Identifikasi Serangan Lowrate Distributed Denial Of Services Dalam Jaringan Dengan Menggunakan Algoritma Adaboost
DOI:
https://doi.org/10.31294/simpatik.v3i1.1829Keywords:
Machine Learning, AdaBoost, DDoSAbstract
Distributed Deniel of Service (DDoS) merupakan salah satu serangan yang paling populer saat ini. DDoS adalah yang bertujuan untuk menyebabkan crash pada sistem server dengan cara membanjiri paket ataupun permintaan pada jaringan. Karakteristik serangan lowrate Distributed Denial of Service (DDoS) sulit di bedakan dari arus lalu lintas jaringan normal, sehingga untuk mengidentifikasi serangan ini diperlukan sistem yang dapat mengklasifikasi serangan lowrate DDoS. Pada penelitian ini telah dilakukan identifikasi serangan lowrate DDoS dengan menggunakan metode AdaBoost. Dataset yang digunakan merupakan data MachineLearningCSV yaitu bagian dari kumpulan data CICIDS-2017 yang berasal dari Konsorsium ISCX. MachineLeaningCSV terdiri dari delapan (8) sesi pemantauan traffic. Data tersebut akan di preprocessing guna mengubah data menjadi array dan dilakukan seleksi atribut yang paling relevan untuk mempermudah kinerja metode AdaBoost dalam melakukan klasifikasi. Setelah melakukan pengujian terhadap penlitian terhadap deteksi DdoS dengan menggunakan algoritma AdaBoost, akurasi yang dihasilkan dengan tingkat akurasi hingga 99.2%.
References
Alfidzar, H., & Zen, B. P. (2022). Implementasi HoneyPy Dengan Malicious Traffic Detection System (Maltrail) Menggunakan Analisis Deskriptif Guna Untuk Mendeteksi Serangan DDOS Pada Server. Journal of Informatics, Information System, Software Engineering and Applications (INISTA), 4(2), 32–45. https://doi.org/10.20895/inista.v4i2.534
Amarudin, A., & Yuliansyah, A. (2018). Analisis penerapan mikrotik router sebagai user manager untuk menciptakan internet sehat. Tam, 9(1), 62–66.
Ashfaq, M. F., Malik, M., Fatima, U., & Shahzad, M. K. (2022). Classification of IoT based DDoS Attack using Machine Learning Techniques. 2022 16th International Conference on Ubiquitous Information Management and Communication (IMCOM).
Deepa, V., Muthamil Sudar, K., & Deepalakshmi, P. (2018). Detection of DDoS attack on SDN control plane using hybrid machine learning techniques. Proceedings of the International Conference on Smart Systems and Inventive Technology, ICSSIT 2018, Icssit, 299–303. https://doi.org/10.1109/ICSSIT.2018.8748836
Firdaus, D., Munadi, R., & Purwanto, Y. (2020). DDoS Attack Detection in Software Defined Network using Ensemble K-means++ and Random Forest. 2020 3rd International Seminar on Research of Information Technology and Intelligent Systems, ISRITI 2020, 164–169. https://doi.org/10.1109/ISRITI51436.2020.9315521
Hu, J. (2017). Automated detection of driver fatigue based on AdaBoost classifier with EEG signals. Frontiers in Computational Neuroscience, 11(August), 1–10. https://doi.org/10.3389/fncom.2017.00072
Khuphiran, P., Leelaprute, P., Uthayopas, P., Ichikawa, K., & Watanakeesuntorn, W. (2018). Performance comparison of machine learning models for DDoS attacks detection. 2018 22nd International Computer Science and Engineering Conference, ICSEC 2018, 1–4. https://doi.org/10.1109/ICSEC.2018.8712757
Kurniabudi, Stiawan, D., Darmawijoyo, Bin Idris, M. Y. Bin, Bamhdi, A. M., & Budiarto, R. (2020). CICIDS-2017 Dataset Feature Analysis with Information Gain for Anomaly Detection. IEEE Access, 8, 132911–132921. https://doi.org/10.1109/ACCESS.2020.3009843
Shailesh Singh Panwar, Raiwani, Y. P., & Panwar, L. S. (2022). An Intrusion Detection Model for CICIDS-2017 Dataset Using Machine Learning Algorithms. 2022 International Conference on Advances in Computing, Communication and Materials (ICACCM).
Sumadi, F. D. S., & Aditya, C. S. K. (2021). Machine learning in openflow network: Comparative analysis of ddos detection techniques. International Arab Journal of Information Technology, 18(2), 221–226. https://doi.org/10.34028/IAJIT/18/2/11
Yadahalli, S., & Nighot, M. K. (2018). Adaboost based parameterized methods for wireless sensor networks. Proceedings of the 2017 International Conference On Smart Technology for Smart Nation, SmartTechCon 2017, 1370–1374. https://doi.org/10.1109/SmartTechCon.2017.8358590
Yang, L., & Zhao, H. (2019). DDoS attack identification and defense using SDN based on machine learning method. Proceedings - 2018 15th International Symposium on Pervasive Systems, Algorithms and Networks, I-SPAN 2018, 174–178. https://doi.org/10.1109/I-SPAN.2018.00036
