面向多租户云平台的联邦异常检测：基于个人化建模
机器学习
2025-08-15 v1
摘要
本文提出一种基于联邦学习的异常检测方法，以解决多租户云环境中的数据隐私泄露、异构资源行为以及集中建模局限性等关键挑战。该方法建立了一个涉及多个租户的联邦训练框架。每个租户使用私有资源使用数据进行本地模型训练。通过参数聚合，优化全局模型，实现跨租户协作式异常检测，同时保持数据隐私。为提高对不同资源使用模式的适应性，本文引入了个人化参数调整机制。该机制允许模型在保持全球知识的同时保留租户特定的特征表示。在模型输出阶段，使用马氏距离计算异常得分。这增强了异常检测的准确性和稳定性。实验使用来自云平台的真实遥测数据构建了模拟的多租户环境。该研究在不同的参与率和噪声注入水平下评估了模型性能。这些比较表明，所提方法在鲁棒性和检测准确性方面具有优势。实验结果显示，所提方法在精度、召回率和 F1 值等关键指标上均优于现有主流模型，同时在各种复杂情景下保持稳定性能。这些发现凸显了该方法在云计算环境中智能资源监控和异常诊断方面的实际潜力。
引用
@article{arxiv.2508.10255,
title = {Federated Anomaly Detection for Multi-Tenant Cloud Platforms with Personalized Modeling},
author = {Yuxi Wang and Heyao Liu and Nyutian Long and Guanzi Yao},
journal= {arXiv preprint arXiv:2508.10255},
year = {2025}
}