Multidimensional Intrusion Detection System for Containerized Environments
Notice bibliographique
Résumé
Intrusion Detection Systems (IDS) are critical for securing modern networks and systems; however, traditional IDS approaches often rely solely on network traffic or host-level data, limiting their ability to detect sophisticated threats such as AI-driven, zero-day, and polymorphic attacks. This limitation is even more pronounced in highly dynamic environments, such as cloud-based and containerized architectures, where the potential of leveraging rich contextual information remains underexplored. To address this gap, we propose a novel Multidimensional Intrusion Detection System (MIDS) approach that integrates multiple data dimensions, including network and container features, to enhance threat detection in containerized environments. By combining these dimensions, MIDS provides a holistic view of the cluster, enabling more comprehensive threat analysis and improved detection accuracy. We introduce a new data merging technique that unifies network flows with container metrics to facilitate multidimensional analysis. Due to the lack of existing datasets containing such heterogeneous data, we generated two MIDS datasets by simulating prevalent attacks on two well-known containerized applications deployed on Kubernetes (K8s): one using the Damn Vulnerable Web Application (DVWA) and the other using Google's Bank of Anthos (BoA). These simulations included Denial of Service (DoS), brute force, and SQL injection attacks. We evaluated state-of-the-art machine learning (ML) algorithms on these datasets, including SVM, XGBoost, and DNN. The experimental results demonstrate that using MIDS enables ML algorithms to achieve up to 8.69 % and 30.07 % higher F1 scores compared to using only network or container data, respectively. Feature analysis highlights the complementary contributions of network and container dimensions, showcasing the effectiveness of the proposed multidimensional approach for intrusion detection in containerized environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».