Ανίχνευση ανωμαλιών σε cloud υποδομές με χρήση τεχνικών μηχανικής μάθησης
Διπλωματική Εργασία
| Επιβλέπων | Εμμανουήλ Βαρβαρίγος |
|---|---|
| Συσχετιζόμενο μάθημα | Δίκτυα Επικοινωνιών |
Περιγραφή
Keywords: Anomaly detection, Machine Learning, cloud infrastructures
Η αλματώδης εξέλιξη των δικτύων επικοινωνιών και των ταχυτήτων που αυτά προσφέρουν έχουν καταστήσει πολύ δημοφιλείς τις υπηρεσίες που προσφέρονται στο cloud
(υπολογιστικό νέφος). Έτσι η αδιάληπτη παροχή υπηρεσιών είναι πολύ σημαντική, αφού ακόμα και μία μικρή σχετικά χρονικά διακοπή μπορεί να προκαλέσει σημαντικά προβλήματα σε έναν πολύ μεγάλο αριθμό χρηστών. Για αυτό το λόγο η ανίχνευση ανωμαλιών στις cloud υποδομές είναι ένα πολύ ενεργό ερευνητικό πεδίο. Με την εξέλιξη των αλγορίθμων μηχανικής μάθησης, έχουν εμφανιστεί αρκετοί αλγόριθμοι οι οποίοι μπορούν να προσφέρουν γρήγορη επεξεργασία των διαθέσιμων δεδομένων.
Στόχος αυτής της διπλωματικής είναι αρχικά να μελετηθούν οι διαφορετικοί τύποι ανωμαλιών που μπορεί να εμφανιστούν στο cloud. Ακολούθως θα ερευνηθούν οι διάφοροι
αλγόριθμοι μηχανικής μάθησης που υπάρχουν και ποιοι από αυτούς μπορούν να χρησιμοποιηθουν για την ανίχνευση ανωμαλιών. Τέλος θα γίνει αξιολόγηση της απόδοσης
των αλγορίθμων σε πραγματικά δεδομένα δικτύου.
Επιθυμητές Γνώσεις: Δίκτυα επικοινωνιών, Python, Μηχανική μάθηση
Σχετική βιβλιογραφία
- T. Hagemann, K. Katsarou, “A Systematic Review on Anomaly Detection for Cloud Computing Environments,” 3rd Artificial Intelligence and Cloud Computing Conference, 2020.
- M. Rabbani, Y. Li Wang, R. Khoshkangini, H. Jelodar, R. Zhao, P. Hu, “A hybrid machine learning approach for malicious behaviour detection and recognition in cloud computing,” Journal of Network and Computer Applications, Volume 151, 2020.
- Chkirbene, A. Erbad, R. Hamila, A. Gouissem, A. Mohamed, M. Hamdi, “Machine Learning Based Cloud Computing Anomalies Detection,” IEEE Network, Volume 34, Issue 6, 2020.