POLITANI SAMARINDAPOLITANI SAMARINDA

TEPIANTEPIAN

Tujuan penelitian ini adalah untuk meningkatkan akurasi klasifikasi bandwidth palsu menggunakan model CNN, dengan memanfaatkan log jaringan yang dikumpulkan secara real-time. Dalam penelitian ini, log jaringan dari Laboratorium Keamanan Siber Universitas Teknologi Sarawak digunakan sebagai dataset untuk melatih model CNN. Dataset terdiri dari 20 hari aktivitas jaringan yang terus-menerus, menghasilkan lebih dari 500.000 entri data. Berdasarkan hasil evaluasi model, model CNN yang dilatih menunjukkan akurasi tinggi dalam mengklasifikasikan bandwidth asli (Presisi: 0,92, Recall: 0,95). Selain itu, model berhasil mendeteksi bandwidth palsu (Presisi: 0,89, Recall: 0,90) dan kategori aktivitas tidak berat (Presisi: 0,98, Recall: 0,84). Analisis Loss Over Epochs menunjukkan penurunan yang signifikan dalam loss selama fase pelatihan, dengan konvergensi optimal tercapai pada epoch 2000. Mengidentifikasi karakteristik ini memungkinkan sistem pemantauan untuk mengklasifikasikan data jaringan dengan keyakinan tinggi, mendeteksi manipulasi bandwidth dalam jaringan yang luas. Dengan demikian, penelitian ini membantu merancang sistem pemantauan jaringan dinamis yang membutuhkan waktu respons minimal sambil mempertahankan akurasi tinggi.

Penelitian ini menunjukkan bahwa model CNN dapat digunakan untuk mengklasifikasikan log jaringan untuk mendeteksi bandwidth palsu, bandwidth asli, dan aktivitas tidak berat dengan akurasi tinggi menggunakan data log yang dikumpulkan secara real-time setiap detik selama 20 hari.Model CNN ini terbukti mampu memproses lebih dari 500.000 baris data log sekaligus, menunjukkan kemampuan model untuk mengenali pola yang sangat kompleks dan halus dalam volume data besar yang metode tradisional kesulitan mengatasinya.Model berhasil mengklasifikasikan bandwidth asli dengan akurasi tinggi, seperti yang ditunjukkan oleh evaluasi kinerja model berdasarkan metrik Presisi 0,92, Recall 0,95, bandwidth palsu terdeteksi dengan Presisi 0,89 dan Recall 0,90, dan aktivitas tidak berat terdeteksi dengan Presisi 0,98 dan Recall 0,84.Hasil Loss Over Epochs menunjukkan bahwa seiring bertambahnya epoch, model CNN mengalami penurunan loss dari 1,0 pada epoch 0 menjadi 0,05 pada epoch 2000.Perkiraan ini mengungkapkan bahwa model CNN berhasil mencapai konvergensi optimal, di mana kesalahan prediksi hampir nol.Penggunaan epoch menunjukkan bahwa ketahanan model dapat ditingkatkan dengan menggunakan teknik di mana laju belajar dapat diturunkan pada titik tertentu selama pelatihan.

Berdasarkan hasil penelitian ini, ada beberapa saran penelitian lanjutan yang dapat dipertimbangkan. Pertama, perlu dilakukan penelitian lebih lanjut untuk mengoptimalkan model CNN agar dapat menangani data yang lebih kompleks dan dinamis, seperti skenario DDoS atau perubahan jaringan yang mendadak. Kedua, penelitian dapat dilakukan untuk mengembangkan algoritma yang lebih canggih untuk mengatasi masalah non-IID (non-independent and identically distributed) dalam data, sehingga meningkatkan akurasi dan efisiensi dalam pengambilan dan identifikasi data. Ketiga, penelitian dapat difokuskan pada integrasi sistem pemantauan jaringan real-time dengan fitur-fitur penyesuaian diri untuk menangani anomali jaringan, seperti lonjakan bandwidth di jaringan 5G. Dengan demikian, penelitian lanjutan dapat meningkatkan ketepatan dan keandalan dalam mendeteksi dan mengklasifikasikan bandwidth palsu, serta meningkatkan efektivitas pemantauan jaringan secara keseluruhan.

  1. Optimisation of Network Logs for Fake Bandwidth Classification using CNN | TEPIAN. optimisation network... e-journal.politanisamarinda.ac.id/index.php/tepian/article/view/3260Optimisation of Network Logs for Fake Bandwidth Classification using CNN TEPIAN optimisation network e journal politanisamarinda ac index php tepian article view 3260
  2. A Control Plane Enabling Automated and Fully Adaptive Network Traffic Monitoring With eBPF | IEEE Journals... ieeexplore.ieee.org/document/9869628A Control Plane Enabling Automated and Fully Adaptive Network Traffic Monitoring With eBPF IEEE Journals ieeexplore ieee document 9869628
Read online
File size1.65 MB
Pages12
DMCAReport

Related /

ads-block-test