Federated Learning ermöglicht sichere Anomalie-Erkennung in Multi‑Tenant‑Clouds

Ein neues Verfahren zur Anomalieerkennung nutzt federated learning, um die wichtigsten Probleme in Multi‑Tenant‑Cloud‑Umgebungen zu lösen. Dabei bleibt die Privatsphäre der einzelnen Mieter erhalten, während gleichzeitig ein gemeinsames Modell entsteht, das die unterschiedlichen Ressourcenverhalten berücksichtigt.

Das System bildet einen federated‑Training‑Framework auf, in dem jeder Mieter das Modell lokal mit seinen eigenen Nutzungsdaten trainiert. Durch die Aggregation der Modellparameter entsteht ein globales Modell, das die Erkenntnisse aller Mieter bündelt, ohne dass sensible Daten ausgetauscht werden. Zusätzlich wird ein personalisiertes Anpassungs‑Modul eingesetzt, das es jedem Mieter erlaubt, spezifische Merkmale beizubehalten, während gleichzeitig das globale Wissen geteilt wird.

Zur Bewertung der Anomalien wird die Mahalanobis‑Distanz verwendet, die die Genauigkeit und Stabilität der Erkennung verbessert. In Experimenten mit realen Telemetriedaten aus einer Cloud‑Plattform wurde das Modell in einer simulierten Multi‑Tenant‑Umgebung getestet. Die Ergebnisse zeigen, dass das Verfahren bei unterschiedlichen Teilnahme‑Raten und Rausch‑Niveaus robust bleibt und die wichtigsten Kennzahlen – Precision, Recall und F1‑Score – gegenüber etablierten Modellen deutlich übertrifft.

Diese Fortschritte unterstreichen das praktische Potenzial des Ansatzes für intelligentes Ressourcen‑Monitoring und die frühzeitige Erkennung von Anomalien in komplexen Cloud‑Szenarien.