Nhận Dạng Bất Thường Cho Hệ Thống Điện Toán Đám Mây Iaas Dựa Trên OneClass Svm (LV thạc sĩ)

Nhận Dạng Bất Thường Cho Hệ Thống Điện Toán Đám Mây Iaas Dựa Trên OneClass Svm (LV thạc sĩ)Nhận Dạng Bất Thường Cho Hệ Thống Điện Toán Đám Mây Iaas Dựa Trên OneClass Svm (LV thạc sĩ)Nhận Dạng Bất Thường Cho Hệ Thống Điện Toán Đám Mây Iaas Dựa Trên OneClass Svm (LV thạc sĩ)Nhận Dạng Bất Thường Cho Hệ Thống Điện Toán Đám Mây Iaas Dựa Trên OneClass Svm (LV thạc sĩ)Nhận Dạng Bất Thường Cho Hệ Thống Điện Toán Đám Mây Iaas Dựa Trên OneClass Svm (LV thạc sĩ)Nhận Dạng Bất Thường Cho Hệ Thống Điện Toán Đám Mây Iaas Dựa Trên OneClass Svm (LV thạc sĩ)Nhận Dạng Bất Thường Cho Hệ Thống Điện Toán Đám Mây Iaas Dựa Trên OneClass Svm (LV thạc sĩ)Nhận Dạng Bất Thường Cho Hệ Thống Điện Toán Đám Mây Iaas Dựa Trên OneClass Svm (LV thạc sĩ)Nhận Dạng Bất Thường Cho Hệ Thống Điện Toán Đám Mây Iaas Dựa Trên OneClass Svm (LV thạc sĩ)Nhận Dạng Bất Thường Cho Hệ Thống Điện Toán Đám Mây Iaas Dựa Trên OneClass Svm (LV thạc sĩ)Nhận Dạng Bất Thường Cho Hệ Thống Điện Toán Đám Mây Iaas Dựa Trên OneClass Svm (LV thạc sĩ)

ss SVM 271 19 k-Means 282 30 nhận dạng bất thường 94 92.3 90 Precision Recall F-measure 246 25 92,3% 90,9% 91,6% 240 42 88,9% 85,2% 87,01% 91.6 90.9 92 FN 88.9 87.01 88 85.2 86 84 82 80 Precision Recall F-measure One-class SVM k-Means Hình 3.2: Biểu đồ so sánh tiêu chí hiệu độ xác thuật tốn One-class SVM k-Means 43 Hình 3.3: Kết chi tiết chạy thực nghiệm One-class SVM NetBeans 44 Hình 3.4: Kết chi tiết chạy thực nghiệm k-Mean NetBeans 45 Các tiêu chí đánh giá hiệu độ xác thuật tốn việc nhận dạng Precision, Recall F-measure, tính cơng thức 𝑇𝑃 𝑇𝑃 + 𝐹𝑃 𝑇𝑃 Recall = 𝑇𝑃 + 𝐹𝑁 Precision = F − measure = 2.Precision Recall Precision+Recall (15) (16) (17) Trong đó: • TP (True positive): số lượng liệu có giá trị bất thường xác định bất thường • FP (False positive): số lượng liệu có giá trị bất thường xác định bình thường • FN (False negative): số lượng liệu có giá trị bình thường xác định bất thường Từ bảng 3.1, ta kết luận kỹ thuật nhận dạng One-class SVM tối ưu SMO cho kết nhận dạng bất thường đạt hiệu độ xác cao so với kỹ thuật k-Mean dựa tiêu chí Precision, Recall, F-measure Cả hai kỹ thuật điều áp dụng học không giám sát tập liệu lớn với 4234 đối tượng cho kết đánh giá cao nhận dạng bất thường 3.3 Kết luận hướng phát triển Qua năm học hỏi nghiên cứu đề tài luận văn, tác giả hoàn thiện luận văn với mục tiêu ban đầu đề Cụ thể luận văn đạt kết sau: • Trình bày phương pháp nhận dạng điện tốn đám mây IaaS 46 • Giới thiệu phương pháp nghiên cứu One-class SVM nhận dạng IaaS • Xây dựng hệ thống điện tốn đám mây IaaS dựa tập liệu Google cluster trace Cài đặt nhận dạng bất thường, đánh giá độ xác hiệu phương pháp One-class SVM so với phương pháp khác Hướng phát triển: Luận văn cần tiếp tục tìm hiểu nghiên cứu vấn đề bổ sung tập liệu huấn luyện cho One-class SVM để thuật tốn trở nên tin cậy, xác 47 DANH MỤC CÁC TÀI LIỆU THAM KHẢO [1] Y Jiang, B Zhao, S Wang, D Sun (2014), “Research of enterprise private cloud computing platform based on openstack”, International Journal of Grid and Distributed Computing, vol 7, no 5, pp 171-180 [2] C Wang, V Talwar, K Schwan, P Ranganathan (2010) “Online detection of utility cloud anomalies using metric distributions”, Proceedings of the 2010 IEEE/IFIP Network Operations and Management Symposium, pp 96-103 [3] S Pannu, J Liu, S Fu (2012), “A self-evolving anomaly detection framework for developing highly dependable utility clouds”, 2012 IEEE Global Communications Conference, pp 1605-1610 [4] K Bhaduri, K Das , B L Matthews (2011), “Detecting abnormal machine characteristics in cloud infrastructures”, Proceedings of 11th IEEE International Conference on Data Mining Workshops, pp 137-144 [5] H Nguyen, Z Shen, Y Tan, X Gu (2013), “FChain: Toward black-box online fault localization for cloud systems”, Proceedings of 2013 IEEE 33rd International Conference on Distributed Computing Systems, pp 21-30 [6] D Smith, Q Guan, S Fu (2010), “An anomaly detection framework for autonomic management of compute cloud systems”, Proceedings of 34th Annual IEEE International Computer Software and Applications Conference Workshops, pp 376-381 [7] Peter Mell, Timothy Grance (2011), NIST Special Publication 800-145 [8] Sukhpal Singh, Inderveer Chana, Maninder Singh (2017), “The Journey of QoSAware Autonomic Cloud Computing”, Society), vol 19, issue 2, pp 42 – 49 IT Professional (IEEE Computer 48 [9] F Doelitzscher, M Knahl, C Reich, N Clarke, (2013), “Anomaly detection in Iaas clouds”, Anomaly detection in iaas clouds (IEEE, 2013.), pp 387-394 [10] Micheline Kamber, Jiawei Han (2011), “Chapter 12: Outlier Detection”, Data Mining: Concepts and Techniques, pp 546-551 [11] S Agrawal, J Agrawal (2015), “Survey on Anomaly Detection using Data Mining Techniques”, Procedia Computer Science, pp 708-713 [12] C Phua, V Lee, K Smith, R Gayler (2010), A comprehensive survey of data mining-based fraud detection, pp 1-14 [13] N Padhy, P Mishra, R Panigrahi (2012), “The Survey of Data Mining Applications And Feature Scope”, International Journal of Computer Science, Engineering and Information Technology (IJCSEIT), vol.2, no.3, pp 43-58 [14] Micheline Kamber, Jiawei Han (2011), “Chapter 12: Outlier Detection”, Data Mining: Concepts and Techniques, edition, pp 552-564 [15] G Munz, S Li, G Carle (2007), “Traffic Anomaly Detection Using K-Means Clustering”; GI/ITG Workshop MMBnet, pp 1-8 [16] I Syarif , A Prugel-Bennett, G Wills (2012), “Data mining approaches for network intrusion detection from dimensionality reduction to misuse and anomaly detection”; Journal of Information Technology Review, pp 70-83 [17] J Han, M Kamber (2006), Data Mining: Concepts and Techniques, 2nd edition, Morgan Kaufmann [18] P Dokas, L Ertoz, V Kumar, A Lazarevic, J Srivastava, N Tan (2002), “Data mining for network intrusion detection”, In Proceedings of NSF Workshop on Next Generation Data Mining, pp 21-30 [19] M Lin, Z Yao, F Gao, Y Li (2016) “Data-driven Anomaly Detection Method for Monitoring Runtime Performance of Cloud Computing Platforms” 49 [20] S Agrawal, J Agrawal(2015): “Survey on Anomaly Detection using Data Mining Techniques”, Procedia Computer Science, pp 708-713 [21] M Lin, Z Yao, G Gao, Y Li (2015): “Toward Anomaly Detection in IaaS Cloud Computing Platforms” [22] F Doelitzscher, M Knahl, C Reich, N Clarke (2013): “Anomaly detection in iaas clouds”, Book Anomaly detection in iaas clouds (IEEE), pp 387-394 [23] http://rvlasveld.github.io/blog/2013/07/12/introduction-to-one-class-support- vector-machines/ truy nhập ngày 10/09/2016 [24] Jia Jiong , Zhang Hao-ran (2007), “A Fast Learning Algorithm for One-Class support Vector Machine” [25] Charles Reiss, John Wilkes, Joseph Hellerstein (2013), “Google cluster-usage traces: format + schema”, Version of 2013-05-06, for trace version Revised 201411-17 for trace version 2.1 ... pháp nhận dạng điện toán đám mây IaaS 46 • Giới thiệu phương pháp nghiên cứu One-class SVM nhận dạng IaaS • Xây dựng hệ thống điện toán đám mây IaaS dựa tập liệu Google cluster trace Cài đặt nhận. .. trị bất thường xác định bất thường • FP (False positive): số lượng liệu có giá trị bất thường xác định bình thường • FN (False negative): số lượng liệu có giá trị bình thường xác định bất thường. .. bất thường Từ bảng 3.1, ta kết luận kỹ thuật nhận dạng One-class SVM tối ưu SMO cho kết nhận dạng bất thường đạt hiệu độ xác cao so với kỹ thuật k-Mean dựa tiêu chí Precision, Recall, F-measure