基于变分自编码器的可扩展微服务取证与稳定性评估
密码学与安全
2021-04-28 v1 机器学习
摘要
我们提出了一种基于深度学习的方法来进行分析容器化应用的运行时稳定性,并提出了一种智能发布算法,可动态调整发布到后端事件分析存储库的进程级取证数据深度。该方法应用变分自编码器(VAEs)来学习容器镜像的稳定运行时模式,然后实例化这些特定于容器的 VAE 以实现稳定性检测和自适应取证发布。在使用 50 个实例的容器工作负载进行的性能比较中,VAE 优化的服务相对于传统的基于 eBPF 的取证发布器,展现出 2 个数量级(OM)的 CPU 性能提升、3 个 OM 的网络传输量减少,以及 4 个 OM 的 Elasticsearch 存储成本降低。我们针对两种攻击(CPUMiner 和 HTTP-flood 攻击)评估了基于 VAE 的稳定性检测技术,发现它能有效隔离这两种异常。我们相信该技术为将细粒度进程监控和数字取证服务集成到当今传统技术根本无法监控的大型容器生态系统中提供了一种新颖方法。
引用
@article{arxiv.2104.13193,
title = {Scalable Microservice Forensics and Stability Assessment Using Variational Autoencoders},
author = {Prakhar Sharma and Phillip Porras and Steven Cheung and James Carpenter and Vinod Yegneswaran},
journal= {arXiv preprint arXiv:2104.13193},
year = {2021}
}
备注
4 pages, appendix, references