論文の概要: Enhancing Workflow Security in Multi-Cloud Environments through
Monitoring and Adaptation upon Cloud Service and Network Security Violations
- arxiv url: http://arxiv.org/abs/2310.01878v1
- Date: Tue, 3 Oct 2023 08:33:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 05:05:19.229444
- Title: Enhancing Workflow Security in Multi-Cloud Environments through
Monitoring and Adaptation upon Cloud Service and Network Security Violations
- Title(参考訳): クラウドサービスとネットワークセキュリティ違反の監視と適応によるマルチクラウド環境におけるワークフローセキュリティの強化
- Authors: Nafiseh Soveizi and Dimka Karastoyanova
- Abstract要約: ワークフロー実行中のセキュリティ違反を検出するために,クラウドサービスやネットワークの監視に重点を置くアプローチを提案する。
提案手法は,検出手順の性能と,選択した適応がワークフローに与える影響に基づいて評価する。
- 参考スコア(独自算出の注目度): 2.5835347022640254
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cloud computing has emerged as a crucial solution for handling data- and
compute-intensive workflows, offering scalability to address dynamic demands.
However, ensuring the secure execution of workflows in the untrusted
multi-cloud environment poses significant challenges, given the sensitive
nature of the involved data and tasks. The lack of comprehensive approaches for
detecting attacks during workflow execution, coupled with inadequate measures
for reacting to security and privacy breaches has been identified in the
literature. To close this gap, in this work, we propose an approach that
focuses on monitoring cloud services and networks to detect security violations
during workflow executions. Upon detection, our approach selects the optimal
adaptation action to minimize the impact on the workflow. To mitigate the
uncertain cost associated with such adaptations and their potential impact on
other tasks in the workflow, we employ adaptive learning to determine the most
suitable adaptation action. Our approach is evaluated based on the performance
of the detection procedure and the impact of the selected adaptations on the
workflows.
- Abstract(参考訳): クラウドコンピューティングは、データと計算集約的なワークフローを扱う上で重要なソリューションとして登場し、動的要求に対処するためのスケーラビリティを提供する。
しかしながら、信頼できないマルチクラウド環境におけるワークフローのセキュアな実行を保証することは、関連するデータやタスクの機密性を考えると、大きな課題となる。
ワークフロー実行中の攻撃を検出するための包括的なアプローチの欠如と、セキュリティやプライバシ侵害への対処方法の不十分さが文献で確認されている。
このギャップを埋めるため,本研究では,ワークフロー実行中のセキュリティ違反を検出するクラウドサービスやネットワークの監視に重点を置くアプローチを提案する。
検出時にワークフローへの影響を最小限に抑えるために最適な適応動作を選択する。
このような適応に伴う不確実なコストとワークフロー内の他のタスクに対する潜在的な影響を軽減するため、適応学習を用いて最も適切な適応行動を決定する。
提案手法は,検出手順の性能と,選択した適応がワークフローに与える影響に基づいて評価する。
関連論文リスト
- Beyond Any-Shot Adaptation: Predicting Optimization Outcome for Robustness Gains without Extra Pay [46.92143725900031]
本稿では,モデル予測タスクサンプリング(MPTS)を提案し,タスク空間と適応リスクランドスケープの関連性を確立する。
MPTSは、タスクエピソード情報を生成モデルで特徴付け、後部推論からタスク固有の適応リスク値を直接予測する。
MPTSはゼロショット、少数ショット、多ショット学習パラダイムにシームレスに統合できる。
論文 参考訳(メタデータ) (2025-01-19T13:14:53Z) - Flow: A Modular Approach to Automated Agentic Workflow Generation [53.073598156915615]
大規模言語モデル(LLM)を利用したマルチエージェントフレームワークは、自動計画とタスク実行において大きな成功を収めている。
しかし,実行中のエージェントの効果的な調整は十分に研究されていない。
論文 参考訳(メタデータ) (2025-01-14T04:35:37Z) - Reinforcement Learning-Driven Adaptation Chains: A Robust Framework for Multi-Cloud Workflow Security [2.186901738997927]
クラウドコンピューティングは、データ集約型および計算集約型タスクを管理するための重要なソリューションとして登場した。
文学における大きなギャップの1つは、セキュリティ違反に対処するための堅牢で柔軟な手段の欠如である。
本稿では,Reinforcement Learning (RL) を利用して適応連鎖を定式化し,セキュリティ違反に効果的に対応する革新的なアプローチを提案する。
論文 参考訳(メタデータ) (2025-01-10T19:04:55Z) - Mimicking User Data: On Mitigating Fine-Tuning Risks in Closed Large Language Models [53.50543146583101]
小さなデータセット上の微調整された大きな言語モデルは、特定の下流タスクのパフォーマンスを向上させることができる。
悪意のあるアクターは、ほぼすべてのタスク固有のデータセットの構造を微妙に操作することで、より危険なモデル行動を促進することができる。
本稿では,タスク形式を模倣した安全データとユーザデータのスタイルを混合した新しい緩和戦略を提案する。
論文 参考訳(メタデータ) (2024-06-12T18:33:11Z) - SecFlow: Adaptive Security-Aware Workflow Management System in
Multi-Cloud Environments [2.12121796606941]
We propose a architecture for a security-aware workflow management system (WfMS)。
SecFlowは、セキュアなモデル構築、セキュリティ対応サービス選択、セキュリティ違反検出、適応応答機構などの重要な機能コンポーネントを統合している。
論文 参考訳(メタデータ) (2023-07-11T09:27:07Z) - Adaptive Real Time Exploration and Optimization for Safety-Critical
Systems [0.0]
安全制約を考慮したプログラミング問題として,マルチアームバンディットを用いたARTEOアルゴリズムを提案する。
最適化入力の変化と探索を通して環境特性を学習する。
既存のセーフラーニング手法と比較して、我々のアルゴリズムは排他的な探索フェーズを必要とせず、探索点においても最適化目標に従う。
論文 参考訳(メタデータ) (2022-11-10T11:37:22Z) - Networked Online Learning for Control of Safety-Critical
Resource-Constrained Systems based on Gaussian Processes [9.544146562919792]
本稿では,ガウス過程の回帰に基づく新しいネットワーク型オンライン学習手法を提案する。
本稿では,送信チャネルの帯域制限と時間遅延を考慮した,ローカルシステムとクラウド間の効率的なデータ伝送方式を提案する。
論文 参考訳(メタデータ) (2022-02-23T13:12:12Z) - Benchmarking Safe Deep Reinforcement Learning in Aquatic Navigation [78.17108227614928]
本研究では,水文ナビゲーションに着目した安全強化学習のためのベンチマーク環境を提案する。
価値に基づく政策段階の深層強化学習(DRL)について考察する。
また,学習したモデルの振る舞いを所望の特性の集合上で検証する検証戦略を提案する。
論文 参考訳(メタデータ) (2021-12-16T16:53:56Z) - Lifelong Unsupervised Domain Adaptive Person Re-identification with
Coordinated Anti-forgetting and Adaptation [127.6168183074427]
本稿では,LUDA (Lifelong Unsupervised Domain Adaptive) という新たなタスクを提案する。
これは、モデルがターゲット環境のラベル付けされていないデータに継続的に適応する必要があるため、難しい。
我々は、CLUDA-ReIDと呼ばれるこのタスクのための効果的なスキームを設計し、そこでは、アンチフォージェッティングが適応と調和して調整される。
論文 参考訳(メタデータ) (2021-12-13T13:19:45Z) - One Solution is Not All You Need: Few-Shot Extrapolation via Structured
MaxEnt RL [142.36621929739707]
課題を達成するために多様な行動を学ぶことは、様々な環境に一般化する行動を引き起こす可能性があることを示す。
トレーニング中の1つの環境でタスクの複数のソリューションを識別することにより、我々のアプローチは新たな状況に一般化できる。
論文 参考訳(メタデータ) (2020-10-27T17:41:57Z)
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。