A Conceptual Antifragile Microservice Framework for Reshaping Critical Infrastructures
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14330%2F22%3A00126307" target="_blank" >RIV/00216224:14330/22:00126307 - isvavai.cz</a>
Výsledek na webu
<a href="https://ieeexplore.ieee.org/abstract/document/9977445" target="_blank" >https://ieeexplore.ieee.org/abstract/document/9977445</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/ICSME55016.2022.00040" target="_blank" >10.1109/ICSME55016.2022.00040</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
A Conceptual Antifragile Microservice Framework for Reshaping Critical Infrastructures
Popis výsledku v původním jazyce
Recently, microservices have been examined as a solution for reshaping and improving the flexibility, scalability, and maintainability of critical infrastructure systems. However, microservice systems are also suffering from the presence of a substantial number of potentially vulnerable components that may threaten the protection of critical infrastructures. To address the problem, this paper proposes to leverage the concept of antifragility built in a framework for building self-learning microservice systems that could be strengthened by faults and threats instead of being deteriorated by them. To illustrate the approach, we instantiate the proposed approach of autonomous machine learning through an experimental evaluation on a benchmarking dataset of microservice faults.
Název v anglickém jazyce
A Conceptual Antifragile Microservice Framework for Reshaping Critical Infrastructures
Popis výsledku anglicky
Recently, microservices have been examined as a solution for reshaping and improving the flexibility, scalability, and maintainability of critical infrastructure systems. However, microservice systems are also suffering from the presence of a substantial number of potentially vulnerable components that may threaten the protection of critical infrastructures. To address the problem, this paper proposes to leverage the concept of antifragility built in a framework for building self-learning microservice systems that could be strengthened by faults and threats instead of being deteriorated by them. To illustrate the approach, we instantiate the proposed approach of autonomous machine learning through an experimental evaluation on a benchmarking dataset of microservice faults.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10200 - Computer and information sciences
Návaznosti výsledku
Projekt
<a href="/cs/project/EF16_019%2F0000822" target="_blank" >EF16_019/0000822: Centrum excelence pro kyberkriminalitu, kyberbezpečnost a ochranu kritických informačních infrastruktur</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
The 38th IEEE International Conference on Software Maintenance and Evolution
ISBN
9781665479561
ISSN
1063-6773
e-ISSN
2576-3148
Počet stran výsledku
5
Strana od-do
364-368
Název nakladatele
IEEE
Místo vydání
New York, USA
Místo konání akce
New York, USA
Datum konání akce
1. 1. 2022
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000908031000032