論文の概要: CloudShield: Real-time Anomaly Detection in the Cloud
- arxiv url: http://arxiv.org/abs/2108.08977v1
- Date: Fri, 20 Aug 2021 03:14:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-23 23:04:16.350088
- Title: CloudShield: Real-time Anomaly Detection in the Cloud
- Title（参考訳）: CloudShield: クラウドにおけるリアルタイム異常検出
- Authors: Zecheng He, Ruby B. Lee
- Abstract要約: CloudShieldは、クラウドコンピューティングのためのリアルタイムの異常および攻撃検知システムである。
良心的なプログラム、既知の攻撃、ゼロデイ攻撃を区別する。
誤報を最大99.0%減らす。
- 参考スコア（独自算出の注目度）: 8.406912571507569
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In cloud computing, it is desirable if suspicious activities can be detected
by automatic anomaly detection systems. Although anomaly detection has been
investigated in the past, it remains unsolved in cloud computing. Challenges
are: characterizing the normal behavior of a cloud server, distinguishing
between benign and malicious anomalies (attacks), and preventing alert fatigue
due to false alarms.
We propose CloudShield, a practical and generalizable real-time anomaly and
attack detection system for cloud computing. Cloudshield uses a general,
pretrained deep learning model with different cloud workloads, to predict the
normal behavior and provide real-time and continuous detection by examining the
model reconstruction error distributions. Once an anomaly is detected, to
reduce alert fatigue, CloudShield automatically distinguishes between benign
programs, known attacks, and zero-day attacks, by examining the prediction
error distributions. We evaluate the proposed CloudShield on representative
cloud benchmarks. Our evaluation shows that CloudShield, using model
pretraining, can apply to a wide scope of cloud workloads. Especially, we
observe that CloudShield can detect the recently proposed speculative execution
attacks, e.g., Spectre and Meltdown attacks, in milliseconds. Furthermore, we
show that CloudShield accurately differentiates and prioritizes known attacks,
and potential zero-day attacks, from benign programs. Thus, it significantly
reduces false alarms by up to 99.0%.
- Abstract（参考訳）: クラウドコンピューティングでは,不審な動作が自動異常検出システムによって検出できることが望ましい。
異常検出は過去にも研究されてきたが、クラウドコンピューティングでは未解決である。
課題は、クラウドサーバの通常の振る舞いを特徴づけること、良心と悪意のある異常(攻撃)を区別すること、誤報による警告疲労を防ぐことである。
CloudShieldは,クラウドコンピューティングの現実的で一般化可能なリアルタイム異常検出システムである。
cloudshieldは、さまざまなクラウドワークロードでトレーニング済みの一般的なディープラーニングモデルを使用して、正常な振る舞いを予測し、モデル再構成エラー分布を調べることで、リアルタイムかつ連続的な検出を行う。
異常が検出されると、警告疲労を軽減するため、cloudshieldは予測エラー分布を調べることで、良性プログラム、既知の攻撃、ゼロデイ攻撃を自動的に区別する。
提案するcloudshieldを代表的クラウドベンチマークで評価する。
評価の結果,モデル事前トレーニングを使用したCloudShieldは,幅広いクラウドワークロードに適用可能であることがわかった。
特に、CloudShieldは、最近提案された投機的実行攻撃、例えばSpectreやMeltdown攻撃をミリ秒で検出できる。
さらに、cloudshieldは既知の攻撃や潜在的なゼロデイ攻撃を良質なプログラムと正確に区別し、優先順位付けする。
これにより、誤報を最大99.0%減らすことができる。
関連論文リスト
- Why does Prediction Accuracy Decrease over Time? Uncertain Positive
Learning for Cloud Failure Prediction [35.058991707881646]
また,モデルの再訓練後,予測精度が約9%低下する可能性が示唆された。
緩和動作は、予測モデルを更新しながらより多くのノイズを発生させる可能性がある緩和後に検証できないため、不確実な正の事例をもたらす可能性がある。
この問題に対処するために、我々は不確実な正の学習リスク推定器(Uptake)アプローチを設計する。
論文 参考訳（メタデータ） (2024-01-08T03:13:09Z) - Overload: Latency Attacks on Object Detection for Edge Devices [47.9744734181236]
本稿では,ディープラーニングアプリケーションに対する遅延攻撃について検討する。
誤分類に対する一般的な敵攻撃とは異なり、遅延攻撃の目標は推論時間を増やすことである。
このような攻撃がどのように動作するかを示すために、オブジェクト検出を使用します。
論文 参考訳（メタデータ） (2023-04-11T17:24:31Z) - PointCA: Evaluating the Robustness of 3D Point Cloud Completion Models
Against Adversarial Examples [63.84378007819262]
本稿では,3次元クラウド完了モデルに対する最初の逆攻撃であるPointCAを提案する。
ポイントCAは、元のものと高い類似性を維持する逆点雲を生成することができる。
その結果,PointCAは77.9%から16.7%に低下し,その構造は0.01以下であることがわかった。
論文 参考訳（メタデータ） (2022-11-22T14:15:41Z) - Towards Robust Rain Removal Against Adversarial Attacks: A Comprehensive
Benchmark Analysis and Beyond [85.06231315901505]
雨の除去は、画像やビデオから雨の流れを取り除き、雨による破壊的な影響を減らすことを目的としている。
本稿では, 深層学習に基づく雨害防止手法の強靭性に関する総合的な研究を初めて行おうとする。
論文 参考訳（メタデータ） (2022-03-31T10:22:24Z) - Shape-invariant 3D Adversarial Point Clouds [111.72163188681807]
逆境と不可視性は、逆境の摂動の2つの基本的だが矛盾する性格である。
3Dポイントのクラウド認識に対する以前の敵対的攻撃は、しばしば目立ったポイントアウトリーチによって批判された。
本稿では,点摂動の効率性と非受容性を両立させる新しい点-クラウド感度マップを提案する。
論文 参考訳（メタデータ） (2022-03-08T12:21:35Z) - Unsupervised Point Cloud Representation Learning with Deep Neural
Networks: A Survey [104.71816962689296]
大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。
本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
論文 参考訳（メタデータ） (2022-02-28T07:46:05Z) - Adversarial Attacks against a Satellite-borne Multispectral Cloud
Detector [33.11869627537352]
本稿では,ディープラーニングによる攻撃に対するクラウド検出の脆弱性を明らかにする。
敵のパターンを最適化し、それを雲のないシーンに重ね合わせることで、ニューラルネットワークを偏り、シーン内の雲を検出する。
これは多目的攻撃の可能性、特に雲に敏感なバンドにおける敵バイアスと可視光バンドにおける視覚的カモフラージュの可能性を開放する。
論文 参考訳（メタデータ） (2021-12-03T05:27:50Z) - Online Self-Evolving Anomaly Detection in Cloud Computing Environments [6.480575492140354]
本稿では,クラウド信頼性保証のための自己進化型異常検出(SEAD)フレームワークを提案する。
我々のフレームワークは、新たに検証された異常記録を探索し、オンラインの異常検出を継続的に更新することによって、自己進化する。
我々の検出器は感度88.94%、平均94.60%を達成でき、実際の展開に適している。
論文 参考訳（メタデータ） (2021-11-16T05:13:38Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Cloud detection machine learning algorithms for PROBA-V [6.950862982117125]
本論文で提示されるアルゴリズムの目的は,ピクセル当たりのクラウドフラグを正確に提示するクラウドを検出することである。
提案手法の有効性を,多数の実proba-v画像を用いて検証した。
論文 参考訳（メタデータ） (2020-12-09T18:23:59Z) - Thick Cloud Removal of Remote Sensing Images Using Temporal Smoothness
and Sparsity-Regularized Tensor Optimization [3.65794756599491]
リモートセンシング画像では、雲の影に付随する厚い雲の存在が確率の高い事象である。
時間的滑らか度と空間規則化テンソル最適化に基づくリモートセンシング画像の高密度クラウド除去手法を提案する。
論文 参考訳（メタデータ） (2020-08-11T05:59:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。