Bright Keswani

Questo lavoro di ricerca esamina l'aspetto critico della garanzia di sicurezza dei container Docker distribuiti su infrastrutture di cloud computing. Concentrandosi sulla valutazione delle vulnerabilit , sulla modellazione delle minacce, sul controllo degli accessi e sul monitoraggio della sicurezza in fase di esecuzione, la ricerca si propone di affrontare le sfide intrinseche alla sicurezza poste dai container Docker. Proponendo approcci e strumenti innovativi per l'identificazione delle vulnerabilit , la modellazione delle minacce, l'implementazione dei controlli di accesso e il monitoraggio dell'attivit dei container in tempo reale, la tesi contribuisce a migliorare la sicurezza delle distribuzioni Docker in ambienti cloud. Nel complesso, la ricerca cerca di fornire soluzioni pratiche per garantire il funzionamento sicuro e affidabile delle applicazioni containerizzate in ambienti di cloud computing.

Diese Forschungsarbeit untersucht den kritischen Aspekt der Sicherheitsgew hrleistung in Docker-Containern, die ber Cloud-Computing-Infrastrukturen bereitgestellt werden. Mit den Schwerpunkten Schwachstellenbewertung, Bedrohungsmodellierung, Zugriffskontrolle und berwachung der Laufzeitsicherheit zielt die Forschungsarbeit darauf ab, die inh renten Sicherheitsherausforderungen von Docker-Containern anzugehen. Durch die Entwicklung innovativer Ans tze und Tools zur Identifizierung von Schwachstellen, zur Modellierung von Bedrohungen, zur Implementierung von Zugriffskontrollen und zur berwachung von Container-Aktivit ten in Echtzeit tr gt die Arbeit dazu bei, die Sicherheitslage von Docker-Implementierungen in Cloud-Umgebungen zu verbessern. Insgesamt zielt die Forschung darauf ab, praktische L sungen f r den sicheren und zuverl ssigen Betrieb von containerisierten Anwendungen in Cloud Computing-Umgebungen bereitzustellen.

Este trabalho de investiga o examina o aspeto cr tico da garantia de seguran a nos contentores Docker implementados em infra-estruturas de computa o em nuvem. Centrando-se na avalia o de vulnerabilidades, na modela o de amea as, no controlo de acesso e na monitoriza o da seguran a em tempo de execu o, a investiga o visou abordar os desafios de seguran a inerentes aos contentores Docker. Ao propor abordagens e ferramentas inovadoras para identificar vulnerabilidades, modelar amea as, implementar controlos de acesso e monitorizar a atividade dos contentores em tempo real, a tese contribui para melhorar a postura de seguran a das implementa es do Docker em ambientes de nuvem. Em geral, a investiga o procura fornecer solu es pr ticas para garantir o funcionamento seguro e fi vel de aplica es em contentores em ambientes de computa o em nuvem.

Ce travail de recherche examine l'aspect critique de l'assurance de la s curit dans les conteneurs Docker d ploy s sur des infrastructures informatiques en nuage. En se concentrant sur l' valuation des vuln rabilit s, la mod lisation des menaces, le contr le d'acc s et la surveillance de la s curit en temps r el, la recherche vise relever les d fis inh rents la s curit pos s par les conteneurs Docker. En proposant des approches et des outils innovants pour identifier les vuln rabilit s, mod liser les menaces, mettre en oeuvre des contr les d'acc s et surveiller l'activit des conteneurs en temps r el, la th se contribue am liorer la posture de s curit des d ploiements de Docker dans les environnements en nuage. Dans l'ensemble, la recherche s'efforce de fournir des solutions pratiques pour assurer le fonctionnement s curis et fiable des applications conteneuris es dans les environnements d'informatique en nuage.

We are living in a big data world where enormous data as a flood is brimming from all around to spawn Data Ocean. These data are fascinating if handled appropriately or else it is nothing more than trash. An ordinary algorithm is not competent in dealing out this mammoth dataset, as they are programmed to work based on the instruction. At present machine learning and data mining is gaining esteem as it is consists of a wide range of robust algorithms, which is capable of dispensation big data. The main aspiration of this work is to recognize the performances hurdle of machine learning classification algorithm due to complexity added by imbalance dataset for training purpose. The main contribution of this work is to generate a hybridization pre-processing and resampling technique which will able to reduce the complexity due to an imbalance big datasets and thus enhances performances of ML classification algorithms during assembling a precise predictive model. The algorithm proposed in this book, Hybridization Preprocessing and Resampling Technique (HPRT) is an enhanced technique, designed to reduce the complexity of dataset.

Nous vivons dans un monde de donn es o d' normes quantit s de donn es, comme une inondation, affluent de partout pour donner naissance Data Ocean. Ces donn es sont fascinantes si elles sont trait es de mani re appropri e, sinon elles ne sont rien d'autre que des d chets. Un algorithme ordinaire n'est pas comp tent pour traiter ce gigantesque ensemble de donn es, car il est programm pour fonctionner sur la base de l'instruction. l'heure actuelle, l'apprentissage machine et l'exploration de donn es gagnent en estime car ils sont constitu s d'une large gamme d'algorithmes robustes, capables de fournir de grandes quantit s de donn es. La principale aspiration de ce travail est de reconna tre l'obstacle des performances de l'algorithme de classification par apprentissage machine, d la complexit ajout e par le d s quilibre de l'ensemble de donn es des fins de formation.

Die Algorithmen der k nstlichen Intelligenz haben sich in der Praxis hervorragend bew hrt. Nach erfolgreicher Anwendung verschiedener Berechnungstechniken entstand ein starker Bedarf f r die Entwicklung intelligenter Systeme und damit begann eine neue ra des Soft Computing. Der Genetische Algorithmus ist eine solche Soft-Computing-Technik, die die Natur nachahmt und alle M glichkeiten einer Rechentechnik besitzt. Genetische Algorithmen sind Rechenalgorithmen, die in Analogie zum Prozess der Evolution konstruiert sind. Genetische Algorithmen sind eine Klasse von stochastischen Suchmethoden, die versuchen, gute L sungen f r schwierige Optimierungsprobleme zu finden, indem sie die nat rliche Evolution nachahmen. In den letzten drei Jahrzehnten haben sich genetische Algorithmen bei der L sung zahlreicher Probleme aus sehr unterschiedlichen Bereichen wie Optimierung, automatische Programmierung, Entwurf elektronischer Schaltungen, Telekommunikation, Netzwerke, Finanzen, Wirtschaft, Bildanalyse, Signalverarbeitung, Musik und Kunst bew hrt. Mit diesen Anwendungen genetischer Algorithmen ist es m glich, genetische Algorithmen in der Softwaretechnik einzusetzen.