基于注意力机制和多尺度卷积神经网络的容器异常检测.pdfVIP

DOl:10.12379/j.issn.2096-1057.2025.01.06学术论文

ResearchPapers

基于注意力机制和多尺度卷积神经网络的

容器异常检测

可程瑞

李为袁泽坤吴克河

102206)

（华北电力大学控制与计算机工程学院北京

(epulw@126.com)

ContainerAnomalyDetectionBasedonAttentionMechanismand

Multi-scaleConvolutionalNeuralNetwork

LiWei,YuanZekun,WuKehe,andChengRui

(SchoolofControlandComputerEngineering,NorthChinaElectricPozwerUniversity,Beijing102206)

AbstractContainersarewidelyusedincloudcomputingduetotheirlightweight,flexibility,and

easeofdeployment,makingthemanindispensabletechnology.However,theyalsofacesecurity

concernsduetotheirsharedkernelandweakerresourceisolationcomparedtovirtualmachines.

Basedonattentionmechanismandconvolutionalneuralnetwork,thispaperproposesamethodof

processanomalydetectionincontainerbasedonsystemcallsequence,whichusesthedata

generatedbycontainerprocessoperationtoanalyzeandjudgetheabnormalbehaviorofprocess.

Theexperimentalresultsonpublicdatasetsandsimulatedattackscenariosshowthatthismethod

candetectanomaliesinthebehaviorofprocesseswithincontainers,andishigherinaccuracyand

precisionthancomparisonmethodssuchasrandomforestandLSTM.

Keywordssystemcall;container;anomalydetection;deeplearning;attentionmechanism

摘要容器因为其轻量、灵活和便于部署等优点被广泛使用，成为云计算不可或缺的技术，但也因

为其共享内核、相对虚拟机更弱的资源隔离的特性受到安全性方面的担忧.基于注意力机制和卷积

神经网络提出一种基于系统调用序列的容器内进程异常检测方法，使用容器进程运行产生的数据对

进程行为进行异常分析判断.在公开数据集和模拟攻击场景下的实验结果表明，该方法能检测出容

器内进程行为的异常，并且在精确率、准确率等指标上高于随机森林、LSTM等对比方法.

关键词系统调用；容器；异常检测；深度学习；注意力机制

中图法分类号TP309.2

容器作为一种轻量级虚拟化技术，可以提供开发者能够更方便地迁移和部署服务.然而由于容

给使用者包括完整运行时的一个独立的虚拟环器与本地主机共享内核的特性，容器的隔离强度

境，解决软件部署中所遇到的环境差异问题，使得要比传统虚拟机弱得多.文献[1-2]分析了容器本

收稿日期：2024-03-05

基金项目：国家重点研发计划项目（2020YFB0905900）