Publisher

IAESONLINEIAESONLINE

Journal Indonesian Journal of Electrical Engineering and Informatics (IJEEI)Indonesian Journal of Electrical Engineering and Informatics (IJEEI) Abstract

Dalam lingkungan jaringan modern, mengamankan sistem dari serangan baru yang muncul sangatlah penting, dan pendekatan konstruktif adalah penggunaan IDS (Sistem Deteksi Intrusi). Ketika menghadapi serangan yang tidak ada dalam daftar pola yang telah didefinisikan sebelumnya, metode IDS tradisional seperti pendeteksian berbasis tanda tangan atau model pembelajaran mesin mandiri mungkin tidak berfungsi dengan baik untuk mendeteksi serangan tersebut karena mereka tidak dapat disesuaikan dan tidak dirancang untuk menangani jenis serangan ini. Sistem IDS saat ini yang menggunakan arsitektur pembelajaran dalam telah meningkatkan kemampuan pendeteksian; namun, sebagian besar sistem sebelumnya terbatas oleh pembelajaran fitur parsial, yang hanya mempelajari fitur dari struktur lalu lintas spasial atau temporal. Sementara itu, kurangnya mekanisme yang sadar konteks, seperti perhatian, membatasi kemampuan mereka untuk lebih memperhatikan komponen jaringan yang paling informatif, yang menyebabkan kinerja pendeteksian yang kurang optimal dan generalisasi. Untuk mengatasi masalah ini, dalam pekerjaan ini, kami memperkenalkan CyberShieldDL, yang merupakan kerangka kerja IDS berbasis pembelajaran dalam pertama dengan arsitektur hibrida baru: IntruNet-Hybrid, yang menggabungkan Jaringan Neural Konvolusi (CNN) untuk ekstraksi pola spasial, Jaringan Ingatan Jangka Panjang Berarah Dua Arah (Bi-LSTM) untuk ekstraksi fitur sekuensial, dan mekanisme perhatian untuk mempelajari fitur yang menonjol untuk deteksi intrusi secara dinamis. Untuk menciptakan kerangka kerja, disajikan pipa pra-pemrosesan dan pemilihan fitur yang dioptimalkan untuk mempersiapkan masukan model secara efektif dan hemat biaya. Eksperimen ekstensif pada dataset CIC-IDS2017 menunjukkan bahwa CyberShieldDL secara konsisten melebihi yang terbaik, mencapai akurasi keseluruhan sebesar 98,35% dan presisi, recall, serta F1-score yang tinggi dalam berbagai skenario serangan. Validasi lintas dataset pada NSL-KDD dan UNSW-NB15 juga memverifikasi generalisasi sistem. Desain ini menyediakan solusi yang dapat dikembangkan dan fleksibel untuk keamanan jaringan dunia nyata, menawarkan fleksibilitas dan kemampuan adaptasi yang diperlukan untuk meningkatkan akurasi klasifikasi dan ketahanan terhadap pola serangan yang berkembang.

Conclusion

Penelitian ini memperkenalkan CyberShieldDL, sebuah kerangka kerja deteksi intrusi berbasis pembelajaran dalam yang dirancang untuk meningkatkan keamanan siber melalui pembelajaran fitur spasial-temporal yang cerdas.Model IntruNet-Hybrid yang diusulkan menggabungkan mekanisme konvolusi, rekuren, dan perhatian untuk menangkap pola lalu lintas jaringan yang kompleks, mengatasi keterbatasan model mandiri yang ada.Melalui eksperimen komprehensif pada dataset CIC-IDS2017 dan validasi lintas dataset pada NSL-KDD dan UNSW-NB15, CyberShieldDL menunjukkan kinerja pendeteksian yang kuat, generalisasi yang efektif, dan ketahanan terhadap berbagai jenis serangan.Hasilnya mengonfirmasi bahwa menggabungkan pembelajaran fitur spasial dan sekuensial dengan perhatian dinamis meningkatkan akurasi klasifikasi, mengurangi false positive, dan meningkatkan pendeteksian terhadap serangan siber yang sering dan langka.Meskipun demikian, penelitian ini mengakui adanya keterbatasan kunci.Evaluasi hanya mempertimbangkan dataset publik yang tersedia, yang membatasi generalisasi model di dunia nyata, dan tuntutan komputasi model dapat menantang penerapannya di perangkat tepi dengan sumber daya terbatas.Selain itu, ketahanan terhadap serangan adversarial masih menjadi tantangan yang terbuka.Pekerjaan masa depan akan mengatasi keterbatasan ini dengan memperluas kerangka kerja ke lingkungan deteksi intrusi waktu nyata menggunakan data jaringan streaming.Teknik optimasi, seperti pemangkasan model, kuantisasi, dan pemisahan edge-cloud, akan dieksplorasi untuk memungkinkan penerapan efisien dalam skenario komputasi tepi.Selain itu, mekanisme pembelajaran adversarial dan pelatihan adaptif akan terintegrasi untuk meningkatkan ketahanan sistem terhadap taktik penghindaran yang canggih.Validasi tambahan pada dataset dunia usaha yang beragam akan lebih memperkuat penerapan praktis sistem.Secara keseluruhan, kerangka kerja CyberShieldDL menyediakan dasar yang menjanjikan untuk sistem deteksi intrusi yang dapat dikembangkan, adaptif, dan cerdas, sehingga meningkatkan mekanisme pertahanan siber di lingkungan jaringan yang heterogen dan dinamis.

Future Research

Berdasarkan latar belakang, metode, hasil, keterbatasan, dan bagian saran penelitian lanjutan, berikut adalah saran penelitian lanjutan yang baru:. . 1. Mengembangkan kerangka kerja CyberShieldDL untuk lingkungan deteksi intrusi waktu nyata menggunakan data jaringan streaming. Ini akan memungkinkan sistem untuk menangani data yang terus berubah dan meningkatkan ketahanan terhadap serangan yang berkembang.. . 2. Menerapkan teknik optimasi, seperti pemangkasan model, kuantisasi, dan pemisahan edge-cloud, untuk memungkinkan penerapan efisien CyberShieldDL di perangkat tepi dengan sumber daya terbatas. Optimisasi ini akan meningkatkan kinerja dan mengurangi tuntutan komputasi sistem.. . 3. Mengintegrasikan mekanisme pembelajaran adversarial dan pelatihan adaptif ke dalam kerangka kerja untuk meningkatkan ketahanan sistem terhadap taktik penghindaran yang canggih. Dengan demikian, sistem akan dapat beradaptasi dengan serangan yang semakin canggih dan mempertahankan ketahanan terhadap serangan adversarial.

References

1. CyberShieldDL: A Hybrid Deep Learning Architecture for Robust Intrusion Detection and Cyber Threat Classification... doi.org/10.52549/ijeei.v13i3.6912CyberShieldDL A Hybrid Deep Learning Architecture for Robust Intrusion Detection and Cyber Threat Classification doi 10 52549 ijeei v13i3 6912

Metadata

File size	1.63 MB
Pages	23
DMCA	Report