Peningkatan Kontribusi Pemilihan Fitur Berbasis CCA–SHAP terhadap Data Multimodal dalam Sistem Deteksi Serangan 5G

Annisa, Nawal Rifka (2026) Peningkatan Kontribusi Pemilihan Fitur Berbasis CCA–SHAP terhadap Data Multimodal dalam Sistem Deteksi Serangan 5G. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025241055-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (11MB) | Request a copy

Abstract

Seiring dengan banyaknya perangkat yang terhubung ke teknologi IoT, dibutuhkan kecepatan data yang tinggi. Salah satu jaringan yang menyediakan kecepatan tinggi adalah jaringan 5G. Dari sisi keamanan, semakin banyak perangkat yang terhubung, semakin besar kerentanan terhadap serangan siber. Penelitian sebelumnya telah membahas beberapa metode untuk mendeteksi serangan pada lingkungan jaringan 5G. Namun, beberapa penelitian yang telah ada memiliki keterbatasan dalam deteksi serangan pada protokol PFCP dengan akurasi rendah (69%) dan beban komputasi tinggi akibat penggunaan metode berbasis voting classifier yang menjalankan 11 model secara bersamaan. Selain itu, pendekatan seleksi fitur konvensional seperti korelasi pearson hanya mampu menangkap hubungan linier pada satu dataset, sehingga kurang efektif dalam mengidentifikasi pola serangan yang kompleks. Di sisi lain, beberapa penelitian menyebutkan bahwa model deteksi intrusi berbasis satu modalitas gagal memanfaatkan beragam fitur dari lalu lintas jaringan yang besar, sehingga kinerjanya kurang optimal. Untuk itu, pendekatan multimodal dikembangkan dengan menggabungkan berbagai sumber informasi. Penelitian ini menggunakan sistem deteksi intrusi dual-modal yang menggabungkan informasi aliran trafik jaringan (flow-based) dan payload (payload-based) untuk meningkatkan kinerja deteksi serangan multikelas pada jaringan 5G. Terdapat banyak penelitian yang tidak menggunakan seleksi fitur dalam pendekatan multimodal. Sehingga, metode seleksi fitur dikembangkan dengan mengintegrasikan Canonical Correlation Analysis (CCA) dan Shapley Additive Explanations (SHAP) untuk mengidentifikasi fitur statistik jaringan yang paling berkontribusi terhadap klasifikasi serangan. Pada modalitas payload, dilakukan ekstraksi dan representasi payload menggunakan teknik normalisasi byte-level. Kedua modalitas kemudian digabungkan melalui metode Early Fusion dan XGBoost. Sistem ini dievaluasi menggunakan 2 dataset publik: 5G PFCP dan 5GNIDD. Hasil akurasi untuk klasifikasi multikelas pada dataset 5GC PFCP mencapai 0,8871, sedangkan pada dataset 5G-NIDD mencapai 0,9917. Pada klasifikasi kelas biner, akurasi mencapai 0,9998 dengan 5GC PFCP dataset dan 0,9936 dengan 5G-NIDD dataset. Throughput model mencapai 495.404,3 sampel/detik pada 5GC PFCP dan 327.287,3 sampel/detik pada 5G-NIDD, sehingga memenuhi seluruh skenario area standar 3GPP.
========================================================================================================================================
Along with the increasing number of devices connected to IoT technology, high data rates are required. One network providing high speeds is the 5G network. From a security perspective, as more devices connect, vulnerability to cyberattacks grows. Previous studies have discussed several methods for detecting attacks in 5G network environments. However, existing research suffers from limitations, such as low accuracy (69%) in detecting attacks on the PFCP protocol and high computational load caused by voting classifier-based methods running 11 models simultaneously. Furthermore, conventional feature selection approaches like Pearson correlation only capture linear relationships within a single dataset, making them less effective at identifying complex attack patterns. Conversely, unimodal intrusion detection models fail to leverage diverse features from large network traffic, leading to suboptimal performance. To address this, a multimodal approach was developed by combining various information sources. This study employs a dual-modal intrusion detection system combining network flow-based and payload-based information to improve multi-class attack detection performance in 5G networks. Given that many studies omit feature selection in multimodal frameworks, a feature selection method integrating Canonical Correlation Analysis (CCA) and Shapley Additive Explanations (SHAP) was developed to identify network statistical features contributing most to attack classification. For the payload modality, payload extraction and representation were conducted using byte-level normalization techniques. Both modalities were then merged via Early Fusion and XGBoost. The system was evaluated on two public datasets: 5G PFCP and 5G-NIDD. The multi-class classification accuracy reached 0.8871 on the 5GC PFCP dataset and 0.9917 on the 5G-NIDD dataset. For binary classification, accuracy reached 0.9998 on the 5GC PFCP dataset and 0.9936 on the 5G-NIDD dataset. Model throughput achieved 495,404.3 samples/second on 5GC PFCP and 327,287.3 samples/second on 5G-NIDD, satisfying all 3GPP standard area scenarios.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	CCA, Jaringan 5G,Multimodal, Seleksi Fitur, Sistem Deteksi Intrusi,XGBoost
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T57.74 Linear programming T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5101 Telecommunication
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Nawal Rifka Annisa
Date Deposited:	30 Jul 2026 06:28
Last Modified:	30 Jul 2026 06:28
URI:	http://repository.its.ac.id/id/eprint/139796

Actions (login required)

View Item