Pengembangan Diagram Kontrol Multivariat Berbasis PCA Mix Untuk Deteksi Intrusi

Ahsan, Muhammad (2020) Pengembangan Diagram Kontrol Multivariat Berbasis PCA Mix Untuk Deteksi Intrusi. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 06211660010004-Doctoral.pdf Restricted to Repository staff only Download (14MB)

Abstract

Statistical Process Control (SPC) tidak hanya digunakan untuk memonitor kualitas proses pabrikasi dan jasa, tetapi juga diterapkan untuk mendeteksi adanya intrusi pada network traffic dalam sebuah sistem informasi. Sejauh ini telah dikembangkan SPC untuk deteksi intrusi, antara lain diagram kontrol Hotteling’s T2 dan Multivariate Exponentially Weighted Moving Average (MEWMA). Meskipun demikian, dalam penerapannya metode-metode konvensional tersebut memiliki kekurangan, yaitu kurang efektif digunakan untuk pengamatan dan karakteristik kualitas yang banyak. Selain itu, diagram kontrol konvensional saat ini juga belum mampu memonitor proses yang memiliki tipe data campuran metric dan non-metric. Penggunaan tipe data yang berbeda menjadi sulit dikarenakan tidak diketahuinya distribusi dari data bertipe campuran (mixed) tersebut. Ditambah lagi, diagram Hotteling’s T2 konvensional memiliki performa yang kurang baik saat diterapkan pada data yang berdistribusi non-Gaussian. Akibatnya, penggunaan diagram kontrol konvensional menjadi kurang maksimal dikarenakan banyaknya false alarm dan ketidakmampuan diagram tersebut untuk mendeteksi sebuah serangan dengan tepat. Untuk mengatasi kekurangan-kekurangan tersebut, pada penelitian ini dikembangkan dua jenis diagram yaitu diagram kontrol multivariat berbasis Principal Component Analysis (PCA) Mix dan berbasis Kernel PCA Mix. Dalam penelitian ini, Kernel Density Estimation (KDE) digunakan untuk mengestimasi batas kontrol dari diagram yang dikembangkan. Terdapat dua tahapan utama dalam penelitian ini yaitu tahap studi simulasi untuk mengevaluasi kinerja dari diagram kontrol yang diusulkan untuk memonitor suatu proses dan tahap penerapan diagram kontrol yang diusulkan mendeteksi serangan pada network traffic. Pada studi simulasi, data non-metric yang digunakan diasumsikan berdistribusi multinomial dengan tiga jenis parameter yaitu: hampir seimbang, tidak seimbang, dan sangat tidak seimbang.
Berdasarkan hasil simulasi, baik diagram kontrol multivariat berbasis PCA Mix maupun Kernel PCA Mix mampu mendeteteksi outlier dengan tepat. Dalam mendeteksi pergeseran proses, diagram kontrol multivariat berbasis PCA Mix memiliki performa yang lebih baik untuk mendeteksi pergeseran kecil pada parameter data non-metric yang sangat tidak seimbang. Dalam memonitor proses dengan parameter data non-metric yang hampir seimbang diagram ini memiliki performa yang lebih baik dan stabil untuk pergeseran yang lebih besar. Selanjutnya, dalam mendeteksi pergeseran rata-rata yang besar, diagram kontrol multivariat berbasis Kernel PCA Mix memiliki performa yang lebih baik dan stabil ketika digunakan untuk memonitor data metric yang memiliki pola hubungan yang linear maupun nonlinear. Lebih lanjut, untuk memonitor intrusi pada suatu jaringan, diagram kontrol yang dikembangkan diaplikasikan pada data NSL-KDD 20% dan data network traffic jaringan di Institut Teknologi Sepuluh Nopember (ITS). Dalam memonitor data NSL-KDD 20%, diagram kontrol multivariat berbasis PCA Mix mampu mendeteksi dengan lebih akurat dan lebih cepat serangan-serangan yang terjadi dibanding diagram berbasis Kernel PCA Mix. Hal ini terjadi karena diagram PCA Mix memiliki kecepatan komputasi yang lebih cepat dibanding diagram Kernel PCA Mix. Dalam aplikasinya untuk memonitor anomali pada data jaringan ITS, kedua diagram yang diusulkan memiliki performa yang relatif sama dan mampu mendeteksi anomali dengan persentase yang hampir sama yaitu mendekati 0,273% untuk alpha=0.00273 dan 1% untuk alpha=0.01.
=================================================================================================================================
Statistical Process Control (SPC) is not only used to monitor the quality of manufacturing processes and services, but also can be applied to detect the intrusions in network traffic of an information system. Currently, SPC method has been developed for intrusion detection, for example, using Hotteling's T2 and Multivariate Exponentially Weighted Moving Average (MEWMA) control charts. However, in its application, those conventional methods have several drawbacks such as less effective when used to monitor large observations and many quality characteristics. In addition, the existing conventional control chart has not been able to monitor the processes which have mixed of metric and non-metric data types so-called mixed data. The use of different data types in one chart becomes difficult because of the unknown distribution of the mixed data. The situation is getting worse since the conventional Hotteling’s T2 chart has a poor performance when it is applied to non-Gaussian distributed data. As a result, the utilization of the conventional control chart is not optimal due to the large number of false alarms and the inability of the chart to detect attacks correctly. To overcome these weaknesses, two types of control chart were developed in this study, namely multivariate control chart based on Principal Component Analysis (PCA) Mix and Kernel PCA. In this study, Kernel Density Estimation (KDE) is used to estimate the control limits of the chart developed. There are two main phases in this research, namely the simulation study phase to evaluate the performance of the proposed chart in monitoring process and the implementation phase of the proposed control chart to detect attacks occur on the network traffic. In the simulation study, the non-metric data used is assumed to follow the multinomial distribution with three kind of parameter, i.e. almost balanced, imbalanced, and exreme imbalanced. Based on the simulation results, both multivariate control charts based on PCA Mix and Kernel PCA Mix are able to detect outliers correctly. In detecting shift in the process, the PCA Mix chart has better performance to detect small shifts in non-metric data with extreme imbalanced parameters. In monitoring processes having non-metric data with balanced parameters, this chart has a better and more stable performance for larger shifts. Furthermore, in detecting large mean shifts in process, the Kernel PCA Mix chart has better and more stable performance when it is used to monitor metric data which has linear and nonlinear relationship pattern. Furthermore, to monitor the intrusion on a network, the proposed control charts are applied to NSL-KDD 20% dataset and network network traffic dataset from the Institut Teknologi Sepuluh Nopember (ITS). In monitoring 20% NSL-KDD dataset, the PCA Mix chart is able to detect the attacks occured more accurate and faster compared to the Kernel PCA Mix. This happens because the PCA Mix chart has a faster computing speed than the Kernel PCA Mix chart. In its application to monitor anomalies on ITS network dataset, the proposed charts have relatively equal performance and are able to detect anomalies with almost the same percentage, which is close to 0.273% for alpha=0.00273 and 1% for alpha=0.01.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Diagram Kontrol, Multivariat, Deteksi Intrusi, Data metric dan non-metric.
Subjects:	H Social Sciences > HA Statistics Q Science > QA Mathematics > QA76.9.A25 Computer security. Digital forensic. Data encryption (Computer science) T Technology > TS Manufactures > TS156 Quality Control. QFD. Taguchi methods (Quality control)
Divisions:	Faculty of Mathematics, Computation, and Data Science > Statistics > 49001-(S3) PhD Thesis
Depositing User:	Mr Muhammad Ahsan
Date Deposited:	23 Jul 2026 03:29
Last Modified:	23 Jul 2026 03:29
URI:	http://repository.its.ac.id/id/eprint/72088

Actions (login required)

View Item