Pendekatan Machine Learning Dengan Menggunakan Algoritma Xgboost (Extreme Gradient Boosting) Untuk Peningkatan Kinerja Klasifikasi Serangan Syn

Rahmad Gunawan Gunawan; Erik Suanda Handika; Edi Ismanto

doi:10.37859/coscitech.v3i3.4356

Rahmad Gunawan Gunawan Universitas Muhammadiyah Riau
Erik Suanda Handika Universitas Muhammadiyah Riau
Edi Ismanto Universitas Muhammadiyah Riau

https://doi.org/10.37859/coscitech.v3i3.4356

Abstract

Denial of Service (DoS) adalah salah satu serangan cyber populer yang ditargetkan pada situs web organisasi terkenal dan berpotensi memiliki biaya ekonomi dan waktu yang tinggi. Dalam makalah ini, beberapa metode pembelajaran mesin termasuk model ensemble dan pengklasifikasi deep learning berbasis autoencoder dibandingkan dan disetel menggunakan optimasi Bayesian. Kerangka autoencoder memungkinkan untuk mengekstrak fitur baru dengan memetakan input asli ke ruang baru. Metode tersebut dilatih dan diuji baik untuk klasifikasi biner dan multi-kelas pada kumpulan data Digiturk dan Labris, yang baru-baru ini diperkenalkan untuk mendeteksi berbagai jenis serangan DdoS. Semakin penting koneksi data melalui Internet membuat kebutuhan akan keamanan jaringan data semakin meningkat. Salah satu tools yang penting adalah Intrusion detection systems (IDS). Sistem Deteksi Intrusi (IDS) adalah proses pemantauan lalu lintas jaringan dalam sistem untuk mendeteksi pola dan aktivitas yang mencurigakan yang memungkinkan ada serangan dalam sistem itu. beberapa jenis serangan, yaitu Botnet, UDP, SYN, broadcast, sleep deprivation, dan serangan bertubi-tubi. klasifikasi pertama, hasilnya menunjukkan bahwa baik Precision (PR) dan Recall (RE) adalah 89% untuk Algoritma Random Forest. Akurasi rata-rata (AC) dari model yang kami usulkan adalah 89% yang luar biasa dan cukup baik. Pada klasifikasi kedua, hasilnya menunjukkan bahwa baik Precision (PR) dan Recall (RE)sekitar 90% untuk algoritma XGBoost. Akurasi rata-rata (AC) dari model yang kami sarankan adalah 90% pada dataset CICDDoS2019.

Downloads

Download data is not yet available.

References

[1] Y. Li, W. Xu, W. Li, A. Li, and Z. Liu, “Research on hybrid intrusion detection method based on the ADASYN and ID3 algorithms,” Math. Biosci. Eng., vol. 19, no. 2, pp. 2030–2042, 2021, doi: 10.3934/MBE.2022095.
[2] Y. Gormez, Z. Aydin, R. Karademir, and V. C. Gungor, “A deep learning approach with Bayesian optimization and ensemble classifiers for detecting denial of service attacks,” Int. J. Commun. Syst., vol. 33, no. 11, 2020, doi: 10.1002/dac.4401.
[3] M. D. F. N. T. using M. L. Nawaz, M. A. Paracha, A. Majid, and H. Durad, “Attack Detection From Network Traffic using Machine Learning,” VFAST Trans. Softw. Eng., vol. 8, no. 1, pp. 1–7, 2020.
[4] S. Sahren, “Implementasi Teknologi Firewall Sebagai Keamanan Server Dari Syn Flood Attack,” JURTEKSI (Jurnal Teknol. dan Sist. Informasi), vol. 7, no. 2, pp. 159–164, 2021, doi: 10.33330/jurteksi.v7i2.933.
[5] C. Hu, “Ensemble Feature Learning-Based Event Classification for Cyber-Physical Security of the Smart Grid,” no. September, 2019, [Online]. Available: https://spectrum.library.concordia.ca/985779/
[6] Canadian Institute for Cybersecurity, “DATASET CICDDOS2019,” 2019, [Online]. Available: https://www.unb.ca/cic/datasets/ddos-2019.html
[7] C. Ding, H. Han, Q. Li, X. Yang, and T. Liu, “IT3SE-PX: Identification of Bacterial Type III Secreted Effectors Using PSSM Profiles and XGBoost Feature Selection,” Comput. Math. Methods Med., vol. 2021, 2021, doi: 10.1155/2021/6690299.