Edbertus, Nehemia (2018) Rancang Bangun Anomaly Detection System Berbasis Naïve Bayes Pada Jaringan Openflow. Bachelor Thesis thesis, Universitas Multimedia Nusantara.
Abstract
Anomaly Detection System adalah sebuah sistem untuk mendeteksi adanya serangan pada jaringan atau tidak. Salah satu jenis serangan jaringan yang masih umum dilancarkan adalah Distributed Denial of Service yang menyebabkan target tidak dapat menyediakan layanannya. Salah satu teknik mendeteksi serangan tersebut adalah dengan menggunakan Gaussian Naïve Bayes Classifier yang dapat mengklasifikasikan traffic jaringan dalam suatu window merupakan serangan atau traffic normal menggunakan acuan dari distribusi normal yang didapat dari hasil training menggunakan dataset traffic normal dan serangan. Penelitian ini merancang Anomaly Detection System berbasis Naïve Bayes untuk mendeteksi serangan DDoS berjenis SYN Flood pada jaringan OpenFlow menggunakan switch Zodiac FX. Sistem yang dikembangkan memanfaatkan protokol OpenFlow untuk membuat flow rule pada flow table switch mendeteksi dan memitigasi serangan SYN Flood secara real-time. Langkah mitigasi yang diterapkan oleh sistem adalah mengalihkan semua paket masuk ke SYN Proxy sehingga hanya legitimate TCP packet yang dapat mencapai server. Hasil pengujian menunjukkan sistem memiliki bandwidth sebesar 60Mbps saat dalam keadaan normal dan 5,03Mbps saat dalam serangan. Jumlah paket serangan terbanyak yang dapat mencapai server sebelum dialihkan menuju SYN Proxy diestimasi sebanyak 400 paket tanpa melihat jumlah paket serangan yang dikirim dan dengan asumsi flow rule dari controller langsung diterapkan.
Item Type: | Thesis (Bachelor Thesis) |
---|---|
Keywords: | Anomaly Detection System, Naïve Bayes, Protokol OpenFlow, Zodiac FX, SYN Proxy |
Subjects: | 000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware |
Divisions: | Faculty of Engineering & Informatics > Computer Engineering |
Depositing User: | Administrator UMN Library |
Date Deposited: | 24 Jan 2019 09:51 |
Last Modified: | 21 Jan 2022 04:46 |
URI: | https://kc.umn.ac.id/id/eprint/4918 |
Actions (login required)
View Item |