Aktivitas yang berhubungan dengan jaringan meningkat dengan pesat setiap hari nya, dan informasi rahasia berkembang secara signifikan. Akibatnya, jaringan menghadapi masalah keamanan yang serius karena aktivitas jahat oleh pengguna yang tidak sah. Para penyusup ini terutama menargetkan data rahasia. Namun, berbagai metode keamanan jaringan digunakan untuk memerangi serangan siber ini dan melindungi sistem fisik dari aktivitas ilegal.
Dalam hal ini, jaringan akan menawarkan berbagai layanan, yang memungkinkan sistem siber-fisik berintegrasi dengan sistem siber dan prosesor fisik. Sejumlah sensor, aktuator, dan elemen lain berbasis IoT ditambahkan dan diintegrasikan untuk membentuk struktur jaringan. Hal ini membantu menciptakan jaringan yang dapat berkomunikasi melalui koneksi TCP/IP dan berbagai protokol jaringan nirkabel. Akibatnya, sistem siber-fisik rentan terhadap banyak gangguan sederhana.
Perangkat jaringan ini memungkinkan akses jarak jauh ke sumber daya dan kontrol atas sistem siber-fisik dan berbagai mesin jaringan, menjadikannya lebih kritis dan penting untuk berbagai skenario industri. Ketergantungan yang meningkat pada sistem siber ini membuat pengguna terpapar pada berbagai ancaman keamanan, yang berpotensi menyebabkan kerusakan signifikan pada komponen sistem fisik. Ketergantungan ini secara langsung berdampak pada pengguna yang bergantung pada sistem siber ini. Pada akhirnya, sistem deteksi intrusi jaringan yang efektif akan menjalankan berbagai aktivitas untuk mencegah kerusakan akibat serangan jaringan.
Internet of Things (IoT) adalah media penting untuk komunikasi global melalui perangkat IoT yang memudahkan aktivitas sehari-hari. Perangkat IoT meliputi ponsel pintar, sepeda elektronik cerdas, mobil otonom, dan sensor suhu pintar, yang dapat diterapkan di berbagai bidang. Meluasnya penggunaan perangkat IoT menghasilkan sejumlah besar data yang harus dikirim dan disimpan menggunakan infrastruktur cloud.
Metode pembelajaran mendalam untuk deteksi serangan siber
Pendekatan pendeteksian serangan jaringan menggunakan penyandi mandiri yang jarang dan pembelajaran mendalam yang dilatih sendiri. Penyandi mandiri yang besar pertama kali digunakan untuk tugas pembelajaran tanpa pengawasan. Fungsi yang dipelajari kemudian dimasukkan ke dalam pola regresi mendalam untuk deteksi serangan dan klasifikasi data standar. Hal ini dicapai dengan menggunakan proses Deep RNN (RNN-Aes).
Permintaan API memungkinkan autoencoder mempelajari representasi malware, dengan Application Program Interface (APIMDS) yang digunakan dalam pengujian. Metode decoder berbasis LSTM diusulkan. Gambar di bawah ini menunjukkan perjalanan dari kewirausahaan ke intra-kewirausahaan untuk mencapai inovasi yang cepat. Transisi ini dirangkum dalam Gambar 1. Pendekatan ini bertujuan untuk berinovasi dengan mengembangkan evolusi melalui otonomi, pengambilan risiko, dan kreativitas.
Kredit. Srinivas Vaddadi
Data dalam Sistem Siber-Fisik (Cyber-Physical Systems/CPS) berbasis DL untuk pemantauan rumah sakit (lihat Gambar 2) ditransfer dan diproses dengan aman. Data ini termasuk informasi rahasia yang dipertukarkan di antara pasien, dokter, perawat, dan staf rumah sakit lainnya menggunakan platform seperti TensorFlow, Caffe, dan PyTorch. Aplikasi keamanan IoT yang ada saat ini mencakup deteksi anomali, sistem deteksi intrusi host, dan deteksi malware. Namun, ada batasan khusus untuk pekerjaan yang ada yang disebutkan di bawah ini. Keterbatasan ini termasuk kumpulan data yang terbatas, efisiensi tingkat deteksi, dan efektivitas komputasi.
Kredit. Srinivas Vaddadi
Keamanan cloud sangat penting untuk memproses data dengan aman, tetapi mengelola kumpulan data yang sangat besar dapat membebani sumber daya. Teknik reduksi data membantu meminimalkan jumlah data yang diproses sambil tetap mengekstraksi wawasan yang berharga. Pendekatan gabungan ini memastikan keamanan yang kuat dan pemrosesan data cloud yang efisien.
Srinivas Vaddadi
Analisis kinerja
Analisis kinerja ini mempertimbangkan 30.000 kumpulan data berdasarkan SCADA yang berisi paket sumber, total paket, total byte, port sumber, paket tujuan, dan byte sumber. Elemen-elemen ini membantu dalam melakukan pra-pemrosesan data. Aktivitas klasifikasi data dihitung dengan memvariasikan ukuran input. Berdasarkan tabel di bawah ini, hitung penarikan berdasarkan ekstraksi subset fitur berdasarkan berbagai gangguan seperti DDoS dan injeksi SQL. Penarikan untuk DDoS dan injeksi SQL dalam pendekatan yang diusulkan bervariasi dengan jumlah epoch, berkisar antara 10 hingga 50. Tabel 3 menunjukkan bahwa nilai penarikan secara bertahap meningkat dengan jumlah epoch.
Kredit. Srinivas Vaddadi
Gambar di atas mengilustrasikan akurasi data untuk sistem yang diusulkan terkait data uji dan data latih dengan memvariasikan epoch dari 10 hingga 50. Akurasi data meningkat dan berkinerja lebih efektif untuk pendekatan pembelajaran mendalam yang diusulkan dibandingkan dengan algoritma SVM dan Apriori yang sudah ada. Akurasi data rata-rata secara bertahap meningkat seiring dengan jumlah epoch.
Kesimpulan
Mengembangkan kerangka kerja untuk pemrosesan data di setiap tingkat perangkat IoT sangat penting untuk meningkatkan keamanan data. Pemrosesan data dapat dilakukan di tingkat Fog, Edge, dan Cloud. Mekanisme kontrol akses akan diterapkan di setiap level untuk memastikan penanganan data yang aman. Kerangka kerja ini menggabungkan pemrosesan data dan kontrol akses dalam satu kesatuan untuk memberikan klasifikasi kualitas data dan solusi keamanan IoT yang andal, efisien, dan dapat diukur.
Pendekatan pemilihan fitur membantu meminimalkan kumpulan data yang ditampilkan, sehingga meningkatkan kinerja. Hal ini memungkinkan identifikasi malware dengan lebih sedikit kesalahan berbasis kesalahan klasifikasi data, sehingga meningkatkan akurasi. Menerapkan algoritme pembelajaran mesin juga akan meningkatkan deteksi dan komputasi. Pekerjaan di masa depan dapat berfokus pada penggunaan pembelajaran mendalam tingkat lanjut untuk mengelola pemrosesan data berskala besar dan dalam aplikasi waktu nyata.
🔬🧫🧪🔍🤓👩🔬🦠🔭📚
Referensi jurnal
Mitchell, R., & Chen, I. R. (2014). A survey of intrusion detection techniques for cyber-physical systems. ACM Computing Surveys (CSUR), 46(4), 1-29. https://doi.org/10.1145/2542049
