Forskningsprojekt Den accelererade tillväxten av Internet of Things (IoT) och en framväxande 5G -infrastruktur har öppnat för möjligheter att utveckla intelligenta applikationer. Applikationer som omvandlar data till affärs- och samhällsvärde för många områden inom offentliga tjänster. Däribland intelligent transport, augmented reality, industriell automatisering och automatisering inom sjukvården.
Oracle cloud uppskattar data och IP-trafik som produceras av IoT-enheter, människor och maskiner till att överstiga 15,3 ZB år 2020. De flesta av dessa miljarder enheter kommer att vara belägna vid kanten av Internet och har högre bandbredd och QoS-krav än idag. Dessa krav uppmanar oss att gå vidare till era av Internet of Everything (IoE), som inte bara tillägger faciliteter utan också behandlar en massiv mängd data vid kanten av nätverket.
Den centraliserade molnberäkningsmodellen har dock visat sig ha inneboende problem när det gäller att uppfylla kravet på multikällor eller decentraliserad databehandling vid kanten av nätverket. För bandbreddshungriga eller svarstidskritiska applikationer har nätverksbandbredd och latens nått en flaskhals på grund av storskalig användaråtkomst som måste betjäna slutanvändare med nätverk med hög latens och tillförlitlighet. Således kan centraliserade moln inte tillhandahålla tjänster med hög prestanda och tillförlitlighet för sådana applikationer.
Edgeclouds är sammanslutningar av kantenheter, dimnoder och avlägsna moln, där den enorma mängden data rör sig fram och tillbaka mellan kanten och avlägsna molndatacenter som rör dataskyddsfrågor. För Edgeclouds är decentraliserad autonom anomalidetektering och motåtgärder avgörande för att säkerställa prestanda och säkerhet, eftersom dessa problem inte kan förväntas vara perfekt kontrollerade.
Vi föreslår att vi tar ett samordnat tillvägagångssätt för upptäckt av säkerhets- och prestandaanalys eftersom vi för dessa närbesläktade problem ser stor potential för nya fynd som kan förbises när de studeras isolerat. Vår plan är att föreslå en design för detektering av avvikelser i decentraliserade flerskiktade arkitekturer och använda maskininlärning, statistiskt lärande och informationsteoretiskt lärande för att upptäcka och mildra prestanda- och säkerhetsanomalier i edgeclouds.
