面向多集群云环境的联邦eBPF监控用于分布式异常检测
分布式、并行与集群计算
2025-10-14 v1
摘要
Kubernetes多集群部署需要可扩展且隐私保护的异常检测。现有的eBPF-based监控器提供低开销的系统和网络可见性，但仅限于单个集群，而集中方法则面临带宽、隐私和异构性挑战。我们提出FedMon，一个将内核级遥测与联邦学习（FL）结合的联邦eBPF框架，用于跨集群异常检测。轻量级eBPF代理捕获系统调用和网络事件，提取局部统计和序列特征，仅与全局服务器共享模型更新。一个结合变分自编码器（VAE）和孤立森林的混合检测引擎实现了时序模式建模和离群点检测。在三个Kubernetes集群上部署的FedMon实现了94%的精确率、91%的召回率和0.92的F1分数，同时将带宽使用相对于集中基线降低了60%。结果表明，FedMon在准确性、可扩展性和隐私性方面均取得改进，为大规模、多租户云原生环境提供了有效的防御。
引用
@article{arxiv.2510.10126,
title = {FedMon: Federated eBPF Monitoring for Distributed Anomaly Detection in Multi-Cluster Cloud Environments},
author = {Sehar Zehra and Hassan Jamil Syed and Ummay Faseeha},
journal= {arXiv preprint arXiv:2510.10126},
year = {2025}
}
备注
7 pages , 6 figures , 1 table and it is a conference paper