PENDETEKSIAN SERANGAN DDOS PADA SOFTWARE-DEFINED NETWORK MENGGUNAKAN ALGORITMA RANDOM FOREST DENGAN MEMANFAATKAN PROTOKOL SFLOW

NADHIR FACHRUL ROZAM, Nur Rohman Rosyid, S.T., M.T., D.Eng.

2019 | Tugas Akhir | D4 TEKNOLOGI REKAYASA INTERNET

Software-Defined Network merupakan paradigma baru dalam jaringan komputer, yaitu dengan memisahkan antara Control Plane dan Data Plane. Namun hal tersebut juga dapat menjadi kerentanan tersendiri apabila antara Control Plane (controller) dan Data Plane (switch) tidak dapat saling terhubung. Serangan jaringan yang bisa dilakukan agar komunikasi antara controller dan switch dapat digagalkan yaitu Distributed Denial of Service (DDoS). Sebagai langkah awal mengatasi serangan tersebut, pada proyek akhir ini diterapkan Machine Learning dengan menggunakan Algoritma Klasifikasi Random Forest untuk membuat sistem deteksi intrusi. Pada Machine Learning tersebut dilakakukan train dataset berupa trafik normal (benign traffic) dan trafik serangan DDoS (attack traffic). Dataset yang dipilih sebagai data training yaitu CSE-CIC-IDS2018 yang memiliki data karakteristik trafik serangan DDoS maupun trafik normal (benign traffic) lebih relevan untuk digunakan sekarang. Dengan memanfaatkan sFlow yang dapat melakukan monitor flow trafik secara realtime, machine learning yang telah dilakukan training diterapkan untuk melakukan klasifikasi trafik pada saat itu apakah terdapat serangan DDoS atau tidak.

Software-Defined Network is a new paradigm in computer networks by separating Control Plane and Data Plane. But this can also be a vulnerability when the Control Plane (Controller) and Data Plane (Switch) not connected each other. Network attack that can disconnect the controller and switch connection is Distributed Denial of Service (DDoS). As a first step to overcome this attack, Machine Learning is applied by using the Random Forest Classification Algorithm to create an intrusion detection system. The machine learning is trained with benign traffic data and DDoS attacks data. The dataset that is used as training data is CSE-CIC-IDS2018 which has more relevant traffic characteristic data on DDoS attacks and benign traffic for use today. By utilizing sFlow, which can monitor real-time traffic flow, machine learning used to classify traffic whether is a DDoS attack or not.

Kata Kunci : Software-Defined Network, DDoS, Machine Learning, Random Forest, SFlow.