PENGEMBANGAN ALGORITMA RINGAN UNTUK KLASIFIKASI MALWARE BERBASIS CITRA PADA SISTEM TERTANAM

AGUNG FATHURRAHMAN, Ir. Agus Bejo, S.T., M.Eng., D.Eng., IPM. ; Dr.Eng. Igi Ardiyanto, S.T., M.Eng.

2022 | Tesis | MAGISTER TEKNIK ELEKTRO

Sistem tertanam adalah sebuah sistem komputer yang memiliki fungsi spesifik dalam menjalankan tugasnya. Umumnya sistem tertanam memiliki kemampuan komputasi yang terbatas. Dengan kemampuan komputasinya yang terbatas, menyebabkan sistem tertanam sulit untuk menjalankan sebuah sistem keamanan konvensional sehingga menjadi sangat rentan terhadap serangan malware. Dalam penelitian ini, kami mengusulkan model lightweight convolution neural network untuk melakukan klasifikasi malware yang direpresentasikan dalam format citra. Pengujian model dilakukan pada beberapa perangkat keras, seperti komputer desktop dan Raspberry Pi 3B. Dalam proses pengujiannya digunakan dua buah framework, yaitu Tensorflow dan ONNX Runtime. Tensorflow berfungsi untuk melatih dan mengevaluasi model lightweight CNN yang dirancang, sedangkan ONNX Runtime berfungsi untuk melakukan validasi model lightweight CNN yang dirancang. Dari hasil validasi pada komputer desktop menggunakan dataset Malevis (multi class) [20] dengan resolusi citra berukuran 224 x 224 didapatkan akurasi sebesar 96,62%, konsumsi memori sebesar 7,84 MB, dan kecepatan validasi sebesar 5,62 detik. Jika dibandingkan dengan model lightweight CNN yang dijadikan baseline [5], model lightweight CNN yang diusulkan peneliti memiliki perbedaan akurasi yang lebih baik sebesar 4,75%, perbedaan konsumsi memori yang lebih rendah sebesar 430 KB, dan perbedaan waktu validasi yang lebih cepat sebesar 2,26 detik. Sedangkan untuk hasil pengujian dengan resolusi citra berukuran 64 x 64 didapatkan akurasi sebesar 96,22%, konsumsi memori sebesar 7,83 MB, dan kecepatan validasi sebesar 1,58 detik. Jika dibandingkan dengan model lightweight CNN yang dijadikan baseline [5], model lightweight CNN yang diusulkan peneliti memiliki perbedaan akurasi yang lebih baik sebesar 4,83%, perbedaan konsumsi memori yang lebih rendah sebesar 300 KB, dan perbedaan waktu validasi yang lebih cepat sebesar 0,02 detik. Model lightweight CNN yang diusulkan juga berhasil dijalankan pada sistem tertanam, yaitu Raspberry Pi 3B tanpa mengalami pengurangan akurasi. Hasil dari seluruh pengujian menunjukkan bahwa model lightweight CNN yang diusulkan cocok digunakan pada sistem tertanam.

An embedded system is a computer system that has a specific function in carrying out its duties. Generally, embedded systems have limited computational capabilities. With its limited computing capabilities, it is difficult for the embedded system to run a conventional security system so that it becomes very vulnerable to malware attacks. In this study, we propose a lightweight convolution neural network model to classify malware which is represented in image format. Model testing was carried out on several hardware devices, such as desktop computers and Raspberry Pi 3B. In the testing process, two frameworks are used, namely Tensorflow and ONNX Runtime. Tensorflow serves to train and evaluate the designed lightweight CNN model, while ONNX Runtime serves to validate the designed CNN lightweight model. From the results of the validation on a desktop computer using the Malevis dataset (multi class) [20] with an image resolution of 224 x 224, the accuracy is 96.62%, memory consumption is 7.84 MB, and the validation speed is 5.62 seconds. When compared with the lightweight CNN model as the baseline [5], the CNN model proposed by the researcher has a better accuracy difference of 4.75%, a lower memory consumption difference of 430 KB, and a faster validate time difference of 2.26 seconds. For the validation results with an image resolution of 64 x 64, the accuracy is 96.22%, memory consumption is 7.83 MB, and the validate speed is 1.58 seconds. When compared with the lightweight CNN model as the baseline [5], the CNN model proposed by the researcher has a better accuracy difference of 4.83%, a lower memory consumption difference of 300 KB, and a faster validate time difference of 0.02 seconds. The proposed CNN model was also successfully run on an embedded system, namely the Raspberry Pi 3B without experiencing any reduction in accuracy. The results of all tests indicate that the proposed lightweight CNN model is suitable for use in embedded systems.

Kata Kunci : Malware, Klasifikasi, Sistem Tertanam, Lightweight CNN