DETEKSI SERANGAN DDoS MENGGUNAKAN Q-LEARNING

Abstract

Distributed Denial of Service Attack (DDoS) adalah serangan dengan mengkompilasi beberapa sistem di internet dengan zombie/agen yang terinfeksi dan membentuk jaringan botnet. Serangan DDoS mengakibatkan kerugian finansial, hilangnya produktivitas, kerusakan merek, penurunan peringkat kredit dan asuransi serta terganggunya hubungan pelanggan, dan pemasok. Selain itu, teknologi IoT juga rentan terhadap serangan DDoS berskala besar. Untuk mencegah terjadinya serangan DDoS maka dibutuhkan model yang dapat mendeteksi adanya serangan DDoS. Pada penelitian ini, kami mengusulkan Deep Q-Network (DQN) untuk mendeteksi serangan DDoS. DQN merupakan algoritme reinforcement learning yang menggabungkan deep learning dan q-learning. Penerapan DQN digunakan untuk meningkatkan akurasi deteksi serangan pada dataset. Pada penelitian ini, dataset yang digunakan untuk mendeteksi adanya serangan DDoS atau tidak adalah CICDDoS2019 dataset yang disediakan oleh Canadian Institute for Cybersecurity. Berdasarkan perbandingan metode yang dilakukan didapatkan hasil metode DQN yang diusulkan dapat mendeteksi 11 serangan DDoS dan benign/normal data dengan nilai akurasi yang lebih baik dibandingan metode LR dan SVR. Hasil penelitian menunjukkan model yang diusulkan memiliki nilai akurasi 96% dan lebih baik dibandingkan metode LR dan SVR.