生产环境HTTP中间盒中机器学习异常检测器的内联部署与评估

《IEEE Transactions on Haptics》：Feasibility evaluation of ML-based policy inference in commodity HTTP middleboxes

　　

摘要:

基于机器学习的HTTP异常检测已被广泛研究，然而现有工作几乎只在离线状态下评估分类准确性。关于此类模型在生产环境HTTP中间盒中内联执行成本的定量证据仍然有限，尤其是在实际资源约束下。我们通过在OpenResty中直接将基于树的分类器部署到NGINX内部，并运行在代表现代云原生部署的Docker容器中来解决这一问题。在运行时从HTTP请求中提取轻量级特征，并将离线训练的分类器导出为两种格式：扁平匹配-动作规则列表和分层树结构。我们在Web应用攻击数据集上评估了不同复杂度的决策树和随机森林集成，在多个CPU配额设置下测量了F1分数、推理延迟和内存消耗。我们的结果表明，一系列从机器学习中提取的策略在实际资源预算内，对于在商用HTTP中间盒中进行内联部署是切实可行的。