Publisher

JOIVJOIV

Journal JOIV : International Journal on Informatics VisualizationJOIV : International Journal on Informatics Visualization Abstract

Pengaruh Distributed-Denial-of-Service (DDoS) tidak dapat dipungkiri signifikan, dan seiring perkembangan perangkat IoT, dampaknya diperkirakan akan terus meningkat di masa depan. Meskipun banyak solusi telah dikembangkan untuk mengidentifikasi dan mencegah serangan ini, yang terutama menargetkan perangkat IoT, bahaya tetap ada dan kini lebih besar daripada sebelumnya. Praktik umum meluncurkan serangan denial‑of‑service merupakan upaya memblokir permintaan sah dengan membanjiri mesin atau sumber daya target menggunakan permintaan palsu sehingga sistem kewalahan dan tidak dapat memproses permintaan legitima. Dalam beberapa tahun terakhir, banyak upaya pemanfaatan pembelajaran mesin untuk menangani masalah middle‑box yang kompleks serta masalah Kecerdasan Buatan (AI) lainnya. Botnet modern sangat canggih sehingga dapat berevolusi setiap hari, seperti pada kasus botnet Mirai. Penelitian ini menyajikan metode pembelajaran mendalam berbasis dataset dunia nyata yang diperoleh dengan menginfeksi sembilan perangkat IoT menggunakan dua botnet DDoS paling merusak, yaitu Mirai dan Bashlite, kemudian menganalisis hasilnya. Makalah ini mengusulkan model BiLSTM‑CNN yang menggabungkan Bidirectional Long‑Short Term Memory Recurrent Neural Network dengan Convolutional Neural Network (CNN). Model ini memanfaatkan CNN untuk pemrosesan data dan optimalisasi fitur, sementara BiLSTM digunakan untuk klasifikasi. Model tersebut dievaluasi dengan membandingkan hasilnya dengan tiga model pembelajaran mendalam standar, yaitu CNN, Recurrent Neural Network (RNN), dan Long‑Short Term Memory RNN (LSTM‑RNN). Terdapat kebutuhan besar akan dataset yang lebih realistis untuk menguji kemampuan model secara menyeluruh, dan di sinilah N‑BaIoT berperan, karena juga mencakup data IoT multi‑perangkat. Dataset N‑BaIoT berisi serangan DDoS dengan dua jenis botnet paling banyak digunakan: Bashlite dan Mirai. Teknik cross‑validation 10‑fold menguji keempat model. Hasil yang diperoleh menunjukkan bahwa BiLSTM‑CNN mengungguli semua classifier individu pada semua aspek, dengan akurasi 89,79 % dan tingkat error 0,1546, serta presisi sangat tinggi 93,92 % dengan f1‑score dan recall masing‑masing 85,73 % dan 89,11 %. RNN mencapai akurasi tertinggi di antara tiga model individu, yaitu 89,77 %, diikuti LSTM dengan akurasi kedua tertinggi 89,71 %. Sementara itu, CNN memperoleh akurasi terendah di antara semua classifier, yaitu 89,50 %.

Conclusion

Serangan DDoS yang memanfaatkan teknik spoofing tetap menjadi ancaman serius bagi semua pengguna internet, dan botnet seperti Mirai serta Bashlite terus berkembang melampaui metode mitigasi tradisional.Pendekatan pembelajaran mendalam yang kami gunakan, khususnya model BiLSTM‑CNN, menunjukkan akurasi rata‑rata sekitar 89,7 % dengan nilai recall, presisi, dan F‑1 tertinggi serta tingkat error terendah dibandingkan model lain.Dengan dataset yang luas dan hasil yang memuaskan, penelitian ini membuktikan kemampuan AI untuk mengatasi ancaman DDoS, dan pengembangan lebih lanjut serta metode inovatif di masa depan dapat memberikan peluang kuat untuk menghentikan serangan tersebut secara permanen.

Future Research

Penelitian selanjutnya dapat mengeksplorasi penerapan mekanisme attention dalam kombinasi dengan arsitektur BiLSTM‑CNN untuk meningkatkan akurasi deteksi botnet pada data IoT yang mencakup variasi protokol yang lebih luas, yang akan membantu model fokus pada fitur paling relevan. Selain itu, evaluasi performa model pada dataset streaming IoT secara real‑time dengan pendekatan online learning dapat mengurangi latency deteksi dan memungkinkan respons cepat terhadap serangan yang muncul secara dinamis. Selanjutnya, integrasi model multimodal yang menggabungkan data jaringan dengan data perilaku perangkat, seperti log sensor atau metrik konsumsi daya, dapat meningkatkan robustitas deteksi terhadap botnet yang adaptif dan mengurangi false positive dengan memanfaatkan konteks tambahan di luar lalu lintas jaringan.

Subjects

1. #based learning model#based learning model
2. #pembelajaran mendalam#pembelajaran mendalam

Metadata

File size	3.61 MB
Pages	8
DMCA	ReportReport