Улучшение безопасности Kubernetes с использованием моделей машинного обучения с обратной связью

Kubernetes стал основой оркестрации контейнеров в современной облачной среде, обеспечивая непревзойденную масштабируемость и гибкость. Однако его растущая популярность привела к появлению серьезных проблем с безопасностью, особенно в предотвращении атак типа «отказ в обслуживании» (DoS). В данном исследовании представлен инновационный семислойный фреймворк для улучшения безопасности Kubernetes за счет использования моделей машинного обучения для обнаружения аномалий в реальном времени и с обратной связью. Фреймворк включает два ключевых компонента: приложение для обратной связи, которое фиксирует пользовательский ввод для повышения точности обнаружения, и модельный агент, отвечающий за сбор данных в реальном времени, обнаружение аномалий и адаптивное переобучение моделей. Объединяя метрики в реальном времени с пользовательской обратной связью, система динамически адаптируется к возникающим угрозам, обеспечивая надежную защиту Kubernetes. Экспериментальные результаты демонстрируют эффективность фреймворка в достижении высокой точности обнаружения аномалий, снижении числа ложных срабатываний и поддержании адаптивности в динамичной облачной инфраструктуре.