Titulo Estágio
Inteligência Artificial e Machine Learning para segurança e privacidade em ambientes Cloud-Native
Local do Estágio
Rua Dom João Castro n.12, 3030-384 Coimbra, Portugal
Enquadramento
A abordagem cloud-native visa projetar, construir e executar funções virtuais explorando o modelo em Nuvem, na qual são desenvolvidas aplicações recorrendo a ferramentas que permitem aproveitar ao máximo os seus benefícios. Estes benefícios inclui a maior agilidade no desenvolvimento, integração e instalação, cujos pilares desta transformação incluem ferramentas tais como a integração contínua, motores de contentores e orquestradores, sendo o Kubernetes um dos atuais impulsionadores desta abordagem.Aplicações distribuídas de grande requerem cada vez mais uma gestão inteligente e automatizada por oposição a uma configuração manual, complexa e suscetível a erros. Mais, hoje em dia é cada vez mais fundamental tem em atenção a características como a segurança e privacidade das aplicações e da infraestrutura subjacente. Parte desta automatização e segurança pode passar por considerar uma arquitetura Service Mesh, a qual permite disponibilizar uma camada de infraestrutura configurável integrada de dentro do próprio cluster com recurso a APIs.No âmbito de um projeto de investigação europeu, H2020 CHARITY, a OneSource encontra-se envolvida, juntamente com outros parceiros, no desenvolvimento de uma plataforma para gestão automatiza e inteligente, com foco em ambientes Cloud-Native distribuídos.
Objetivo
Os objetivos deste trabalho são:1. Levantamento do estado de arte relativamente a algoritmos de IA e ML para a deteção de anomalias em ambientes Cloud-Native.2. Especificação e aplicação de um modelo baseado em IA/ML para detetar fluxos anómalos e aplicação de políticas de segurança e privacidade em ambientes Cloud-Native.3. Integração do sistema no projeto em que se enquadra e validação e avaliação da sua performance.
Plano de Trabalhos - Semestre 1
T1.1- Análise do estado da arte e dos requisitos para o modelo ML a aplicar Segurança e Políticas de Privacidade, bem como, de datasets adequadas para o treino do algoritmo (Como ponto de partida, o aluno poderá considerar os seguintes datasets: NSL-KDD, CIC-IDS2017 e UNSW-NB15) .T1.2 Identificação de casos de uso aos quais deve ser aplicado o modelo ML.T1.3- Análise de datasets existentes na literatura e caracterização inicial de um conjunto de features a utilizarT1.4- Implementação de protótipo de modelo de ML com um dataset previamente identificado.A conclusão destas tarefas inclui a elaboração de documentação técnica.
Plano de Trabalhos - Semestre 2
T2.1- Especificação e testes a um protótipo do modelo de ML a desenvolver.T2.2- Preparação do dataset a ser usado no treino do modelo de ML.T2.3- Validação e avaliação do modelo de ML.T2.4- Integração do modelo de ML com outros serviços e validação do sistema nos casos de uso do projeto em que se enquadra.T2.5- Elaboração de documentação, incluindo o relatório de estágio, documentos técnicos e manuais de utilização.
Condições
O estagiário terá todas as condições para realizar as tarefas previstas, sendo integrado nas equipas de investigação e desenvolvimento no âmbito do projeto CHARITY.
Observações
O estagiário terá todas as condições para realizar as tarefas previstas, sendo integrado nas equipas de investigação e desenvolvimento no âmbito do projeto CHARITY.
Orientador
Luis Filipe Vieira Cordeiro
📩