affiancano a XGBoost convalida, log di audit e monitoraggio del drift, così il modello resta affidabile man mano che i pattern di minaccia cambiano. Nei sistemi critici per la sicurezza, come il supporto alle decisioni in ambito sanitario, questi controlli sono essenziali perché il punteggio del modello può influenzare azioni nel mondo reale anche quando non è l'autorità finale.