Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, hampir 150 ribu koneksi jaringan dari data set intrusi NSL-KADD, dikelompokkan menjadi normal dan 4 kategori serangan. Kita juga menemukan tantangan besarnya, 17 jenis serangan hanya muncul di data uji, seperti serangan 0DI di dunia nyata. Ayo kita mulai. Halo, selamat datang di seri tutorial riset, deteksi anomali dan intrusi jaringan IoT dengan Hybrid Machine Learning. Miliaran perangkat IoT seperti kamera, sensor, dan ruter rumah menjadi sasaran empuk serangan siber. Sistem deteksi intrusi atau IDS bertugas mengenali trafik berbahaya. Di seri 6 episode ini kita membangun IDS dari 0, data set intrusi, praproses, seleksi fitur, model tunggal, model hybrid, sampai evaluasi dan dashboard monitoring.
Langkah 1: Memasang library
Kita buka terminal lewat menu terminal, new terminal, lalu pasang pandas, scikit-learn, xgboost, torp, dan matplotlib. Dataset NSLKADD sudah tersedia di folder dataset dalam bentuk CSV, khusus untuk pelanggan premium.
Langkah 2: Empat kategori serangan
Buat file data underscore intrusi.py. NSLKADD diberisi 39 jenis serangan yang dikelompokkan menjadi 4 kategori. The OS atau Daniel of Service membanjiri target, misalnya Neptune dan Smurf. Probe memindai jaringan untuk mencari celah, seperti map dan port swap. R2L, remote to local, mencoba masuk dari luar, misalnya menebak password. U2R, user to root, mencoba mendapat hak administrator, seperti buffer overflow. Kamus ke kategori membalik daftar ini agar setiap jenis serangan bisa langsung dipetakan ke kategorinya. Fungsi muat membaca CSV dengan pandas,
Langkah 3: Memuat dataset
menambahkan kolom kategori, normal atau salah satu dari 4 kategori serangan, serta kolom binar serangan yang bernilai 1 untuk semua jenis serangan. Kolom difficulty dari pembuat dataset kita buang karena bukan fitur traffic.
Langkah 4: Komposisi kelas & zero-day
Buat file eksplorasi.py dan jalankan. Data latih berisi 125.973 koneksi dan data uji 22.544 koneksi, masing-masing dengan 41 fitur. 53% data latih normal, 36% DOS, dan 9% Probe. R2L hanya 0,8% dan U2R 0,04% di data latih, tetapi di data uji R2L melonjak menjadi 12%. Yang paling menantang, 17 jenis serangan hanya ada di data uji, mencakup 16,6% koneksi uji. Model harus mendeteksi serangan yang belum pernah dilihatnya.
Langkah 5: Pola trafik serangan
Mari lihat grafiknya. Komposisi kategori pada skala lock memperlihatkan ketidakseimbangan ekstrim antara normal dan U2R. Distribusi byte sumber menunjukkan DOS banyak yang 0 byte, karena hanya mengirim paket pembuka koneksi. Peta fitur memperlihatkan DOS punya jumlah koneksi dan tingkat galat SCN yang tinggi. Pola-pola inilah yang akan dipelajari model.
Selesai!
Selesai. Kita sudah mengenal 4 kategori serangan, memuat dataset NSL-KADD, memetakan 39 jenis serangan, dan menemukan tantangan ketidakseimbangan kelas serta serangan 0-Day. Di episode berikutnya, kita memperaproses data trafik. Sedang menyusun skripsi, tesis, atau riset di bidang keamanan jaringan dan machine learning? Cerdas inovasi digital membantu implementasi sistem deteksi intrusi, dari praproses trafik jaringan, seleksi fitur, random forest dan XGBoost, sampai autoencoder untuk serangan 0-Day dan dashboard monitoring, serta membuka kursus pemrograman Python untuk teknik elektro dan informatika. Ingin menguasai seluruh seri ini? Dari dataset intrusi sampai sistem hybrid yang siap dipantau? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah, dataset, dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdas inovasi digital.com. Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com. Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
52 kelas video1.277 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
