The future of information technology mainly depends upon cloud computing. Hence security in cloud computing is highly essential for the consumers as well as the service providers of the particular cloud environment. There are many security threats are challenging the current cloud environment. One of the important security threat ever in cloud environment is considered to be the Distributed Denial of Service (DDoS) attack. Where cloud is of greater benefit in terms of providing on-demand services, a certain kind of attack named as Economic Denial of Sustainability (EDoS) occurs in pay per use payment model. Due to the occurrence of this attack the consumers are forced to pay additional amount for the services offered. EDoS attacks are similar to that of DDoS attacks Which is classified as-attacks associated with bandwidth consuming, application targeted attacks and the exhaustion of the connection layer. The main objective of the proposed work is to design a profile-based novel framework for maximizing the detection of various types of EDoS attacks. During this process, the proposed framework consisting Feature Classification (FC) algorithm ensures that false positives and negatives along with bandwidth and memory consumption are highly minimized. The proposed algorithm allows only the limited resources for allocation to the available virtual machines which increases the chances of the detecting the attack and preventing the misuse propagation of resources. The accuracy and efficiency of this approach is proven to be higher with lesser computational complexity when compare to the existing approaches.

信息技术的未来主要取决于云计算。因此，云计算的安全性对于特定云环境的消费者以及服务提供商而言至关重要。当前的云环境面临着许多安全威胁。云环境中最重要的安全威胁之一被认为是分布式拒绝服务（DDoS）攻击。在按需提供服务方面云计算更具优势的地方，按使用付费的支付模型中发生了一种称为“经济拒绝可持续性”（ESS）的攻击。由于发生这种攻击，消费者被迫为所提供的服务支付额外的费用。esS攻击与DDoS攻击相似，后者被归类为与带宽消耗，应用程序针对性的攻击和连接层的耗尽。拟议工作的主要目的是设计一种基于配置文件的新颖框架，以最大程度地检测各种类型的ESS攻击。在此过程中，所提出的由特征分类（FC）算法组成的框架可确保最大限度地减少误报和误报以及带宽和内存消耗。所提出的算法仅允许将有限的资源分配给可用的虚拟机，这增加了检测攻击的机会并防止了资源的滥用传播。与现有方法相比，该方法的准确性和效率更高，且计算复杂度更低。拟议工作的主要目的是设计一种基于配置文件的新颖框架，以最大程度地检测各种类型的ESS攻击。在此过程中，所提出的由特征分类（FC）算法组成的框架可确保最大限度地减少误报和误报以及带宽和内存消耗。所提出的算法仅允许将有限的资源分配给可用的虚拟机，这增加了检测攻击的机会并防止了资源的滥用传播。与现有方法相比，该方法的准确性和效率更高，计算复杂度更低。拟议工作的主要目的是设计一种基于配置文件的新颖框架，以最大程度地检测各种类型的ESS攻击。在此过程中，所提出的由特征分类（FC）算法组成的框架可确保最大限度地减少误报和误报以及带宽和内存消耗。所提出的算法仅允许将有限的资源分配给可用的虚拟机，这增加了检测攻击的机会并防止了资源的滥用传播。与现有方法相比，该方法的准确性和效率更高，且计算复杂度更低。所提出的由特征分类（FC）算法组成的框架可确保最大限度地减少误报与否以及带宽和内存消耗。所提出的算法仅允许将有限的资源分配给可用的虚拟机，这增加了检测攻击的机会并防止了资源的滥用传播。与现有方法相比，该方法的准确性和效率更高，且计算复杂度更低。所提出的由特征分类（FC）算法组成的框架可确保最大限度地减少误报与否以及带宽和内存消耗。所提出的算法仅允许将有限的资源分配给可用的虚拟机，这增加了检测攻击的机会并防止了资源的滥用传播。与现有方法相比，该方法的准确性和效率更高，且计算复杂度更低。所提出的算法仅允许将有限的资源分配给可用的虚拟机，这增加了检测攻击的机会并防止了资源的滥用传播。与现有方法相比，该方法的准确性和效率更高，且计算复杂度更低。所提出的算法仅允许将有限的资源分配给可用的虚拟机，这增加了检测攻击的机会并防止了资源的滥用传播。与现有方法相比，该方法的准确性和效率更高，且计算复杂度更低。