Implementasi Sistem Deteksi Anomali pada Jaringan Komputer dengan Pendekatan XGBoost dan Data SNMP
Kata Kunci:
deteksi anomali, pembelajaran mesin, xgboost, snmpAbstrak
Reliabilitas jaringan sangat bergantung pada kemampuan sistem untuk mendeteksi dan merespons anomali secepat mungkin. Anomali dalam jaringan dapat berupa aktivitas mencurigakan, kegagalan perangkat keras, atau serangan siber yang mengancam ketersediaan layanan. Penelitian ini bertujuan untuk mengembangkan sistem deteksi anomali jaringan berbasis data Simple Network Management Protocol (SNMP) menggunakan model XGBoost. Data SNMP yang digunakan pada penelitian ini mencakup berbagai metrik jaringan, sehingga memungkinkan sistem untuk mendeteksi pola-pola kompleks secara akurat. Penelitian ini mencakup proses pengembangan model klasifikasi, implementasi sistem inferensi deteksi anomali berbasis SNMP, dan evaluasi kinerja sistem melalui skenario pengujian yang realistis. Hasil pengujian menunjukkan bahwa model XGBoost mampu mendeteksi berbagai jenis serangan dengan akurasi mencapai 99,82% pada data uji yang belum pernah dilihat. Sistem inferensi yang diimplementasikan juga mampu bekerja secara kontinu untuk memproses data SNMP dan memberikan hasil prediksi yang konsisten. Namun, penelitian ini juga menemukan bahwa sistem memiliki keterbatasan dalam hal fleksibilitas untuk menangani pola serangan baru yang tidak terwakili dalam data pelatihan. Penelitian ini berhasil mengembangkan dan mengimplementasikan sistem deteksi anomali berbasis SNMP dengan model XGBoost yang andal dan akurat. Temuan ini diharapkan dapat menjadi landasan bagi pengembangan lebih lanjut untuk meningkatkan fleksibilitas dan adaptabilitas sistem dalam lingkungan jaringan yang dinamis.
Referensi
Al-Kasassbeh, M., Al-Naymat, G., & Al-Hawari, E., 2016. Towards generating realistic SNMP-MIB dataset for network anomaly detection. International Journal of Computer Science and Information Security, 14(9), 1162.
Cai, K., & Rodavia, M. R., 2023. XGBoost Analysis based on Consumer Behavior. Frontiers in Computing and Intelligent Systems, 5(2), Article 2. https://doi.org/10.54097/fcis.v5i2.12974
Chavan, S., Lodha, N., Rautela, A., & Gupta, K., 2019. Enhancing Performance of Proxy Cache Servers Using Daemon Process. In M. L. Kolhe, M. C. Trivedi, S. Tiwari, & V. K. Singh (Eds.), Advances in Data and Information Sciences (pp. 247–257). Springer. https://doi.org/10.1007/978-981-13-0277-0_20
Loukas, G., & Öke, G., 2010. Protection against denial of service attacks: A survey. The Computer Journal, 53(7), 1020–1037.
Naymat, G. A., Kasassbeh, M. A., & Harwari, E. A., 2018. Using machine learning methods for detecting network anomalies within SNMP-MIB dataset. International Journal of Wireless and Mobile Computing, 15(1), 67. https://doi.org/10.1504/IJWMC.2018.094644
R, G., P, S., & Nagaraja, G. S., 2022. Analysis of SNMP Based Protocols in IoT and Real- World Scenarios. International Journal for Research in Applied Science and Engineering Technology, 10(11), 1867–1871. https://doi.org/10.22214/ijraset.2022.47293
Surya Narayana Reddy, V., Subhash, P., Vinay Kumar, Ch., Samuel, M., Vishal Reddy, G., & Tharun, G., 2024. SNMP Watcher: A Model to Detect DoS and DDoS Attacks Using SNMP Management Information Base Analysis. In B. R. Devi, K. Kumar, M. Raju, K. S. Raju, & M. Sellathurai (Eds.), Proceedings of Fifth International Conference on Computer and Communication Technologies (Vol. 897, pp. 193–203). Springer Nature Singapore. https://doi.org/10.1007/978-981-99-9704-6_17
Zargar, S. T., Joshi, J., & Tipper, D., 2013. A survey of defense mechanisms against distributed denial of service (DDoS) flooding attacks. IEEE Communications Surveys & Tutorials, 15(4), 2046–2069.
Al-Kasassbeh, M., Al-Naymat, G., & Al-Hawari, E., 2016. Towards generating realistic SNMP-MIB dataset for network anomaly detection. International Journal of Computer Science and Information Security, 14(9), 1162.
Cai, K., & Rodavia, M. R., 2023. XGBoost Analysis based on Consumer Behavior. Frontiers in Computing and Intelligent Systems, 5(2), Article 2. https://doi.org/10.54097/fcis.v5i2.12974
Chavan, S., Lodha, N., Rautela, A., & Gupta, K., 2019. Enhancing Performance of Proxy Cache Servers Using Daemon Process. In M. L. Kolhe, M. C. Trivedi, S. Tiwari, & V. K. Singh (Eds.), Advances in Data and Information Sciences (pp. 247–257). Springer. https://doi.org/10.1007/978-981-13-0277-0_20
Loukas, G., & Öke, G., 2010. Protection against denial of service attacks: A survey. The Computer Journal, 53(7), 1020–1037.
Naymat, G. A., Kasassbeh, M. A., & Harwari, E. A., 2018. Using machine learning methods for detecting network anomalies within SNMP-MIB dataset. International Journal of Wireless and Mobile Computing, 15(1), 67. https://doi.org/10.1504/IJWMC.2018.094644
R, G., P, S., & Nagaraja, G. S., 2022. Analysis of SNMP Based Protocols in IoT and Real- World Scenarios. International Journal for Research in Applied Science and Engineering Technology, 10(11), 1867–1871. https://doi.org/10.22214/ijraset.2022.47293
Surya Narayana Reddy, V., Subhash, P., Vinay Kumar, Ch., Samuel, M., Vishal Reddy, G., & Tharun, G., 2024. SNMP Watcher: A Model to Detect DoS and DDoS Attacks Using SNMP Management Information Base Analysis. In B. R. Devi, K. Kumar, M. Raju, K. S. Raju, & M. Sellathurai (Eds.), Proceedings of Fifth International Conference on Computer and Communication Technologies (Vol. 897, pp. 193–203). Springer Nature Singapore. https://doi.org/10.1007/978-981-99-9704-6_17
Zargar, S. T., Joshi, J., & Tipper, D., 2013. A survey of defense mechanisms against distributed denial of service (DDoS) flooding attacks. IEEE Communications Surveys & Tutorials, 15(4), 2046–2069.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
