論文の概要: Federated Anomaly Detection for Multi-Tenant Cloud Platforms with Personalized Modeling

• arxiv url: http://arxiv.org/abs/2508.10255v1
• Date: Thu, 14 Aug 2025 00:46:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.14499
• Title: Federated Anomaly Detection for Multi-Tenant Cloud Platforms with Personalized Modeling
• Title（参考訳）: パーソナライズドモデリングによるマルチテナントクラウドプラットフォームのフェデレーション異常検出
• Authors: Yuxi Wang, Heyao Liu, Nyutian Long, Guanzi Yao,
• Abstract要約: 本稿では,マルチテナントクラウド環境における重要な課題に対処するために,フェデレーション学習に基づく異常検出手法を提案する。 グローバルモデルは最適化されており、データのプライバシを保持しながら、テナント間の協調的異常検出を可能にする。 実験では、クラウドプラットフォームからの実際のテレメトリデータを使用して、シミュレーションされたマルチテナント環境を構築する。
• 参考スコア（独自算出の注目度）: 6.028943403943345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes an anomaly detection method based on federated learning to address key challenges in multi-tenant cloud environments, including data privacy leakage, heterogeneous resource behavior, and the limitations of centralized modeling. The method establishes a federated training framework involving multiple tenants. Each tenant trains the model locally using private resource usage data. Through parameter aggregation, a global model is optimized, enabling cross-tenant collaborative anomaly detection while preserving data privacy. To improve adaptability to diverse resource usage patterns, a personalized parameter adjustment mechanism is introduced. This allows the model to retain tenant-specific feature representations while sharing global knowledge. In the model output stage, the Mahalanobis distance is used to compute anomaly scores. This enhances both the accuracy and stability of anomaly detection. The experiments use real telemetry data from a cloud platform to construct a simulated multi-tenant environment. The study evaluates the model's performance under varying participation rates and noise injection levels. These comparisons demonstrate the proposed method's robustness and detection accuracy. Experimental results show that the proposed method outperforms existing mainstream models across key metrics such as Precision, Recall, and F1-Score. It also maintains stable performance in various complex scenarios. These findings highlight the method's practical potential for intelligent resource monitoring and anomaly diagnosis in cloud computing environments.
• Abstract（参考訳）: 本稿では,データプライバシの漏洩,異種資源の挙動,集中型モデリングの限界など,マルチテナントクラウド環境における重要な課題に対処するために,フェデレート学習に基づく異常検出手法を提案する。 この方法は、複数のテナントを含む連合的なトレーニングフレームワークを確立する。 各テナントは、プライベートリソース使用データを使用してモデルをローカルにトレーニングする。 パラメータアグリゲーションにより、グローバルモデルが最適化され、データのプライバシを保持しながら、テナント間の協調的な異常検出が可能になる。 多様な資源利用パターンへの適応性を改善するために、パーソナライズされたパラメータ調整機構を導入する。 これにより、グローバルな知識を共有しながらテナント固有の特徴表現を保持することができる。 モデル出力段階では、マハラノビス距離を用いて異常スコアを計算する。 これにより、異常検出の精度と安定性が向上する。 実験では、クラウドプラットフォームからの実際のテレメトリデータを使用して、シミュレーションされたマルチテナント環境を構築する。 本研究は, 各種参加率およびノイズ注入レベルにおいて, モデルの性能を評価する。 これらの比較は,提案手法のロバスト性および検出精度を示す。 実験結果から,提案手法は,精度,リコール,F1スコアといった主要な指標において,既存の主流モデルよりも優れていることがわかった。 また、様々な複雑なシナリオで安定したパフォーマンスを維持する。 これらの知見は、クラウドコンピューティング環境におけるインテリジェントなリソースモニタリングと異常診断の実践的可能性を強調している。

関連論文リスト

• Behavioral Anomaly Detection in Distributed Systems via Federated Contrastive Learning [0.8906214436849201]
  目標は、データプライバシ、ノードの不均一性、異常パターン認識という観点で、従来の集中型アプローチの制限を克服することにある。 提案手法は,フェデレート学習の分散協調モデリング機能と,コントラスト学習の特徴識別強化を併用する。 ローカルノードに埋め込み表現を構築し、正と負のサンプルペアを構築して、より差別的な特徴空間を学ぶモデルを導く。
  論文  参考訳（メタデータ） (2025-06-24T02:04:44Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• It's All in the Mix: Wasserstein Classification and Regression with Mixed Features [5.106912532044251]
  我々は、離散的特徴の存在を忠実に説明できる分布的に堅牢な予測モデルを開発し、分析する。 我々のモデルは、離散的特徴の存在に非依存な既存手法を著しく上回り得ることを実証する。
  論文  参考訳（メタデータ） (2023-12-19T15:15:52Z)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)

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。