Text

Implementasi sistem multi Intrusion Detection System (IDS) dan algoritma Support Vector Machine (SVM) pada Machine Learning (ML) untuk mendeteksi serangan DoS attack dan probe attack

---

Meningkatnya kejahatan dan serangan siber menjadikan keamanan jaringan sebagai prasyarat dasar bagi organisasi, tetapi organisasi tidak bisa menjamin hal tersebut karena penggunaan Intrusion Detection System (IDS) pada suatu organisasi masih menggunakan IDS bersensor tunggal, baik hanya berupa Host-Based IDS (HIDS) maupun hanya berupa Network-Based IDS (NIDS). Batasan ruang lingkup deteksi keduanya mengakibatkan kurangnya jumlah intrusi yang terdeteksi dari IDS yang ingin digunakan, oleh karena itu peneliti mengintegrasikan NIDS dan HIDS untuk dijadikan multi-IDS guna menyatukan ruang lingkup keduanya untuk memperbanyak intrusi yang mampu terdeteksi dari sistem mitigasi serangan yang akan dibangun.

Namun, tingginya nilai False Positive dan False Negative pada NIDS dan HIDS menjadi sebuah permasalahan tersendiri Ketika keduanya diintegrasikan. Oleh karena itu, peneliti menggunakan machine learning untuk meningkatan akurasi deteksi terhadap data serangan yang masuk. Hasil penelitian menunjukkan machine learning yang digunakan untuk melakukan analisis statis terhadap dataset NSL-KDD mencapai 99% untuk serangan bertipe DoS attack dan 98% untuk serangan bertipe Probe attack. Langkah selanjutnya yaitu analisis secara dinamis terhadap simulasi serangan yang dilakukan secara realtime menghasilkan plugin machine learning mampu mendeteksi secara penuh serangan bertipe DoS attack dan plugin machine learning mampu mendeteksi lebih detil adanya kemungkinan serangan SYN Flooding DoS attack melalui paket serangan Probe attack dibanding dengan ruleset community rules milik Snort. --

The increase in cybercrime and cyber-attacks makes network security a basic prerequisite for organizations, but organizations cannot guarantee this because the use of an Intrusion Detection System (IDS) in an organization still uses a single sensor IDS, either only in the form of Host-Based IDS (HIDS) or only in the form of Network-Based IDS (NIDS). The limitation of the detection scope of the two results in a lack of intrusion detected from a single IDS system, therefore the researcher integrates NIDS and HIDS to become multi-IDS to unify the scope of the two to increase the intrusion that can be detected from the attack mitigation system that will be built.

However, the high value of False Positive and False Negative on NIDS and HIDS becomes a problem in itself when the two are integrated. Therefore, researchers use machine learning to improve the detection accuracy of incoming attack data. The results showed that the machine learning used to perform static analysis of the NSL-KDD dataset reached 99% for DoS attacks and 98% for Probe attacks. Meanwhile, for dynamic analysis of attack simulations carried out in real-time, machine learning plugins can fully detect DoS attack types and machine learning plugins can detect in more detail the possibility of SYN Flooding DoS attacks through Probe attack packages compared to the Snort community rules set.

---

Availability

Detail Information

Series Title

-

Call Number

2022 ACH i

Publisher

Bogor : Politeknik Siber dan Sandi Negara., 2022

Collation

xiv, 59 hlm.

Language

Indonesia

ISBN/ISSN

--

Classification

--

Content Type

-

Media Type

-

Carrier Type

-

Edition

--

Subject(s)

Artificial Intelligence
Computer security
Data sets
DoS attacks
HIDS
Multi-IDS
NIDS
Probe attacks

Specific Detail Info

-

Statement of Responsibility

Achmad Husein Noor Faizi

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment