.png){kind=icon}
返回
Anomaly Detection in Cloud Computing Workloads Based on Resource Usage
.png){kind=icon}
PRE
AI
DOI：10.1007/s10922-025-09967-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
云计算服务面临日益增长的安全威胁，这是一个具有挑战性的问题。现有的异常检测方法在处理多指标关联和缺失数据方面存在困难。为解决这些挑战，本文提出了一种名为Pattern-AD的新型异常检测方法，该方法将攻击建模为对系统正常状态的异常。与传统的检测方法不同，Pattern-AD采用Apriori数据挖掘算法提取频繁模式，能够灵活适应不同长度的模式。在GWA-T-12数据集（包含1750台虚拟机）上的评估结果表明，所提出的Pattern-AD方法实现了99.98%的准确率，其性能优于KNN和Isolation Forest至少49%，且事件处理延迟为1.5秒。更重要的是，即使在20%的数据缺失情况下，该方法仍能保持96.55%的准确率，这一能力是深度学习替代方案无法比拟的。这为云运营商提供了一种可解释且轻量级的异常检测解决方案。
Keyword:
Cloud computing services
Anomaly detection
Time series
Pattern extraction
期刊
IF:
3.9
论文数:
1.0K
被引数:
1.3K
机构
引用论文
Using Generalized Entropies and OC-SVM with Mahalanobis Kernel for Detection and Classification of Anomalies in Network Traffic.png)
Entropy
OAAI
EntropyIF0
OAAI分享收藏Fall detection method based on spatio-temporal coordinate attention for high-resolution networks基于时空坐标关注的高分辨率网络跌倒检测方法
OAAI
OAAI分享收藏分享收藏A Detailed Investigation and Analysis of Using Machine Learning Techniques for Intrusion Detection使用机器学习技术进行入侵检测的详细调查和分析
PREAI
分享收藏
查看更多内容