融合机器学习的云监控数据分析仿真

为进一步提升云监控平台数据分析的准确性和效率,在研究了集成云平台和分布式计算基础上,设计了融合机器学习的云监控数据分析平台。该平台包含核心结构和扩展结构2部分,分别用于对小量数据及大规模数据进行分析及分布式计算。核心架构可分为3层：智能搜索层、应用程序接口(API)层和云计算层。这3层相互作用,处理工作负载跟踪,并监视任何异常模式。扩展结构有利于用户在Hadoop文件系统中存储数据,且为用户提供了高可用性和可扩展的存储功能。对核心结构及扩展结构进行仿真分析。结果进一步验证了云监控数据分析平台的有效性及实用性。该平台为系统CPU及内存使用分析过程提供了一定依据。     

基于SQL Server数据库的性能监控与优化技术

SQL Server数据库的应用范围非常广泛,但性能常随着数据量的扩大与应用的深入而受到较大影响,数据库性能监控工具可分为系统级监控、数据库级监控和客户端应用程序监控3大类。探讨了各监控工具的主要功能与监控办法,利用监控工具提供的相关数据,进行综合分析,可有效地识别其性能瓶颈,同时提出了针对性的进行系统调优、设计调优与程序调优的方法。     

Android的应用程序安全评估系统设计

本文主要基于Android平台,提出一种应用程序安全评估系统的设计方案,通过对应用程序安全监控与评估系统实现的关键技术进行理论分析,对硬件模块监控与评估、本地隐私数据监控与评估等核心业务进行了详细设计及代码实现,提出并实现了同时涉及Android应用层和应用框架层的应用程序动态行为监控技术,提供针对待评估应用程序生成安全评估报告的解决方案,实现了可灵活拓展监控功能的应用程序安全监控与评估系统.     

一种在线实时微服务调用链异常检测方法

微服务架构逐渐成为大规模云应用的主流设计架构，微服务可靠性是云服务商亟须处理的关键问题。精确检测并定位微服务应用故障可有效保障应用的可靠性与稳定性，基于微服务调用链的异常检测可在系统发生故障时及时发现系统异常行为并触发告警。针对当前主流检测方法无法保证异常告警的实时性和准确性问题，提出一种基于自然语言处理与双向长短期记忆（BiLSTM）网络的微服务调用链异常检测方法MicroTrace。对调用链中记录的事件进行解析，将事件表示为语义序列与响应时间序列，利用词汇嵌入式表示算法提取事件的向量化表示，通过基于注意力机制的BiLSTM同时检测微服务实例的调用路径与性能异常。在真实微服务调用链数据集上的实验结果表明，该方法的查准率和查全率均可达96%以上，F1度量值相比于多模态-LSTM方法至少提升了6.8%。     

基于鲲鹏云的复杂道路场景行人监测系统

随着交通智能化的发展, 高速公路监控视频加密上云逐渐成为交通发展的主要趋势之一. 交通数据深度挖掘, 尤其是行人检测问题, 则是该趋势中亟待解决问题之一. 本文针对多种道路环境的行人检测问题, 提出了一种基于鲲鹏云的全天候行人监测解决方案. 首先, 将监控相机中的视频流通过流媒体服务转发至鲲鹏云; 然后鲲鹏云进行视频流解码与行人检测, 同时保存行人历史信息; 最后进行行人事件分析和上报. 本系统采用嵌入式神经网络处理器(NPU)代替传统图形处理器(GPU)平台加速YOLOv4行人检测模块的推理, 一方面取得了较快的检测速度并可实时处理22路视频流, 另一方面, 该解决方案针对不同道路场景下高速道路上的行人也可取得较好的监测效果.     

基于危险理论的多代理异常入侵检测研究

为了提高分布式网络中异常入侵检测的效率,在对危险理论和人工免疫技术的研究基础之上,提出了一种基于危险理论的多代理异常人侵检测模型,对模型架构和工作原理进行了详细的描述.模型分为三层,在识别"非我"之前,先对主机和网络资源实时监控并进行数据采集,利用云模型对危险进行判定,由危险信号激活免疫识别.该模型能根据定义的危险级别有效地识别出"有害的非我",保障系统的可用性,在一定程度上改善伪肯定和伪否定现象,提高检测系统性能.     

智能家居攻击与防御方法综述

智能家居是物联网的一大发展方向,但其在安全方面表现得不如人意,近年来频频爆发网络安全事件。智能家居相较于传统的嵌入式设备,引入了移动应用程序和云平台服务,使得其暴露出了更多的攻击面。本文围绕智能家居终端设备、云平台、移动应用程序及通信等四个方面,综述针对智能家居的攻击方法和防御措施,并针对性的梳理了目前学术界及工业界关注的研究热点与难点。最后,本文针对现有智能家居设备自动化漏洞挖掘技术与防御监控能力的不足进行了讨论,并提出了基于Docker集群部署的端侧自动化威胁模型系统设计思路。     

一种面向云多层应用的费用高效的资源管理方法

由于部署方便、维护简单并且不需要搭建自己的私有机房,云数据中心正成为大多数互联网公司 尤其是初创公司和中小规模公司 部署应用程序的首选。在以基础设施为服务的云环境里,互联网公司可以根据应用程序的需要动态租赁云基础设施,从而节省预算开支,并保证应用性能。然而,在现有的业界实践中,云服务提供商提供的负载均衡和资源伸缩服务只能监控虚拟机的使用状态,并不能监控应用程序的运行状态,因此无法准确根据应用程序的服务需求自适应变换资源规模。同时,现有的文献和实践中,也很少有 研究从云基础设施使用者的角度出发,为使用者节省基础设施租赁费用或高效使用已租赁基础设施。据此提出了一种面向基础设施云环境下多层应用的费用高效的资源管理方法,其在降低用户费用的同时,还能充分利用所花费用提高应用程序性能。通过仿真对所提方法业界实际使用的方法 进行比较,结果表明所提方法不仅能够提高应用程序的服务质量和服务性能,也能较大地降低公司在基础设施租赁方面的费用。     

云资源状态监控研究综述

云计算通过网络共享成功实现了计算资源的高效利用。云资源分配的动态性、随机性、开放性使得云平台的服务质量保障难题日益突出。云环境下资源状态的监控技术通过深入挖掘分析监控数据,及时发现计算资源的异常运行状态。根据历史运行数据等对资源的未来使用状态做出预测。以便及时发现潜在的性能瓶颈和安全威胁,为用户提供可靠稳定的云服务。结合实例介绍了在资源状态监控方面有代表性的研究方法,包括概率分析、方程拟合、聚类分析等方法,并对比了各类方法的性能特点及局限性。最后讨论了云资源状态监控技术在数据复杂度和规模等方面所面临的技术挑战,并指出了原始数据去冗降维、算法设计突出非监督化、计算任务向终端推送、分析结果协同增效等未来发展趋势。     

CloudStack云平台异常运行告警系统设计与实现

传统系统存在告警效果差的问题,为了避免该问题,提出了CloudStack云平台异常运行告警系统设计与实现。体系结构中的基础设施层是通过CloudStack云平台创建多个虚拟机的,服务层是以C8051F0403型号芯片为信息采集器来采集异常信息的,核心服务层以ARM7TDMI内核微处理器为主,设计监控终端硬件结构,结合全球通GSM短信收发,监控异常运行状态,通过用户接口层为系统提供告警信息。对告警客户端进行功能设计,通过规定的文件格式,计算信息发送和匹配程度,实现异常运行告警系统设计。由测试结果可知,该系统告警精准度最高可达98%,为用户信息安全传输提供保障。     

Anomaly detection for construction vibration signals using unsupervised deep learning and cloud computing

In-operation construction vibration monitoring records inevitably contain various anomalies caused by sensor faults, system errors, or environmental influence. An accurate and efficient anomaly detection technique is essential for vibration impact assessment. Identifying anomalies using visualization tools is computationally expensive, time-consuming, and labor-intensive. In this study, an unsupervised approach for detecting anomalies in construction vibration monitoring data was proposed based on a temporal convolutional network and autoencoder. The anomalies were autonomously detected on the basis of the reconstruction errors between the original and reconstructed signals. Considering the false and missed detections caused by great variability in vibration signals, an adaptive threshold method was applied to achieve the best identification performance. This method used the log-likelihood of the reconstruction errors to search for an optimal coefficient for anomalies. A distributed training strategy was implemented on a cloud platform to speed up training and perform anomaly detection without significant time delay. Construction-induced accelerations measured by a real vibration monitoring system were used to evaluate the proposed method. Experimental results show that the proposed approach can successfully detect anomalies with high accuracy; and the distributed training can remarkably save training time, thereby realizing anomaly detection for online monitoring systems with accumulated massive data.     

加权LOF结合上下文判断的云环境中服务运行数据异常检测方法

云环境中服务运行数据是服务运行状态的反映，如果服务运行数据出现异常将会影响相关软件的运行和用户的使用。传统的软件异常检测方法通常忽略软件运行数据各维度属性提供的信息量及软件运行时的上下文环境，从而影响异常检测的准确率。因此，提出一种加权LOF结合上下文判断的云环境中服务运行数据异常检测方法，首先使用信息熵法给服务运行数据的各维度属性赋权，使用改进的加权LOF算法对服务运行数据进行初次异常判断；然后综合考虑服务运行时的上下文信息，对服务运行数据进行二次异常判断后得到相应结果。实验表明，此方法能够有效检测出云环境中的服务运行数据异常。     

一种资源敏感的Web应用性能诊断方法

提出一种资源敏感的性能诊断方法.对于Web应用事务,该方法利用资源服务时间对于不同负载特征相对稳定的特点建立性能特征链,并依据运行时资源服务时间异常实现性能异常的有效检测、定位和诊断.实验结果表明,该方法可适应系统负载特征变化,诊断各种资源使用相关的性能异常.     

基于清华云监控平台的云迁移性能

当云计算技术兴起后,很多企业已经或计划将业务和应用迁移到云上,而这面临着应用性能可能降低,关键业务和应用安全性受到威胁等问题,因此是否云迁移还是部署到独立服务器上,是一个需要深入研究的问题.以清华云平台为基础,搭建了基于Nagios的清华云监控平台,先对清华云平台和架构进行介绍,再对Nagios和清华云监控平台架构进行了论述,在云迁移性能评估中,以Ubuntu和Windows为操作系统平台,以CPU负载和内存使用为评估指标,分别在云服务器和独立服务器上运行CPU运算类和服务器负载类两类应用,最后对实验结果进行了分析和比较.实验表明,部分应用在独立服务器上性能更好,并不适合云迁移.     

云环境下SDN的流量异常检测性能分析

随着复杂的混合云网络逐渐成为云计算发展的瓶颈,软件定义网络(SDN)技术近年来成为学术界和工业界关注的热点。在网络安全领域,对于应用SDN来解决网络攻击的研究尚处于起步阶段,SDN是否能够高效检测来自内部的网络攻击尚无定论。针对该问题,在分析SDN技术框架的基础上,设计基于OpenStack的云环境实验方案。在传统云环境网络和SDN环境下同时测试2种流量异常检测算法,模拟Flood攻击和端口扫描攻击,分析SDN在检测攻击时的精确度和资源使用率。结果表明,在云环境下利用SDN检测内部威胁时比传统网络环境占用更少的物理内存而不影响精确度,但直接在SDN控制器上部署安全应用的方式也存在性能瓶颈。     

基于Isolation Forest的并行化异常探测设计

异常探测具有广泛的应用,受到了工业界和学术界的共同关注。在众多异常探测方法中,Isolation Forest算法具有执行效率高、探测准确度好的特点,获得了众多应用。但是,传统Isolation Forest算法难以处理大规模数据。为解决此问题,设计了一种基于云计算平台的算法。具体地,使用Hadoop分布式存储系统和MapReduce分布式计算框架设计并实现了基于Isolation Forest的并行化异常探测算法PIFH。通过将探测模型构建和数据异常评价的过程并行化,提升了PIFH算法探测异常的执行效率,扩展了其应用范围。利用真实世界数据集验证了所提算法的执行效率和可扩展性。     

云工作流中基于多任务时序卷积网络的异常检测方法

云计算数据中心在日常部署和运行过程中产生的大量日志可以帮助系统运维人员进行异常分析。路径异常和时延异常是云工作流中常见的异常。针对传统的异常检测方法分别对两种异常检测任务训练相应的学习模型,而忽略了两种异常检测任务之间的关联性,导致异常检测准确率下降的问题,提出了一种基于多任务时序卷积网络的日志异常检测方法。首先,基于日志流的事件模板,生成事件序列和时间序列;然后,训练基于多任务时序卷积网络的深度学习模型,该模型通过共享时序卷积网络中的浅层部分来从系统正常执行的流程中并行地学习事件和时间特征;最后,对云计算工作流中的异常进行分析,并设计了相关异常检测逻辑。在OpenStack数据集上的实验结果表明,与日志异常检测的领先算法DeepLog和基于主成分分析（PCA）的方法比较,所提方法的异常检测准确率至少提升了7.7个百分点。     

基于集成学习的云平台异常点检测

为提高云平台异常点检测的精度,解决单一检测系统误报率与漏报率高的问题,提出基于集成学习的异常点检测系统。为解决异常检测对象多样性的问题,构造监测序列的特征矩阵,采用自组织映射神经网络对监测序列进行聚类;对监测序列进行过采样,解决异常发生频率很低的问题;对异构的异常点检测器进行基于委员会的学习,集成各检测器的检测优点,提高检测的精度。通过带有标注的监测序列对异常点检测系统进行验证,结果表明,该系统效果优于单一检测系统,验证了设计的有效性。     

基于私有云平台的科研管理系统设计与实现

目前,越来越多的应用依托云平台,提供给用户更好的体验。私有云平台能够充分发挥单位原有资源,提升服务质量、保障应用安全。在采用OpenStack私有云平台技术的基础上、设计和开发了科研管理系统。实际应用表明,该系统在私有云平台下运行稳定、性能良好,能够满足用户的需要。