CERES - TCC - Sistemas de Informação
URI Permanente para esta coleçãohttps://repositorio.ufrn.br/handle/123456789/33179
Navegar
Navegando CERES - TCC - Sistemas de Informação por Autor "0000-0001-6497-1613"
Agora exibindo 1 - 1 de 1
- Resultados por página
- Opções de Ordenação
TCC Uma ferramenta para simulação e monitoramento de comportamentos anômalos em contêineres Docker(Universidade Federal do Rio Grande do Norte, 2022-07-27) Batista, Hitallo William de Medeiros; Borges Neto, João Batista; 0000-0001-6497-1613; http://lattes.cnpq.br/3102308378811852; https://lattes.cnpq.br/4771292411292580; Medeiros, João Paulo de Souza; http://lattes.cnpq.br/8782777013152714; Guerra, Fabrício Vale De Azevedo; http://lattes.cnpq.br/7860769003807018A virtualização em contêineres tornou-se, nos últimos anos, uma das principais alternativas no desenvolvimento e fornecimento de serviços no ambiente de computação em nuvem. A ferramenta Docker se popularizou nesse contexto e foi amplamente adotada por todo o conjunto de vantagens propostas. A facilidade de configurar, executar e manter múltiplos contêineres em uma mesma máquina adicionou a essa tecnologia alguns desafios na área da segurança da informação. No entanto, qualquer vulnerabilidade presente em um contêiner poderá expor tanto o próprio contêiner quanto a máquina hospedeira ao acesso externo indevido. Assim, analisar e monitorar contêineres Docker com o propósito de identificar comportamentos anômalos tornou-se um dos principais desafios para empresas especializadas em computação em nuvem e usuários destas. Este trabalho propõe o desenvolvimento de uma ferramenta capaz de simular comportamentos anômalos em contêineres Docker com base em uma configuração definida previamente. Com isso, pretende-se que a ferramenta aqui proposta possa auxiliar na simulação de possíveis comportamentos anômalos de forma configurável. Desta forma o presente trabalho visa contribuir para a comunidade acadêmica como uma ferramenta que gere e exponha um conjunto de dados que possam ser utilizados para análise e criação de modelos de aprendizado de máquina, capazes de aprender e identificar comportamentos anômalos em contêineres Docker.