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, tiga model tunggal. XGBoost paling akurat mengenali jenis serangan, tetapi hanya mendeteksi 66% serangan. Otoencoder yang tidak pernah melihat satupun contoh serangan justru mendeteksi 82%. Ayo kita mulai. Halo, selamat datang di episode keempat seri deteksi intrusi jaringan IoT dengan Hybrid Machine Learning. Ada dua filosofi deteksi intrusi, berbasis tanda tangan, yang belajar dari contoh serangan, dan berbasis anomali, yang belajar seperti apa trafik normal lalu mencurigai yang menyimpang. Hari ini kita membangun keduanya.
Langkah 1: Arsitektur autoencoder
Buat file model underscore intrusi.py Kelas Otoencoder memampatkan 122 fitur menjadi 16 angka lalu merekonstruksinya kembali. Karena hanya dilatih dengan trafik normal, Otoencoder pandai merekonstruksi trafik normal. Tetapi gagal merekonstruksi serangan, sehingga galat rekonstruksinya besar.
Langkah 2: Skor anomali & metrik IDS
Fungsi latih AE melatih Otoencoder 20 epoch dengan loss-min-squared error. Fungsi skor anomali menghitung galat rekonstruksi rata-rata tiap koneksi. Fungsi metrik binar menghitung detection rate, yaitu persentase serangan yang terdeteksi, dan false alarm rate, persentase trafik normal yang salah dituduh serangan, dua metrik utama dalam IDS. Buat file model underscore tunggal.py
Langkah 3: Melatih tiga model
Random Forest 100 pohon dan XGBoost 300 pohon dilatih pada data hasil oversampling untuk mengenali 5 kelas. Otoencoder dilatih hanya dengan trafik normal, dan ambangnya ditetapkan di persentil 95 galat trafik normal latih. Model XGBoost dan Otoencoder disimpan untuk episode berikutnya. Jalankan! Random Forest mencapai akurasi 5 kelas 0,742 dan XGBoost 0,778, dengan false alarm sangat rendah, sekitar 3%. Tetapi XGBoost hanya mendeteksi 65,6% serangan. Otoencoder mendeteksi 81,6% serangan, dengan harga false alarm 10%.
Langkah 4: Contusion matrix & galat rekonstruksi
Mari lihat grafiknya. Confusion Matrix XGBoost memperlihatkan masalahnya. 93% R2L dan U2R di data uji diklasifikasikan sebagai normal, karena banyak diantaranya jenis serangan baru. Histogram galat Otoencoder memperlihatkan trafik normal menumpuk di kiri dan serangan di kanan garis ambang. Kedua model punya kekuatan berbeda, dan itulah ide model hybrid.
Selesai!
Selesai! Kita sudah melatih Random Forest, XGBoost, dan Otoencoder, serta memahami kompromi deteksi berbasis tanda tangan dan berbasis anomali. Di episode berikutnya kita menggabungkan keduanya menjadi sistem hybrid. 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 Otoencoder untuk serangan 0DI dan dashboard monitoring, serta membuka kursus pemrograman Python untuk teknik elektro dan informatika. Ingin menguasai seluruh seri ini, dari detaset intrusi sampai sistem hybrid yang siap dipantau? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah, detaset, 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 cerdasinovasidigital.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
53 kelas video1.281 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.
