Sihombing, Jodi Chris Jordan (2020) Implementasi Sistem Deteksi dan Mitigasi Serangan Distributed Denial of Service (DDoS) menggunakan SVM Classifier pada Arsitektur Software-Defined Network (SDN). Sarjana thesis, Universitas Brawijaya.
Abstract
Software-defined network (SDN) menyediakan arsitektur yang menjanjikan untuk jaringan masa depan dan dapat memberikan keuntungan dengan programabilitas pada controller untuk mengatur seluruh perilaku pada jaringan. Terlepas dari keuntungan yang dimiliki SDN, terdapat tantangan pada keamanan jaringan SDN. Distributed Denial of Service (DDoS) adalah salah satu serangan yang dapat menyerang komponen yang ada pada arsitektur SDN. Pada penelitian ini sistem deteksi dan mitigasi serangan DDoS dibangun untuk meminimalisir serangan DDoS pada arsitektur SDN dengan menggunakan SVM Classifier. SVM diterapkan pada model machine learning untuk mengklasifikasikan traffic normal dan traffic serangan DDoS berdasarkan fitur yang diambil dari flow entries. Dari hasil pengujian yang telah dilakukan sistem mampu mendeteksi serangan DDoS dengan rata – rata akurasi sebesar 96,83% dan waktu rata-rata deteksi 67,80 ms. Selain itu, sistem juga dapat mengurangi jumlah paket serangan DDoS yang dikirimkan ke victim host.
English Abstract
Software-defined network (SDN) provides a promising architecture for future networks and can benefit from programmability on the controller to manage all behavior on the network. Apart from the advantages SDN has, there are challenges to SDN network security. Distributed Denial of Service (DDoS) is one of the attacks that can attack components that exist on the SDN architecture. In this study the detection and mitigation system of DDoS attacks was built to minimize DDoS attacks on SDN architecture using SVM Classifier. SVM is applied to the machine learning model to classify normal traffic and DDoS attack traffic based on features taken from flow entries. From the test results the system has been able to detect DDoS attacks with an average accuracy of 96.83% and an average detection time of 67.80 ms. In addition, the system can also reduce the number of DDoS attack packets sent to the victim host.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FILKOM/2020/215/052003405 |
| Uncontrolled Keywords: | Software-defined Network, Distributed Denial of Service, Support Vector Machine, Machine Learnin |
| Subjects: | 000 Computer science, information and general works > 005 Computer programming, programs, data > 005.1 Programming > 005.106 85 Software engineering / Capability maturity model (Computer software) |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 05 Aug 2020 08:21 |
| Last Modified: | 12 Apr 2023 07:17 |
| URI: | http://repository.ub.ac.id/id/eprint/180954 |
![[thumbnail of DALAM MASA EMBARGO]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (DALAM MASA EMBARGO)
Jodi Chris Jordan Sihombing (2).pdf Restricted to Registered users only until 31 December 2023. Download (13MB) |
Actions (login required)
 |
View Item |