論文の概要: IAD: Indirect Anomalous VMMs Detection in the Cloud-based Environment

• arxiv url: http://arxiv.org/abs/2111.11052v1
• Date: Mon, 22 Nov 2021 08:48:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-23 23:21:08.398606
• Title: IAD: Indirect Anomalous VMMs Detection in the Cloud-based Environment
• Title（参考訳）: IAD:クラウド環境における間接的異常VMM検出
• Authors: Anshul Jindal, Ilya Shakhat, Jorge Cardoso, Michael Gerndt, Vladimir Podolskiy
• Abstract要約: 異常VMM検出は、ユーザがVMMにアクセスできないため、クラウド環境での課題である。 本稿では,IAD: Indirect Anomalous VMMs Detectionという,機械学習に基づく新しいアルゴリズムを提案する。 提案したIADアルゴリズムは、平均F1スコアが4つのデータセットで平均83.7%であり、他のアルゴリズムよりも平均F1スコアが11%高いことが判明した。
• 参考スコア（独自算出の注目度）: 0.6387263468033965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Server virtualization in the form of virtual machines (VMs) with the use of a hypervisor or a Virtual Machine Monitor (VMM) is an essential part of cloud computing technology to provide infrastructure-as-a-service (IaaS). A fault or an anomaly in the VMM can propagate to the VMs hosted on it and ultimately affect the availability and reliability of the applications running on those VMs. Therefore, identifying and eventually resolving it quickly is highly important. However, anomalous VMM detection is a challenge in the cloud environment since the user does not have access to the VMM. This paper addresses this challenge of anomalous VMM detection in the cloud-based environment without having any knowledge or data from VMM by introducing a novel machine learning-based algorithm called IAD: Indirect Anomalous VMMs Detection. This algorithm solely uses the VM's resources utilization data hosted on those VMMs for the anomalous VMMs detection. The developed algorithm's accuracy was tested on four datasets comprising the synthetic and real and compared against four other popular algorithms, which can also be used to the described problem. It was found that the proposed IAD algorithm has an average F1-score of 83.7% averaged across four datasets, and also outperforms other algorithms by an average F1-score of 11\%.
• Abstract（参考訳）: ハイパーバイザや仮想マシンモニタ(vmm)を使用した仮想マシン(vms)形式のサーバ仮想化は、iaas(infrastructure-as-a-service)を提供するクラウドコンピューティング技術の重要な部分である。 VMMの障害や異常は、ホストされているVMに伝播し、最終的にそれらのVM上で動作するアプリケーションの可用性と信頼性に影響を与える。 したがって、素早く識別し、最終的に解決することは非常に重要である。 しかし、ユーザがVMMにアクセスできないため、クラウド環境では異常なVMM検出が難しい。 IAD: Indirect Anomalous VMMs Detectionと呼ばれる新しい機械学習ベースのアルゴリズムを導入することにより、VMMからの知識やデータを持たないクラウド環境における異常VMM検出の課題に対処する。 このアルゴリズムは、異常なVMMの検出のために、それらのVMMにホストされたVMのリソース利用データのみを使用する。 開発したアルゴリズムの精度は、合成および実データからなる4つのデータセットで検証され、他の4つの一般的なアルゴリズムと比較された。 提案したIADアルゴリズムは4つのデータセットで平均83.7%のF1スコアを持ち、F1スコアの平均11.%で他のアルゴリズムを上回っている。

関連論文リスト

• The VampPrior Mixture Model [1.9943074894669663]
  深層潜伏変数モデル(DLVM)のクラスタ化には、a-prioriのクラスタ数を定義する必要がある。 We adapt the VampPrior process into a Dirichlet Mixture Model, result to the VampPrior Mixture Model (VMM, a novel for DLVMs。 本稿では,変分推論と経験的ベイズを交互に交互に交互に行う推論手法を提案する。
  論文  参考訳（メタデータ） (2024-02-06T21:18:34Z)
• A Multi-faceted Analysis of the Performance Variability of Virtual Machines [0.3481985817302898]
  クラウドプラットフォームは、パフォーマンスのばらつきに影響されていることが知られているが、より深く理解する必要がある。 本稿では,クラウドプラットフォームの性能変動に関する詳細な多面的研究を紹介する。 私たちの知る限りでは、これはこのトピックで実施された最も広い分析です。
  論文  参考訳（メタデータ） (2023-09-21T10:25:14Z)
• Towards Semi-Markov Model-based Dependability Evaluation of VM-based Multi-Domain Service Function Chain [7.6282125501138]
  サービス機能(SF)は、複数のドメインにわたる仮想マシン(VM)にデプロイされ、エンドツーエンドのネットワークサービス提供のためのサービス機能チェーン(MSFC)を形成することができる。 しかし、VMベースのMSFCのソフトウェアコンポーネントは、長期間の運用の後、ソフトウェア老化の問題に遭遇しなければならない。 本稿では,VM ベースの MSFC 上でのソフトウェア老化のダメージを軽減するために,積極的に回復する手法の有効性を定量的に検討する。
  論文  参考訳（メタデータ） (2023-08-24T12:51:45Z)
• IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing [88.35145788575348]
  画像異常検出(英: Image Anomaly Detection、IAD)は、産業用コンピュータビジョンの課題である。 統一IMベンチマークの欠如は、現実世界のアプリケーションにおけるIADメソッドの開発と利用を妨げる。 7つの主要なデータセットに19のアルゴリズムを含む包括的画像異常検出ベンチマーク(IM-IAD)を構築した。
  論文  参考訳（メタデータ） (2023-01-31T01:24:45Z)
• Beyond ADMM: A Unified Client-variance-reduced Adaptive Federated Learning Framework [82.36466358313025]
  我々はFedVRAと呼ばれる原始二重FLアルゴリズムを提案し、このアルゴリズムはグローバルモデルの分散還元レベルとバイアスを適応的に制御することができる。 半教師付き画像分類タスクに基づく実験は,既存の手法よりもFedVRAの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-03T03:27:51Z)
• Combination of Convolutional Neural Network and Gated Recurrent Unit for Energy Aware Resource Allocation [0.0]
  クラウドコンピューティングサービスモデルは、急速に成長し、非効率なリソース使用は、クラウドデータセンターにおける高エネルギー消費の最大の原因の1つです。 仮想マシン(VM)のライブマイグレーションと,少数の物理マシン(PM)への統合により,エネルギー消費削減を目的としたクラウドデータセンターの資源配分を行った。 この問題を解決するために、ユーザリクエストのパターンに従って、レイテンシに対するセンシティブなクラスや非センシティブなクラスに分類することが可能で、その後、マイグレーション用に適切なVMを選択することができる。
  論文  参考訳（メタデータ） (2021-06-23T05:57:51Z)
• Feeling of Presence Maximization: mmWave-Enabled Virtual Reality Meets Deep Reinforcement Learning [76.46530937296066]
  本稿では,無線モバイルユーザに対して,超信頼性でエネルギー効率のよいバーチャルリアリティ(VR)体験を提供するという課題について検討する。 モバイルユーザへの信頼性の高い超高精細ビデオフレーム配信を実現するために,コーディネートマルチポイント(CoMP)伝送技術とミリ波(mmWave)通信を利用する。
  論文  参考訳（メタデータ） (2021-06-03T08:35:10Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)
• Identity-Aware Attribute Recognition via Real-Time Distributed Inference in Mobile Edge Clouds [53.07042574352251]
  我々は、MEC対応カメラ監視システムにおいて、re-IDを用いた歩行者属性認識のための新しいモデルの設計を行う。 本稿では,属性認識と人物再IDを協調的に考慮し,分散モジュールの集合を持つ新しい推論フレームワークを提案する。 そこで我々は,提案した分散推論フレームワークのモジュール分布の学習に基づくアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2020-08-12T12:03:27Z)
• Multi-factorial Optimization for Large-scale Virtual Machine Placement in Cloud Computing [15.840835256016259]
  進化的アルゴリズム(EA)は、過去に仮想マシン配置(VMP)問題に対して有望な解決がなされてきた。 クラウドサービスの需要が増大するにつれて、既存のEAは大規模な仮想マシン配置問題で実装することができない。 異種環境におけるLVMP問題にMFO技術を適用することを目的としている。
  論文  参考訳（メタデータ） (2020-01-18T02:59:18Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。