Rekayasa Fitur Berbasis Machine Learning untuk Mendeteksi Serangan DDoS

Abstract

Serangan jaringan terdistribusi yang disebut juga dengan distributed denial of service (DDoS) merupakan ancaman dan masalah utama keamanan internet. DDoS adalah serangan pada jaringan yang bertujuan melumpuhkan sumber daya server. Serangan ini meningkat setiap tahunnya, terlebih pada kondisi pandemi COVID-19 saat ini. Salah satu bentuk penanggulangan untuk meminimalkan dampak DDoS adalah dengan perintah deteksi sistem atau intrusion detection system (IDS). Teknik IDS saat ini masih banyak menggunakan metode tradisional, sehingga masih jauh dari sempurna dibandingkan dengan teknik dan alat yang digunakan penyerang, karena IDS dengan metode tradisional hanya menggunakan deteksi berbasis signature atau model deteksi berbasis anomali dan menyebabkan banyak kesalahan. Lalu lintas paket data jaringan memiliki sifat yang kompleks, baik dari segi ukuran maupun sumbernya. Penelitian ini memanfaatkan kemampuan jaringan saraf tiruan untuk mendeteksi serangan DDoS atau normal. Teknik klasifikasi dengan metode jaringan saraf tiruan menjadi salah satu solusi. Berdasarkan kekurangan pada IDS tradisional, penelitian ini bertujuan untuk mendeteksi serangan DDoS menggunakan teknik rekayasa fitur berbasis feeder machine learning untuk meningkatkan pengembangan IDS. Selain itu, penelitian ini juga bertujuan untuk menganalisis dan mendapatkan kombinasi fungsi pelatihan dan arsitektur lapisan tersembunyi jaringan saraf tiruan terbaik untuk menyelesaikan permasalahan deteksi dan klasifikasi paket DDoS dalam jaringan komputer dengan memanfaatkan dataset UNSW-NB15 menggunakan metode jaringan saraf tiruan, sehingga didapatkan suatu kombinasi antara fungsi pelatihan dan arsitektur jaringan tersembunyi jaringan saraf tiruan yang mampu memberikan tingkat akurasi pengenalan DDoS yang tinggi. Berdasarkan percobaan yang dilakukan dengan tiga skema dan menggunakan teknik arsitektur skema jaringan saraf tiruan dengan masukan delapan fitur, diperoleh akurasi tertinggi sebesar 98,22%. Pemilihan fitur memainkan peranan penting dalam ketepatan hasil deteksi dan kinerja pembelajaran mesin dalam masalah klasifikasi.

Rancangan Sistem Keamanan Jaringan dari serangan DDoS Menggunakan Metode Pengujian Penetrasi

“…Jika web server mati, maka akses informasi yang di dapat akan terganggu.kelumpuhan web server juga dapat disebabkan oleh beberapa serangan salah satunya yaitu adalah Distributed Denial of Service Serangan DDoS melibatkan penggunaan sejumlah besar perangkat yang terinfeksi atau dikendalikan oleh penyerang untuk secara bersamaan membanjiri target dengan lalu lintas data, menyebabkan penurunan kinerja atau bahkan kegagalan sistem [14], [15]. Hal ini dikarenakan satu layanan pada server di lakukan permintaan berkali-kali oleh penyerang.…”

Perbandingan Kinerja Algoritma K-Nearest Neighbors (K-NN) Dan Decision Tree dalam Deteksi Paket Malis pada Jaringan

“…UNS-NB15 adalah sebuah dataset yang dikembangkan oleh University of New South Wales (UNSW), Australia, untuk penelitian keamanan jaringan. Dataset ini berisi berbagai jenis serangan siber yang direkam dalam lingkungan jaringan terkontrol, seperti serangan DoS, DDoS, probing, dan brute-force [10]. Kedua algoritma tersebut merupakan pendekatan yang umum digunakan dalam analisis keamanan jaringan [11].…”