Behaviour profiling of microservice-based applications and anomaly detection in cloud

Résumé

Aujourd’hui, plusieurs organisations migrent leurs applications vers une architecture de microservices et dans les environnements virtualisés afin de profiter des avantages tels que l’agilité de déploiement, l’évolutivité, la flexibilité et la résilience. Dans ces environnements complexes et dynamiques, les composants et les connexions peuvent changer constamment, alors il est difficile pour construire une vue cohérente de l’application à partir de nombreux processus et de leurs connexions. Par conséquent, dans ce mémoire, nous définissons une méthode d’identification de rôle pour les microservices afin de construire une vue cohérente des applications basées sur les microservices. Récemment, divers types d’attaques furtives ont été rapportés contre des applications basées sur des microservices qu’il n’est pas possible de détecter en surveillant un seul processus ou un seul microservice. Le profilage du comportement de tous les microservices d’une application dans son ensemble est difficile à cause des caractéristiques distribuée et non bloquante des applications basées sur des microservices. Dans ce mémoire, nous étudions une approche basée sur les flux de données pour surmonter ces défis et proposons un modèle basé sur des graphes pour représenter les comportements d’une application basée sur des microservices qui est distribuée sur plusieurs hôtes. Cette représentation en graphe est ensuite utilisée pour extraire des caractéristiques qui permettent de définir des mesures appropriées pour profiler les comportements agrégés des microservices constituant une application basée sur des microservices. Les algorithmes d’apprentissage automatique, en particulier les modèles d’apprentissage profond (AP) ont montré une performance très élevé en détection des anomalies. Cependant, les approches basées sur AP rencontrent de nouveaux défis pour identifier avec précision le comportement anormal des applications basées sur des microservices en raison de la dynamicité et l’hétérogène de l’infonuagique qui aboutit à un taux élevé des fausses alarmes. De ce fait, nous proposons une optimisation basée sur des microservices pour la détection d’anomalies basés sur AP afin de réduire des fausses alarmes. L’efficacité et la faisabilité de notre approche sont démontrées par la mise en oeuvre de plusieurs attaques différentes dans le monde réel contre une application d’IMS basée sur des microservices pour le réseau LTE. Les résultats montrent un taux de détection élevés (94%-96%) et un très faible (0,01%) taux de fausses alarmes.

Date	7 déc. 2021
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Kim Khoa Nguyen (Directeur(-trice)) & Mohamed Cheriet (Codirecteur(-trice))