DeMETER in clouds: detection of malicious external thread execution in runtime with machine learning in PaaS clouds

Sandıkkaya, Mehmet Tahir; Yaslan, Yusuf; Özdemir, Cemile Diler

doi:10.1007/s10586-019-03027-8

Cited by 10 publications

(6 citation statements)

References 23 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…[8]. Sandikaya and colleagues, focus The concept of Cyber Manufacturing Systems (CMS) represents an ambitious vision for the future of manufacturing.. [9] Mingtao Wu and his colleagues ,In this paper introduces the concept of CMS and highlights the growing threat of cyber-physical attacks in such systems [10].…”

Section: Literature Reviewmentioning

confidence: 99%

Machine Learning For Predicting Cloud Security

R S,

et al. 2024

Proceedings of the 1st International Conference on Artificial Intelligence, Communication, IoT, Data Engineering and Security,

View full text Add to dashboard Cite

The prominence and utilization of Cloud computing are experiencing rapid growth, with numerous organizations making substantial investments in this sector, either for their own advantages or to offer services to external parties.One effective approach to addressing these security challenges in the Cloud is through the application of artificial intelligence (AI) and machine learning (ML) techniques. Machine learning techniques have found application in a variety of methods aimed at preventing or identifying attacks and vulnerabilities within Cloud systems. Within our analysis, we identified 30 distinct machine learning (ML) techniques, some of which were employed in hybrid approaches, while others were used independently.It's worth noting that Support Vector Machine (SVM) and J48 have emerged as the most widely adopted ML algorithms, utilized in both hybrid and standalone models.

show abstract

Section: Literature Reviewmentioning

confidence: 99%

Machine Learning For Predicting Cloud Security

R S,

et al. 2024

Proceedings of the 1st International Conference on Artificial Intelligence, Communication, IoT, Data Engineering and Security,

View full text Add to dashboard Cite

show abstract

“…A deep learning approach for proactive multi-cloud cooperative intrusion detection systems 2019 [14] A focus on future cloud: machine learning-based cloud security 2019 [15] A hybrid machine learning approach for malicious behavior detection and recognition in cloud computing 2020 [16] A machine learning based intrusion detection scheme for data fusion in mobile clouds involving heterogenous client networks 2019 [17] An intrusion detection system for connected vehicles in smart cities 2019 [18] DeMETER in clouds: detection of malicious external thread execution in runtime with machine learning in PaaS clouds 2020 [19] Detection and mitigation of fraudulent resource consumption attacks in cloud using deep learning approach 2021 [20] Efficient feature selection and classification through ensemble method for network intrusion detection on cloud computing 2020 [21] Intelligent approach to build a Deep Neural Network based IDS for cloud environment using combination of machine learning algorithms 2019 [22] KVMInspector: KVM Based introspection approach to detect malware in cloud environment 2020 [23] Multilayer Self-Defense System to Protect Enterprise Cloud 2020 [24] Secure data transmission and detection of anti-forensic attacks in cloud environment using MECC and DLMNN 2020 [25] TIDCS: A Dynamic Intrusion Detection and Classification System Based Feature Selection 2020 [26] Cryptomining Detection in Container Clouds Using System Calls and Explainable Machine Learning 2021 [27] A machine learning application for recducing the security risks in hybrid cloud networks 2020 [28]…”

Section: çAlışma Adı Yıl Referansmentioning

confidence: 99%

“…NS-3 ile toplanan veriler ağdaki kullanılan protokol, başlangıç zamanı, kaynak baytları ve hedef baytları gibi verileri içermektedir. [19] çalışmasında iş parçacıklarının CPU kullanımları ve kaynak erişimlerinin izlenmesi ile tespit işlemlerinin gerçekleşebileceğinden bahsedilmektedir. Veri olarak iş parçacıklarının anlık yaptıkları CPU paylaşımı, iş parçacıklarının kümülatif CPU paylaşımları, kritik kaynak erişim türü ve kritik kaynak erişim süresi kullanılmaktadır.…”

Section: B As2: Kullanilan Veri̇ Kümeleri̇ Ve öZelli̇kleri̇unclassified

“…Kendi kendini optimize eden bir yapı oluşturabilmek içinse parçacık sürü optimizasyonu (Particle Swarm Optimization) yöntemini kullanan olasılıksal sinir ağları (Probabilistic Neural Networks) kullanılmaktadır. Çok sınıflı ve iki sınıflı olmak üzere[19] nolu çalışmada çok kullanıcılı bulut ortamlarında bir bulut uygulamasına yapılan talebin iyi niyetlimi kötü niyetlimi olduğunu anlamak için bir yöntem önerilmiştir. İşlemci (CPU) kullanım ölçümleri ve kaynak erişimlerinin izlenmesi ile birlikte makine öğrenimi teknikleri kullanılmaktadır.…”

unclassified

See 1 more Smart Citation

Bulut Bilişim Güvenliği İçin Kullanılan Makine Öğrenimi Yöntemleri Üzerine Bir Derleme

Yazar

Akleylek

Kılıç

2022

Düzce Üniversitesi Bilim Ve Teknoloji Dergisi

View full text Add to dashboard Cite

Son zamanlarda bulut bilişimin farklı amaçlar için kullanımı artmaktadır. Bu durum bulut üzerindeki bilgilerin çoğalmasına sebep olmaktadır ve daha yüksek güvenlik gereksinimlerinin olduğunu göstermektedir. Güvenliği sağlamanın yollarından bir tanesi makine öğrenmesi yöntemlerinin bulut sistemlerine adapte edilmesidir. Geleneksel yöntemler saldırılardaki çeşitlilik nedeniyle istenilen düzeyde başarı sağlayamamaktadır. Makine öğrenimi yaklaşımları, verileri daha etkin bir şekilde ele aldıklarından daha duyarlı ve otomatikleştirilmiş güvenlik çözümleri sunabilmektedir. Bulut üzerindeki verilerin gizliliği, bütünlüğü, bulut kaynaklarının kullanılabilirliği ve bulut platformu üzerindeki kimlik doğrulama işlemleri için makine öğrenimi tabanlı sistemlerin kullanımı son zamanlarda oldukça popülerdir. Genellikle izinsiz giriş tespit sistemi olarak adlandırılan bu sistemler, bulut uygulamalarındaki bilgileri yetkisiz erişimlerden korumak için kapsamlı yaklaşımlar kullanmaktadır. Bu çalışmada bulut bilişim güvenliği ve bu alanda kullanılan makine öğrenmesi yaklaşımları üzerine bir sistematik literatür taraması yapılmıştır. Kullanılan makine öğrenimi yöntemleri ve değerlendirme kriterleri, kullanılan veri kümeleri ve çalışmaların sağladıkları bilgi güvenliği kavramları baz alınarak, literatürde etkisi olan çalışmalar ele alınmıştır. Bazıları hibrit bazıları bağımsız şekilde 23 farklı makine öğrenimi yöntemi ve 17 farklı değerlendirme ölçütünün kullanıldığı görülmüştür. Toplamda 11 farklı hazır veri kümesi ve sekiz çalışmada ise oluşturulmuş olan veri kümelerinin kullanıldığı görülmüştür. Son olarak çalışmalar gizlilik, bütünlük, erişilebilirlik ve kimlik denetimi olacak şekilde bilgi güvenliği kavramları açısından değerlendirilmiştir.

show abstract

“…Cloud computing as an innovative paradigm develops an environment to provide unlimited virtual applications and resources via the Internet, which are ubiquitously accessible, rapidly provisioned, customizable, and available on-demand [1]. Computing resources such as servers, storage, and computer networks are provided in four main forms, such as Software as a Service (SaaS) [2], Infrastructure as a Service (IaaS) [3], Platform as a Service (PaaS) [4], and Expert as a Service (EaaS) [5], [6]. In SaaS, the applications are deployed in the cloud and the cloud clients are allowed to access them through the Internet [7].…”

Section: Introductionmentioning

confidence: 99%

Fault-Tolerant Load Balancing in Cloud Computing: A Systematic Literature Review

et al. 2022

View full text Add to dashboard Cite

Nowadays, cloud computing is growing daily and has been developed as an effective and flexible paradigm in solving large-scale problems. It has been known as an Internet-based computing model in which computing and virtual resources, such as services, applications, storage, servers, and networks, are shared among numerous cloud users. Since the number of cloud users and their requests are increasing rapidly, the loads on the cloud systems may be underloaded or overloaded. These situations cause different problems, such as high response time and power consumption. To handle the mentioned problems and improve the performance of cloud servers, load balancing methods have a significant impact. Generally, a load balancing method aims to detect under-loaded and overloaded nodes and balance the load among them. In the recent decade, this problem has attracted a lot of interest among researchers, and several solutions have been proposed. Considering the important role of fault-tolerant in load balancing algorithms, there is a lack of an organized and in-depth study in this field yet. This gap prompted us to provide the current study aimed to collect and review the available papers in the field of fault tolerance load balancing methods in cloud computing. The existing algorithms are divided into two categories, namely, centralized and distributed, and reviewed based on vital qualitative parameters, such as scalability, response time, reliability, availability, throughput, and overhead. In this regard, other criteria such as the type of detected faults and adopted simulation tools are taken into account.

show abstract

DeMETER in clouds: detection of malicious external thread execution in runtime with machine learning in PaaS clouds

Cited by 10 publications

References 23 publications

Machine Learning For Predicting Cloud Security

Machine Learning For Predicting Cloud Security

Bulut Bilişim Güvenliği İçin Kullanılan Makine Öğrenimi Yöntemleri Üzerine Bir Derleme

Fault-Tolerant Load Balancing in Cloud Computing: A Systematic Literature Review

Contact Info

Product

Resources

About