IntrusionDetection_w - Selamat Datang | My Public Blog
- 1. Abstrak<br />Perkembangan yang luar biasa pesat dari konektivitas dan aksesibilitas terhadap Internet telah menjadikan keamanan informasi sebagai sebuah isu yang sangat penting. Salah satu hal yang perlu dipikirkan adalah memastikan bahwa suatu sistem informasi yang dikelola terhindar dari berbagai bentuk serangan. <br />Bagaimanapun, variasi jenis serangan pada saat ini juga terus berkembang dengan sangat dinamis. Sebuah serangan yang belum pernah dikenali sebelumnya dapat berpropagasi dengan sangat cepat dan merusak sistem melalui konektivitas yang meluas sekarang ini. Adalah sangat sulit untuk memastikan bahwa pencegahan serangan dapat dilakukan hanya dengan mengandalkan pola-pola serangan yang sudah dikenali.<br />Untuk itu, saat ini telah berkembang upaya untuk mendeteksi pola-pola yang mungkin dapat dicurigai sebagai suatu serangan dengan menggunakan teknik-teknik soft computing. Dengan teknik-teknik tersebut, suatu pola hubungan yang sangat berbeda dengan pola hubungan pada umumnya - yang telah diketahui sebagai tidak berbahaya - dapat dikenali. Pola semacam itu memiliki potensi sebagai suatu serangan.<br />Salah satu teknik soft computing yang dapat dipergunakan adalah dengan menggunakan support vector machine. Support vector machine sebetulnya merupakan perpaduan dari beberapa teknik komputasi yang bertujuan mencari jarak maksimum antara kelompok-kelompok yang terbentuk dari titik data. Dari pengelompokan tersebut, kita dapat melihat adanya outlier yang dapat ditafsirkan sebagai suatu kejanggalan pola hubungan. Pengenalan ini memungkinkan kita untuk mencegah suatu pola serangan yang tidak diketahui sebelumnya.<br />Makalah yang akan ditulis ini bertujuan untuk meninjau penerapan metode support vector machine dalam sistem pendeteksian intrusi. Secara ringkas makalah ini akan membahas prinsip kerja support vector machine dan bagaimana konsep support vector machine dapat diterapkan pada sistem pendeteksian intrusi. Makalah ini juga akan meninjau beberapa variasi pola penerapan yang pernah diteliti. Dengan demikian, diharapkan pembaca akan dapat memperoleh gambaran yang cukup lengkap dan komprehensif mengenai penerapan support vector machine pada sistem pendeteksian intrusi. <br />Daftar Pustaka<br />Yao, J.T., Zhao, S.L., Fan, L. (2006): An Enhanced Support Vector Machine Model for<br />Intrusion Detection, Lecture Notes in Computer Science: Rough Sets and Knowledge<br />Technology, halaman 538 – 543, Springer, Berlin.<br />Yang, Q., Li, F.M. (2006): Support Vector Machine for Intrusion Detection Based on LSI<br />Feature Selection, Proceedings of the 6th World Congress on Intelligent Control and<br /> Automation, June 21-23, Dalian, China.<br />Eskin, E., Arnold, A., Prerau, M., Portnoy, L., Stolfo, S. (2001): A Geometri Framework for<br /> Unsupervised Anomaly, Applications of Data Mining in Computer Security, Springer.<br />Chen, W.H., Hsu, S.H., Shen, H.P. (2004): Application of SVM and ANN for Intrusion<br />Detection, Computers and Operations Research, Elsevier.<br />Kaplantzis, S., Alistair, S., Mani, N., Sekercioglu, Y.A. (2007) : Detecting Selective<br /> Forwarding Attacks in Wireless Sensor Networks using Support Vector Machines,<br /> International Conference on Intelligent Sensors, Sensor Networks and Information,<br />halaman 335 – 340, IEEE.<br />Heller, K.A., Svore, K.M., Keromytis, A.D., Stolfo, S.J. (2003): One Class Support Vector<br />Machines for Detecting Anomalous Windows Registry Accesses, Proceeding of the<br /> Workshop on Data Mining for Computer Security.<br />Khan, L., Awad, M., Thuraisingham, B. (2005): A New Intrusion Detection System Using <br />Support Vector Machines and Hierarchical Clustering, The VLDB Journal, <br />Springer – Verlag.<br />Tran, Q.A., Duan, H.X., Li, X. (2004): One-class Support Vector Machine for Anomaly <br />Network Traffic Detection, The Second Research Workshop of the 18th APAN, Cairns, <br />Australia.<br />Osareh, A., Shadgar, B. (2008): Intrusion Detection in Computer Networks based on <br />Machine Learning Algorithms, International Journal of Computer Science and Network <br />Security, Vol. 8 No. 11, halaman 15 s.d. 23.<br />Peddabachigari, S., Abraham, A., Grosan, C., Thomas, J. (2007): Modelling Intrusion <br />Detection System Using Hybrid Intelligent Systems, Journal of Network and Computer <br />Applications, halaman 114 – 132, Elsevier.<br />Hu, W.J., Liao, Y.H., Vemuri, V.R. (2003): Robust Support Vector Machines for Anomaly<br />Detection in Computer Security, Proceeding of the International Conference on<br />Machine Learning and Applications.<br />Tsang, I.W., Kwok, J.T., Cheung, P.M. (2005): Core Vector Machines: Fast SVM Training on <br />Very Large Data Sets, Journal of Machine Learning Research vol. 6, halaman 363 – 392.<br />Mukkamala, S., Sung, A.H. (2002): Feature Ranking and Selection for Intrusion Detection<br />Systems Using Support Vector Machines, Proceedings of the Second Digital Forensic<br />Research Workshop.<br />Mukkamala, S. Sung, A.H. (2007): Feature Selection for Intrusion Detection with<br />Neural Networks and Support Vector Machines, Transportation Research Record:<br />Journal of the Transportation Research Board, volume 1822/2003, halaman 33-39, <br />Transportation Research Board of the National Academies.<br />Lin, C.H., Liu, J.C., Ho, C.H. (2008): Anomaly Detection Using LibSVM Training Tools,<br />International Conference on Information Security and Assurance.<br />Mukkamala, S., Sung, A.H., Abraham, A. (2003): Intrusion Detection Using Ensemble of Soft<br /> Computing Paradigms, Proceedings of the Third International Conference on Intelligent<br />System Design and Applications, Springer.<br />Nassar, M., State, R., Festor, O. (2008): Monitoring SIP Traffic Using Support Vector <br />Machine, The 11th International Symposium on Recent Advances in Intrusion Detection, <br />Boston, United States.<br />Zanni, L., Serafini, T., Zanghirati, G. (2006): Parallel Software for Training Large Scale <br />Support Vector Machines on Multiprocessor Systems, Journal of Machine <br />LearningResearch, Volume 7.<br />Peddabachigari, S., Abraham, A., Thomas, J. (2004): Intrusion Detection Systems Using <br />Decision Trees and Support Vector Machines, International Journal of Applied Science <br />and Computations.<br />Laskov, P., Duessel, P., Schaefer, C., Rieck, K. (2005): Learning Intrusion Detection: <br />Supervised or Unsupervised? Lecture Notes on Computer Science, Springer.<br />Lazarevic, A., Ozgur, A., Ertoz, L., Srivastava, J., Kumar, V. (2003): A Comparative Study of<br />Anomaly Detection Schemes in Network Intrusion Detection, Third SIAM Conference<br />on Data Mining, San Francisco. <br /> <br />Dokas, P., Ertoz, L., Kumar, V., Lazarevic, A., Srivastava, J., Tan, P.N. (2002): Data Mining <br />For Network Intrusion Detection, Proceeding of NSF Workshop on Next Generation Data<br /> Mining. <br />Mukkamala, S., Janoski, G., Sung, A. (2002): Intrusion Detection: Support Vector Machines <br />andNeural Networks, Proceedings of the 2002 International Joint Conference on Neural <br />Networks, halaman 1702 – 1707, IEEE. <br />