DDoS Penerapan Random Forest dan Adaboost untuk Klasifikasi Serangan DDoS
Open Access
- 30 January 2023
- journal article
- research article
- Published by Universitas Pahlawan Tuanku Tambusai in Journal on Education
- Vol. 5 (3) , 7925-7937
Abstract
Di antara berbagai jenis serangan di bidang Teknologi Informasi, serangan DDOS adalah salah satu ancamanterbesar bagi situs internet dan menimbulkan risiko yang menghancurkan keamanan sistem komputer, terutamakarena potensi dampaknya. Oleh karena itu mengapa penelitian di bidang ini berkembang pesat, dengan parapeneliti yang berfokus pada cara-cara baru untuk mengatasi deteksi dan pencegahan intrusi. Machine learningdan Artificial Intelligent adalah beberapa tambahan terbaru dalam daftar teknologi yang diteliti untukmelakukan klasifikasi deteksi intrusi. Studi ini mengeksplorasi perilaku dan penerapan dataset DDoS untukpembelajaran mesin dalam konteks deteksi intrusi. Alur dalam penelitian ini, pertama adalah mengumpulkandataset DDoS mentah dari sumber yang memiliki reputasi baik. Setelah data diperoleh, kumpulan data akhirdibuat untuk pemodelan. Manajemen data melibatkan pembersihan data, transformasi tipe data dan pertukarandata pada pengumpulan data. Proses seleksi disertai dengan model. Dua algoritma terpisah, random danadaboost, digunakan untuk melatih model dengan dataset. Model divalidasi dan dilatih ulang dengan k-foldcross. Model tersebut akhirnya dievaluasi menggunakan data yang tidak terlihat. Hasilnya ditentukan olehberbagai ukuran keluaran. Dalam percobaan, dataset DDoS digunakan: CICDDoS_2019 Performa deteksiintrusi set data ini dianalisis menggunakan dua model pembelajaran mesin. Dataset dibagi dalam rasio 80:20untuk pelatihan model, validasi dan pengujian. Model pembelajaran mesin dipilih secara sistematis dan hatihatiuntuk memastikan bahwa eksperimen dilakukan dengan cara yang tepat. Hasilnya dianalisis menggunakansekumpulan metrik performa, termasuk akurasi, presisi, recall, f-measure, dan waktu komputasi.Keywords
This publication has 5 references indexed in Scilit:
- A Churn Prediction Model Using Random Forest: Analysis of Machine Learning Techniques for Churn Prediction and Factor Identification in Telecom SectorIEEE Access, 2019
- Hyperparameters and tuning strategies for random forestWIREs Data Mining and Knowledge Discovery, 2019
- DDoS Attack Detection and Mitigation Using SDN: Methods, Practices, and SolutionsArabian Journal for Science and Engineering, 2017
- Model Selection in Finite Mixture Models: A k -Fold Cross-Validation ApproachStructural Equation Modeling: A Multidisciplinary Journal, 2016
- A hybrid intrusion detection system design for computer network securityComputers and Electrical Engineering, 2009