Ferry Astika S. Akhmad Alimudin

1. PeningkatanAkurasiKlasifikasiPendeteksianSeranganpada Networked IDS yang terpasang di IDSIRTII denganMenggunakanKombinasiMetode SVM-Dempster Safer • Ferry Astika S. • AkhmadAlimudin

2. Pendahuluan • Intrusidapatdiartikansebagaiaksiyang bisamembahayakanConfidentiality, Integrity, danAvailabilitypadasuatujaringan • DeteksiIntrusiadalahusahauntukmencaridanmendeteksiintrusipadasuatujaringan • SistemDeteksiIntrusimerupakansuatusistem yang dibuatkhususuntukmencaridanmendeteksiadanyasuatuintrusipadajaringan

3. Pendahuluan • Tidakadasistem yang 100% aman/sempurnaselamamasihbuatanmanusia • Tingkat akurasi yang rendahdankesalahansignature pada IDS • Deteksidari IDS : • True Positive • True Negative • False Positive • False Negative

4. Pendahuluan • Perludilakukanpenelitianuntukmendapatkanakurasi yang lebihtinggidanmengurangihasil “False” padadeteksi IDS

5. PenelitianSebelumnya • Membandingkan 3 metodeklasifikasiuntuk IDS (Brifcani, 2011) • Klasifikasi IDS denganmenggunakanalgoritma KNN (Liao, 2002) • PendeteksiIntrusipadaJaringandenganmenggunakanpendekatanmetoda SVM dan Neural Network (Mukkamala, 2002) • Kombinasiantara output hasilklasifikasipadakasuskategorisasi text denganDempster-Shafer (Yaxin, 2004)

6. TujuandanManfaatPenelitian • MengimplementasikanDempster-Shafer padabeberapa IDS • Sebagaiproof of concept, akandibuatsebuah prototype padalingkunganterdistribusi

7. Beberapaklasifikasi yang digunakan • KNN : Merupakanmetodeklasifikasi yang dilakukandengancaramencarisejumlah K tetanggaterdekatdari data ujiuntukmenentukanjarakterdekat • SVM : Merupakanmetodeklasifikasi yang dilakukandengancaramengklasifikasikan data denganmenemukanhyperplanesebagaipemisahkelompok data • KNN-SVM : Padapenelitian yang dilakukansebelumnya (Rong Li, 2006), dikatakan KNN mampumeningkatkanakurasidari SVM denganmengambilkeuntungandari KNN berdasarkanjumlahfitur

8. Ide • Meletakkanbeberapa sensor IDS padajaringandenganmenggunakanmetode yang berbeda • Menggabungkanhasildaritiap-tiappengamatan sensor IDS

9. Ilustrasi Packet Log Sensor 2 Sensor 1 Sensor MendeteksiPaket Normal Sensor Mendeteksi DOS

10. Dempster-Shafer • Menggabungkanbeberapainformasi yang darisumberberbeda • Mampumenanganiinformasi yang tidaktepatdantidakpasti

11. Langkah yang dilakukan? • Bagaimanamembangun model penggabunganoutputdariklasifikasi yang berbedadenganmenggunakanteoriDempster-Shafer • Bagaimanameningkatkanakurasidariklasifikasi IDS denganbeberapa model klasifikasi yang berbedadenganmenggunakanteoriDempster-Shafer • Bagaimanamengembangkansistemdeteksiintrusidenganmetodediatassecaraterdistribusidalamjaringan

12. JenisSerangan • DoS (Denial-of-Service) - serangan yang berusahamenggagalkanlayananserver), termasuk di dalamnya : Apache2, arppoison, back, Crashiis, dosnuke, Land, Mailbomb, SYN Flood, (Neptune), Ping of Death (POD), Process Table, selfping, Smuff • PROBING (berusahamencarikelemahansistem yang ada), misal: insidesniffer, Ipsweep, ls_domain, Mscan, NTinfoscan, Nmap, queso, resetscan, Saint, Satan • R2L ( Remote To Local - melakukanakses yang tidakbukanhaknyadarijarakjauh) , termasukdalamkategoriini : Dictionary, Ftpwrite, Guest, Httptunnel, Imap, Named, ncftp, netbus, netcat, Phf, ppmacro, Sendmail, sshtrojan, Xlock, Xsnoop • U2R (User To Root - melakukan akses yang bukan haknya ke superuser dari jaringandalam), termasukdalamkategoriini : anypw, casesen, Eject, Ffbconfig, Fdformat, Loadmodule, ntfsdos, Perl, Ps, sechole, Xterm, yaga

13. Tahapanpenelitian • Menyiapkan data • Menyiapkan lingkungankerjaterdistribusi • Membangun model klasifikasipadalingkunganterdistribusi • Menggabungkan informasidarimasing-masingmetodedengan D-S

14. Persiapan Data • Preprocessing data DARPA ‘99 • Digunakan data padaminggu ke-4 danminggu ke-5 • Menggunakan Bro-IDS untukekstraksi data • Digunakan 8 fituruntukprosesklasifikasi (He, 2005)

15. Fitur yang digunakan

16. Tahapanpenelitian • Menyiapkan data • Menyiapkan lingkungankerjaterdistribusi • Membangun model klasifikasipadalingkunganterdistribusi • Menggabungkan informasidarimasing-masingmetodedengan D-S

17. PersiapanLingkunganKerjaTerdistribusi

18. ArsitekturSistem Data Center + Dempster Shafer Sensor + Classifier Sensor + Classifier Sensor + Classifier

19. Tahapanpenelitian • Menyiapkan data • Menyiapkan lingkungankerjaterdistribusi • Membangun model klasifikasipadalingkunganterdistribusi • Menggabungkan informasidarimasing-masingmetodedengan D-S

20. Sensor danClassifier Data Training from Gure KDD Probabilistic Data SVM Classifier Data from sensor (tcpdump)

21. Klasifikasi SVM-DS • Menentukannilaiprobabilitasdarisetiapkelas yang adadengan SVM • Menentukannilaiakurasimasing-masingkelas SVM • Menentukannilaimass function sebagai input darikombinasiDempster-Shafer

22. Tahapanpenelitian • Menyiapkan data • Menyiapkan lingkungankerjaterdistribusi • Membangun model klasifikasipadalingkunganterdistribusi • Menggabungkan informasidarimasing-masingmetodedengan D-S

23. Tahapanpenelitian • Menyiapkan data • Menyiapkan lingkungankerjaterdistribusi • Membangun model klasifikasipadalingkunganterdistribusi • Menggabungkan informasidarimasing-masingmetodedengan D-S

24. Menggabungkan Probabilistic data Probabilistic data Dempster Shafer

25. BatasanMasalah