Publisher

IAIIIAII

Journal Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)iJurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i Abstract

Penelitian ini mengusulkan model pembelajaran dalam yang menggabungkan Gated Recurrent Units (GRUs) dan Convolutional Neural Networks (CNNs) untuk mendeteksi serangan cyber Distributed Denial of Service (DDoS). Model, yang disebut DBSCAN–GRU–CNN, menggunakan clustering berbasis kepadatan (DBSCAN) untuk memilih fitur yang relevan dan mengurangi waktu eksekusi. Dataset untuk penelitian ini dikumpulkan dari uji penetrasi, di mana beberapa skenario serangan simulasi dieksekusi pada jaringan yang dipantau. Untuk mengevaluasi kinerja model yang diusulkan, digunakan beberapa model perbandingan, termasuk DBSCAN–GRU–CNN (Single Hidden Layer), DBSCAN–GRU–CNN (Double Hidden Layers), DBSCAN–GRU–CNN (With Regularization), DBSCAN–GRU–CNN–PSO, GRU–CNN, GRU–CNN (With Hyperparameter Tuning), dan Random Forest (Tuned Model). Variasi model yang diuji dibuat dengan menambahkan lapisan tersembunyi, regulasi, optimasi dengan Particle Swarm Optimization (PSO), dan penyesuaian hiperparameter. Hasil eksperimen menunjukkan bahwa model DBSCAN–GRU–CNN–PSO memberikan kinerja optimal dengan akurasi 99,3%, presisi 99%, recall 98,9%, dan F1-score 99%, sementara model dengan penyesuaian hiperparameter mencapai akurasi 99%. Dengan menambahkan PSO, model mencapai bobot yang dioptimalkan, generalisasi yang lebih baik, dan akurasi yang sangat baik dalam mendeteksi DDoS.

Conclusion

Model DBSCAN–GRU–CNN–PSO yang diusulkan dalam penelitian ini menunjukkan efisiensi tinggi dalam mendeteksi serangan DDoS, dengan mencapai akurasi 99,3%, presisi 99%, recall 98,9%, dan F1-score 99%.Pendekatan hibrid yang menggabungkan DBSCAN untuk clustering, GRUs dan CNNs untuk ekstraksi fitur, dan PSO untuk optimasi telah terbukti efektif dalam meningkatkan kinerja deteksi serangan DDoS, bahkan dengan dataset yang tidak seimbang (93% kelas normal, 7% kelas DDoS).Data yang digunakan dalam penelitian ini dikumpulkan melalui uji penetrasi real-time, yang memberikan gambaran yang realistis dan valid tentang serangan dunia nyata, dengan atribut seperti waktu, sumber, tujuan, protokol, durasi, kluster, dan anomali yang digunakan untuk pelatihan dan evaluasi model, sehingga memberikan dasar yang kuat untuk model deteksi intrusi.

Future Research

Untuk penelitian lanjutan, disarankan untuk menggunakan dataset yang lebih beragam dan real-time, serta mengembangkan pendekatan hibrid yang menggabungkan deteksi anomali, pembelajaran real-time, dan optimisasi yang sadar akan implementasi untuk meningkatkan kinerja model dalam lingkungan yang dinamis dan bervolume tinggi. Selain itu, perlu dipertimbangkan strategi optimisasi seperti pruning, kuantisasi, dan inferensi terdistribusi untuk mendukung skalabilitas dan responsivitas dalam pengaturan operasional seperti jaringan IoT atau sistem pemantauan ISP. Dengan demikian, model dapat diintegrasikan secara efektif ke dalam infrastruktur jaringan perusahaan atau penyedia layanan internet (ISPs) untuk menghadapi ancaman DDoS yang terus berkembang.

References

1. IASC | Improved Ant Colony Optimization and Machine Learning Based Ensemble Intrusion Detection Model.... doi.org/10.32604/iasc.2023.032324IASC Improved Ant Colony Optimization and Machine Learning Based Ensemble Intrusion Detection Model doi 10 32604 iasc 2023 032324
2. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i. optimizing hybrid deep learning model ddos detection... jurnal.iaii.or.id/index.php/RESTI/article/view/6383Jurnal RESTI Rekayasa Sistem dan Teknologi Informas i optimizing hybrid deep learning model ddos detection jurnal iaii index php RESTI article view 6383

Metadata

File size	605.87 KB
Pages	11
DMCA	Report