論文の概要: Learning State Machines to Monitor and Detect Anomalies on a Kubernetes Cluster

• arxiv url: http://arxiv.org/abs/2207.12087v1
• Date: Tue, 28 Jun 2022 11:12:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-31 14:47:05.019130
• Title: Learning State Machines to Monitor and Detect Anomalies on a Kubernetes Cluster
• Title（参考訳）: kubernetesクラスタ上の異常を監視,検出する状態マシンの学習
• Authors: Clinton Cao, Agathe Blaise, Sicco Verwer, Filippo Rebecchi
• Abstract要約: クラウド環境のランタイム動作をモデル化するために,状態マシンモデルを学ぶアプローチを提案する。 ステートマシンモデルは、クラウド環境で起動するさまざまなタイプの攻撃を検出するために使用されます。
• 参考スコア（独自算出の注目度）: 7.962140902232626
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: These days more companies are shifting towards using cloud environments to provide their services to their client. While it is easy to set up a cloud environment, it is equally important to monitor the system's runtime behaviour and identify anomalous behaviours that occur during its operation. In recent years, the utilisation of \ac{rnn} and \ac{dnn} to detect anomalies that might occur during runtime has been a trending approach. However, it is unclear how to explain the decisions made by these networks and how these networks should be interpreted to understand the runtime behaviour that they model. On the contrary, state machine models provide an easier manner to interpret and understand the behaviour that they model. In this work, we propose an approach that learns state machine models to model the runtime behaviour of a cloud environment that runs multiple microservice applications. To the best of our knowledge, this is the first work that tries to apply state machine models to microservice architectures. The state machine model is used to detect the different types of attacks that we launch on the cloud environment. From our experiment results, our approach can detect the attacks very well, achieving a balanced accuracy of 99.2% and an F1 score of 0.982.
• Abstract（参考訳）: 最近では、クラウド環境を利用してクライアントにサービスを提供する企業が増えている。 クラウド環境のセットアップは簡単だが、システムの実行時の動作を監視し、運用中に発生する異常な動作を特定することは同様に重要である。 近年では、実行中に発生する可能性のある異常を検出するために \ac{rnn} と \ac{dnn} の利用がトレンドとなっている。 しかし、これらのネットワークによる決定と、それらのネットワークがモデル化する実行時の振る舞いを理解するためにどのように解釈されるべきなのかは、明らかになっていない。 それとは対照的に、ステートマシンモデルは、モデルする振る舞いを解釈し理解するための簡単な方法を提供する。 本稿では,複数のマイクロサービスアプリケーションを実行するクラウド環境のランタイム動作をモデル化するために,ステートマシンモデルを学習する手法を提案する。 私たちの知る限りでは、ステートマシンモデルをマイクロサービスアーキテクチャに適用しようとする最初の作業です。 ステートマシンモデルは、クラウド環境で起動するさまざまなタイプの攻撃を検出するために使用されます。 実験結果から,攻撃の精度は99.2%,F1スコアは0.982。

関連論文リスト

• Alioth: A Machine Learning Based Interference-Aware Performance Monitor for Multi-Tenancy Applications in Public Cloud [15.942285615596566]
  パブリッククラウドにおけるマルチテナントは、共有リソースのコロケーション干渉を引き起こす可能性がある。 クラウドアプリケーションの性能劣化をモニタリングする新しい機械学習フレームワークAliothを提案する。 Aliothの平均絶対誤差は5.29%のオフライン、10.8%である。
  論文  参考訳（メタデータ） (2023-07-18T03:34:33Z)
• Federated Privacy-preserving Collaborative Filtering for On-Device Next App Prediction [52.16923290335873]
  本稿では,モバイルデバイス使用時の次のアプリの起動を予測するための新しいSeqMFモデルを提案する。 古典行列分解モデルの構造を修正し、学習手順を逐次学習に更新する。 提案手法のもうひとつの要素は,ユーザからリモートサーバへの送信データの保護を保証する,新たなプライバシメカニズムである。
  論文  参考訳（メタデータ） (2023-02-05T10:29:57Z)
• Are All Vision Models Created Equal? A Study of the Open-Loop to Closed-Loop Causality Gap [109.46323960299146]
  オープンループからクローズループ因果性ギャップに関する視覚アーキテクチャについて検討する。 適切なトレーニングガイドラインの下では、すべての視覚モデルが分散配置において不明瞭によく機能することを示す。 その結果,現代のネットワークアーキテクチャを用いたトレーニングガイドラインの提案により,因果関係のギャップを解消できることが示唆された。
  論文  参考訳（メタデータ） (2022-10-09T16:56:45Z)
• MetaNetwork: A Task-agnostic Network Parameters Generation Framework for Improving Device Model Generalization [65.02542875281233]
  そこで本研究では,デバイス上でのトレーニングを伴わずに,クラウドから適応的なデバイスモデルパラメータを生成するための,MetaNetworkという新しいタスク非依存フレームワークを提案する。 MetaGeneratorは、サンプルからモデルパラメータへのマッピング関数を学習するために設計されており、デバイスからクラウドにアップロードされたサンプルに基づいて、適応パラメータをデバイスに生成および配信することができる。 MetaStabilizerは、MetaGeneratorの振動を減らし、収束を加速し、トレーニングと推論の両方でモデルパフォーマンスを改善することを目的としている。
  論文  参考訳（メタデータ） (2022-09-12T13:26:26Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• An Efficient Domain-Incremental Learning Approach to Drive in All Weather Conditions [8.436505917796174]
  ディープニューラルネットワークは、自律運転のための印象的な視覚知覚性能を実現する。 彼らは、異なる気象条件に適応する際に、以前に学んだ情報を忘れがちである。 DISC -- 統計的補正によるドメインインクリメンタル - 新しいタスクを漸進的に学習できるシンプルなゼロフォゲッティングアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-19T11:39:20Z)
• Learning to track environment state via predictive autoencoding [0.0]
  この研究は、環境の前方モデルを学ぶためのニューラルネットワークを導入している。 この課題は、画像の形で時間的非構造的な観察から学ぶことによってのみ達成される。 ネットワークは、将来の観測と、信念分布からのサンプルの両方を出力することができる。
  論文  参考訳（メタデータ） (2021-12-14T21:07:21Z)
• Scanflow: A multi-graph framework for Machine Learning workflow management, supervision, and debugging [0.0]
  本稿では,エンドツーエンドの機械学習ワークフロー管理を支援するコンテナ化指向グラフフレームワークを提案する。 このフレームワークは、コンテナ内でMLを定義してデプロイし、メタデータを追跡し、本番環境での振る舞いを確認し、学習された知識と人為的な知識を使用してモデルを改善する。
  論文  参考訳（メタデータ） (2021-11-04T17:01:12Z)
• Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
  現在の運用環境に固有ののは、敵対的機械学習の実践である。 本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。 我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
  論文  参考訳（メタデータ） (2021-05-14T10:05:10Z)
• Superiority of Simplicity: A Lightweight Model for Network Device Workload Prediction [58.98112070128482]
  本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。 ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。 利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
  論文  参考訳（メタデータ） (2020-07-07T15:44:16Z)

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。