Sistem Deteksi Serangan DDoS Pada Software Defined Network Menggunakan Metode Random Forest
Abstrak
Pada era digital yang semakin kompleks, serangan siber jenis Distributed Denial of Service (DDoS) telah menjadi ancaman serius bagi keamanan jaringan, karena mampu melumpuhkan sistem dan layanan dengan membanjiri target menggunakan lalu lintas data yang berlebihan. Penelitian ini mengusulkan sistem deteksi serangan DDoS inovatif yang menggabungkan kekuatan jaringan yang terdefinisi perangkat lunak (Software-Defined Network/SDN) dengan algoritma pembelajaran mesin Random Forest. Data lalu lintas dianalisis untuk menghasilkan fitur-fitur seperti jumlah paket, waktu antar paket, dan ukuran rata-rata paket. Fitur-fitur ini digunakan karena dikenal memiliki kemampuan diskriminatif tinggi dalam mendeteksi pola anomali. Selanjutnya, model yang telah dilatih diintegrasikan ke dalam kontroler SDN, seperti Ryu Controller, sehingga mampu mendeteksi pola lalu lintas mencurigakan secara cepat dan akurat. sistem ini menunjukkan efektivitasnya dengan tingkat akurasi deteksi sebesar 88%. Hasil ini menunjukkan bahwa kombinasi teknologi SDN dan Random Forest memberikan solusi yang andal dalam melindungi infrastruktur digital dari serangan DDoS, sehingga dapat mencegah kerusakan signifikan pada sistem jaringan. Kata kunci— Software Defined Network (SDN), Distributed Denial of Service (DDoS), Random Forest.
Unduhan
Referensi
Gupta, R., & Kumar, M. (2020). "DDoS Attack Detection Using Machine Learning Algorithms in SDN." International Journal of Engineering and Advanced Technology (IJEAT), Vol. 9, Issue 4. DOI: 35940/ijeat.D1748.049420.
Azad, M. A., et al. (2020). "Real-Time Detection of DDoS Attacks in SDN Using Machine Learning." Journal of Network and Computer Applications, 169, 102779. DOI: 1016/j.jnca.2020.102779.
Kumar, N., et al. (2020). "A Hybrid Approach for Detecting DDoS in SDN Using Random Forest and K-Means Clustering." Wireless Personal Communications, 112, 2741- DOI: 10.1007/s11277-020-07252-3.
Huang, C. Y., & Lin, J. Y. (2021). "DDoS Attack Mitigation in SDN Environment Using Random Forest Classifier." International Journal of Computing and Digital Systems (IJCDS), 10(5). Penelitian ini mengevaluasi algoritma Random Forest dalam mendeteksi dan memitigasi serangan DDoS pada lingkungan SDN.
Zhang, J., Chen, Y., & Xiang, Y. (2013). "An Adaptive Method for Detecting DDoS Attacks in SDN." IEEE Transactions on Computers, 62(11), 2273-2285.
Yoon, J., Park, S., & Chung, T. (2020). "DDoS Attack Detection Mechanism Using Feature Selection and Ensemble Learning on Software-Defined Networks." Journal of Network and Computer Applications, 164, 102682.
Moustafa, N., & Slay, J. (2016). "The significant features of the UNSW-NB15 and the KDD99 datasets for network intrusion detection: Statistical analysis and recommendations." Pada penelitian ini, data digunakan untuk membandingkan kinerja berbagai metode, termasuk Random
Forest, untuk deteksi intrusi jaringan. DOI: 10.1109/TrustCom.2016.0139
Deka, G., & Bezboruah, A. (2020). "A hybrid machine learning approach for DDoS detection using Random Forest and PSO." Studi ini menunjukkan bagaimana penggabungan metode Random Forest dengan optimasi dapat meningkatkan akurasi deteksi DDoS.
Ashfaq, R. A. R., et al. (2017). "Fuzziness based semisupervised learning approach for intrusion detection system." Artikel ini membahas peran metode Random Forest dalam mendeteksi berbagai jenis serangan, termasuk DDoS. DOI: 10.1016/j.ins.2017.03.027
