项目名称: 云计算服务异常检测关键技术研究

项目编号: No.61272399

项目类型: 面上项目

立项/批准年度: 2013

项目学科: 自动化技术、计算机技术

项目作者: 陈蜀宇

作者单位: 重庆大学

项目金额: 81万元

中文摘要: 由于云计算的按需分配使用资源、弹性扩展、面向服务、高性价比等特点,成为新型网络化计算模式且发展迅猛。但目前已投入使用的知名云计算系统时有故障产生,影响了服务质量,降低了服务的可信性和安全性,也阻碍了云计算的发展。面向云计算的异常监控是解决该问题的重要手段,但相关研究相对滞后。异常监控的重要基础是异常检测,本项目将研究异常检测的关键问题,抽取通用网络系统与云计算服务主体的特征,比较其相关性及差异,研究可审计和可追溯的云计算服务状态快照生成及存储方法;针对云计算服务多样性、涌现性等特点,结合准确性、实时性和可生长性等检测指标,引入改进的多核支持向量机等检测方法,研究自适应检测策略;面向云计算用户设计粒度可适配的服务状态展示方法。最后产生完整的面向云计算服务异常检测的理论和方法体系,研制与云计算服务低耦合的异常检测系统,在云计算试验床上测试,然后在实际重庆医疗卫生服务云上验证。

中文关键词: 云计算平台;异常检测;服务质量;状态快照;原型系统

英文摘要: Cloud Computing (CC) has become one of the newest network computing services, as CC can offer on-demand allocating resources, and it provides services with characterists of resilient expansion, service-oriented, high cost performance, and so on. But the quality of service (QoS) of CC services are reduced by the frequent outbreaks of online CC failures, and these failures also reduce the dependability and security and block the promotion processes of CC. Anomaly Monitoring is an important means to deal with this problem, but related researches are lagging behind. And Anomaly Detection is the most important fundamental component for Anomaly Monitoring. This project intends to research and explore in-depth several key technologies in this area. It starts from summarizing and analyzing the runtime features of general and dedicated CC services. Then a suite of State Snapshot (SS) processing functions including generation, pre-processing, dissemination, storage and detection will be set up, and these functions would support further researches on auditability and traceability in security area. Focused on the characteristics of diversity and emergence of CC services, combined with the detection indices such as accuracy, real-time, self-development and so on, an improved Multi-Kernel Support Vector Machine (MKSVM) and o

英文关键词: cloud computing platform;anomaly detection;the quality of service;state snapshot;prototype system

成为VIP会员查看完整内容
1

相关内容

在数据挖掘中,异常检测(英语:anomaly detection)对不符合预期模式或数据集中其他项目的项目、事件或观测值的识别。通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。异常也被称为离群值、新奇、噪声、偏差和例外。 特别是在检测滥用与网络入侵时,有趣性对象往往不是罕见对象,但却是超出预料的突发活动。这种模式不遵循通常统计定义中把异常点看作是罕见对象,于是许多异常检测方法(特别是无监督的方法)将对此类数据失效,除非进行了合适的聚集。相反,聚类分析算法可能可以检测出这些模式形成的微聚类。 有三大类异常检测方法。[1] 在假设数据集中大多数实例都是正常的前提下,无监督异常检测方法能通过寻找与其他数据最不匹配的实例来检测出未标记测试数据的异常。监督式异常检测方法需要一个已经被标记“正常”与“异常”的数据集,并涉及到训练分类器(与许多其他的统计分类问题的关键区别是异常检测的内在不均衡性)。半监督式异常检测方法根据一个给定的正常训练数据集创建一个表示正常行为的模型,然后检测由学习模型生成的测试实例的可能性。
《信息安全技术 云计算服务安全指南》国家标准意见稿
专知会员服务
31+阅读 · 2022年4月14日
军事知识图谱构建技术
专知会员服务
125+阅读 · 2022年4月8日
视频隐私保护技术综述
专知会员服务
34+阅读 · 2022年1月19日
专知会员服务
38+阅读 · 2021年9月28日
专知会员服务
35+阅读 · 2021年3月21日
专知会员服务
108+阅读 · 2020年10月27日
大数据安全技术研究进展
专知会员服务
92+阅读 · 2020年5月2日
一文看懂业界在离线混部技术
InfoQ
0+阅读 · 2022年1月18日
【速览】ICCV 2021丨Oriented R-CNN:有向目标检测
中国图象图形学学会CSIG
0+阅读 · 2021年8月25日
目标检测技术之Faster R-CNN详解
论智
13+阅读 · 2018年1月25日
无监督学习:决策树AI异常检测
AI前线
15+阅读 · 2018年1月14日
已删除
将门创投
12+阅读 · 2017年10月13日
国家自然科学基金
6+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月17日
小贴士
相关VIP内容
《信息安全技术 云计算服务安全指南》国家标准意见稿
专知会员服务
31+阅读 · 2022年4月14日
军事知识图谱构建技术
专知会员服务
125+阅读 · 2022年4月8日
视频隐私保护技术综述
专知会员服务
34+阅读 · 2022年1月19日
专知会员服务
38+阅读 · 2021年9月28日
专知会员服务
35+阅读 · 2021年3月21日
专知会员服务
108+阅读 · 2020年10月27日
大数据安全技术研究进展
专知会员服务
92+阅读 · 2020年5月2日
相关资讯
一文看懂业界在离线混部技术
InfoQ
0+阅读 · 2022年1月18日
【速览】ICCV 2021丨Oriented R-CNN:有向目标检测
中国图象图形学学会CSIG
0+阅读 · 2021年8月25日
目标检测技术之Faster R-CNN详解
论智
13+阅读 · 2018年1月25日
无监督学习:决策树AI异常检测
AI前线
15+阅读 · 2018年1月14日
已删除
将门创投
12+阅读 · 2017年10月13日
相关基金
国家自然科学基金
6+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员