INTRUSION DETECTION SYSTEM BERBASIS DEEP LEARNING UNTUK PENINGKATAN MITIGASI SQL INJECTION DAN SYN FLOOD ATTACK
DOI:
https://doi.org/10.54314/jssr.v7i4.2340Abstract
Intrusion Detection System (IDS) tradisional seringkali tidak mampu mengikuti kecepatan perkembangan serangan, sehingga meninggalkan celah yang dapat dimanfaatkan oleh penyerang. Penelitian ini bertujuan untuk melindungi infrastruktur jaringan dari ancaman keamanan yang semakin kompleks. Dalam penelitian ini, penulis mengusulkan penggunaan model Deep Learning arsitektur CNN VGG-16 pada Intrusion Detection System untuk mitigasi serangan SqL Injection dan Syn Flood dengan proses yang lebih mendalam yaitu dengan penerapan normalisasi data diawal dan teknik augmentation sebagai cara meningkatkan variasi data pelatihan dan mengurangi overfitting. Public dataset yang digunakan CICDDoS2019 dan CSE-CIC-IDS2018. Dengan memanfaatkan kekuatan model Deep Learning dalam mengenali pola serangan yang kompleks dan berubah-ubah, serta teknik augmentation data untuk dapat memberikan tingakat Accuracy yang lebih baik.. Hasil Percobaan menujukkan hasil CNN dengan Arsitektur VGG 16 memiliki Accuracy 99.9261%, loss 0,018590 untuk serangan Syn Flood dan Accuracy 99.9983%, loss 0.001294 untuk Sql Injection. Resnet 50 dengan Accuracy 99.9263% , loss 0.024910 untuk syn flood, Accuracy 99.9962%, loss 0.001749 untuk Sql Injection. InceptionV3 dengan Accuracy 99.7784%, loss 0.015571 untuk serangan syn flood, sedangkan untuk sql injection dengan nilai Accuracy 99.9872% dan loss 0.000392.
Downloads
References
Aldhaheri, A., Alwahedi, F., Ferrag, M. A., & Battah, A. (2024). Deep learning for cyber threat detection in IoT networks: A review. Internet of Things and Cyber-Physical Systems, 4(October 2023), 110–128. https://doi.org/10.1016/j.iotcps.2023.09.003
Alimi, K. O. A., Ouahada, K., Abu-Mahfouz, A. M., Rimer, S., & Alimi, O. A. (2022). Refined LSTM Based Intrusion Detection for Denial-of-Service Attack in Internet of Things. Journal of Sensor and Actuator Networks, 11(3). https://doi.org/10.3390/jsan11030032
Ashiku, L., & Dagli, C. (2021). Network Intrusion Detection System using Deep Learning. Procedia Computer Science, 185, 239–247. https://doi.org/10.1016/j.procs.2021.05.025
Azmi, M. A. H., Foozy, C. F. M., Sukri, K. A. M., Abdullah, N. A., Hamid, I. R. A., & Amnur, H. (2021). Feature Selection Approach to Detect DDoS Attack Using Machine Learning Algorithms. International Journal on Informatics Visualization, 5(4), 395–401. https://doi.org/10.30630/JOIV.5.4.734
Cao, B., Li, C., Song, Y., Qin, Y., & Chen, C. (2022). Network Intrusion Detection Model Based on CNN and GRU. Applied Sciences (Switzerland), 12(9). https://doi.org/10.3390/app12094184
Dalimunthe, R. A., & Sahren, S. (2020). Intrusion Detection System and Modsecurity for Handling Sql Injection Attacks. … Social, Sciences and Information …, 4509, 187–194. https://doi.org/10.33330/icossit.v1i1.711
Fadillah, R. Z., Irawan, A., Susanty, M., & Artikel, I. (2021). Data Augmentasi Untuk Mengatasi Keterbatasan Data Pada Model Penerjemah Bahasa Isyarat Indonesia (BISINDO). Jurnal Informatika, 8(2), 208–214. https://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/10768
Faiz, M. N., Somantri, O., & Muhammad, A. W. (2022). Rekayasa Fitur Berbasis Machine Learning untuk Mendeteksi Serangan DDoS. In Jurnal Nasional Teknik Elektro dan Teknologi Informasi | (Vol. 11, Issue 3).
Faizin, M. A., Kurniasari, D. T., Elqolby, N., Putra, M. A. R., & Ahmad, T. (2024). Optimizing Feature Selection Method in Intrusion Detection System Using Thresholding. International Journal of Intelligent Engineering and Systems, 17(3), 214–226. https://doi.org/10.22266/ijies2024.0630.18
Gaber, T., Awotunde, J. B., Torky, M., Ajagbe, S. A., Hammoudeh, M., & Li, W. (2023). Metaverse-IDS: Deep learning-based intrusion detection system for Metaverse-IoT networks. Internet of Things (Netherlands), 24(October), 100977. https://doi.org/10.1016/j.iot.2023.100977
Hassan, M. M., Ahmad, R. B., & Ghosh, T. (2021). Sql injection vulnerability detection using deep learning: A feature-based approach. Indonesian Journal of Electrical Engineering and Informatics, 9(3), 702–718. https://doi.org/10.52549/.v9i3.3131
I Made Suartana. (2022). Analisis Penerapan Deep Learning untuk Klasifikasi Serangan Terhadap Keamanan Jaringan. Klik-Kumpulan Jurnal Ilmu Komputer, 9(1), 100–109.
Sahren, S. (2021). IMPLEMENTASI TEKNOLOGI FIREWALL SEBAGAI KEAMANAN SERVER DARI SYN FLOOD ATTACK. JURTEKSI (Jurnal Teknologi Dan Sistem Informasi), 7(2), 159–164. https://doi.org/10.33330/jurteksi.v7i2.933
Sahren, S., Dalimunthe, R. A., Saputra, H., & Kurnia Sirni, D. Y. (2023). Idps Performance Analysis for Mitigating Sql Injections and Syn Flood Attacks. JURTEKSI (Jurnal Teknologi Dan Sistem Informasi), 10(1), 171–178. https://doi.org/10.33330/jurteksi.v10i1.2880
Sahren, S., Saputra, H., Siddik, M., Dalimunthe, R. A., & Hasibuan, H. E. (2024). Analysis of Intelligent Load Balancing on Software Defined Network Architecture. 1–23.
Sbai, O., & Elboukhari, M. (2022). Deep learning intrusion detection system for mobile ad hoc networks against flooding attacks. IAES International Journal of Artificial Intelligence, 11(3), 878–885. https://doi.org/10.11591/ijai.v11.i3.pp878-885
Shorten, C., Khoshgoftaar, T. M., & Furht, B. (2021). Text Data Augmentation for Deep Learning. In Journal of Big Data (Vol. 8, Issue 1). Springer International Publishing. https://doi.org/10.1186/s40537-021-00492-0
Wahyudi, F., & Utomo, L. T. (2021). Perancangan Security Network Intrusion Prevention System Pada PDTI Universitas Islam Raden Rahmat Malang. Edumatic: Jurnal Pendidikan Informatika, 5(1), 60–69. https://doi.org/10.29408/edumatic.v5i1.3278
Weny Indah Kusumawati, & Adisaputra Zidha Noorizki. (2023). Perbandingan Performa Algoritma VGG16 Dan VGG19 Melalui Metode CNN Untuk Klasifikasi Varietas Beras. Journal of Computer, Electronic, and Telecommunication, 4(2). https://doi.org/10.52435/complete.v4i2.387
