Deteksi DDoS dengan One Class Classification
Abstract
Penggunaan teknik One-Class Classification telah lama digunakan untuk beberapa kasus dengan pengenalan pola dimana terdapat ketidakseimbangan data training antara 1 dengan lainnya. Kebanyakan dataset DDoS yang tersedia termasuk dalam hal ini. Penelitian ini bertujuan untuk melihat sejauh mana hasil training dengan teknik One Class Classification untuk mendeteksi adanya paket data berjenis serangan DDoS. Teknik One Class Classification yang digunakan dalam penelitian ini adalah One Class Support Vector Machine (OSVM). Perlakukan dataset pada fase Pra-proses sangat menentukan hasil dimana propertis dataset yang tersedia didalamnya terdapat data beerjenis kategori. Training dilakukan dengan pengaturan parameter nu dan gamma. Penentuan hasil secara keseluruhan menggunakan metrik f1-score. Nilai f1-score terendah pada pengaturan nu=0,075 dan gamma=1 dengan nilai 0.39615 Nilai f1-score tertinggi terdapat pada pengaturan parameter nu=0.025 dan gamma=1e-06 dengan nilai 0.97969.
Keywords
Full Text:
PDFReferences
Agrawal, N., & Tapaswi, S. (2019). Defense Mechanisms Against DDoS Attacks in a Cloud Computing Environment: State-of-the-Art and Research Challenges. IEEE Communications Surveys & Tutorials, 21(4), 3769–3795. https://doi.org/10.1109/COMST.2019.2934468
Azkiya, Z. Z., Indriani, F., & Chandra, H. K. (2017). Deteksi Penyakit Dengue Hemorrhagic Fever dengan Pendekatan One Class Classification. Journal of Information Systems Engineering and Business Intelligence, 3(2), 129–133. https://doi.org/10.20473/jisebi.3.2.129-133
Chonka, A., Singh, J., & Zhou, W. (2009). Chaos theory based detection against network mimicking DDoS attacks. IEEE Communications Letters, 13(9), 717–719. https://doi.org/10.1109/LCOMM.2009.090615
Khan, S. S., & Madden, M. G. (2014). One-class classification: Taxonomy of study and review of techniques. The Knowledge Engineering Review, 29(3), 345–374. https://doi.org/10.1017/S026988891300043X
Schölkopf, B., Williamson, R. C., Smola, A., Shawe-Taylor, J., & Platt, J. (1999). Support Vector Method for Novelty Detection. Advances in Neural Information Processing Systems, 12. https://papers.nips.cc/paper/1999/hash/8725fb777f25776ffa9076e44fcfd776-Abstract.html
Zhang, X., Upton, O., Beebe, N. L., & Choo, K.-K. R. (2020). IoT Botnet Forensics: A Comprehensive Digital Forensic Case Study on Mirai Botnet Servers. Forensic Science International: Digital Investigation, 32, 300926. https://doi.org/10.1016/j.fsidi.2020.300926
Statistik Artikel


Refbacks
- There are currently no refbacks.
Copyright (c) 2022 JI-Tech
Jurnal JI-Tech
Jurnal Ilmiah STTI NIIT
Jl. Asem II No.22, RT.11/RW.5,
Cipete Sel., Kec. Cilandak,
Kota Jakarta Selatan,
Daerah Khusus Ibukota Jakarta 12410
Phone: (021) 7515870