PENGEMBANGAN MODEL IDS BERBASIS DEEP REINFORCEMENT LEARNING untuk Prediksi dan Mitigasi Serangan Siber dalam Network Traffic Analysis

Description

Perkembangan teknologi digital, IoT, cloud computing, dan transformasi industri telah meningkatkan lalu lintas jaringan sekaligus memunculkan ancaman siber yang makin kompleks. Serangan modern seperti DDoS, APT, zero-day exploits, hingga infiltrasi infrastruktur kritis menuntut sistem keamanan adaptif. Intrusion Detection System (IDS) menjadi garis pertahanan awal dengan dua pendekatan utama: signature-based dan anomaly-based. Namun, metode konvensional ini terbatas—signature sulit mendeteksi serangan baru, sementara anomaly-based rentan menghasilkan false positive tinggi.

Kebutuhan akan sistem yang responsif, adaptif, dan real-time melahirkan pemanfaatan Machine Learning (ML) serta Deep Learning (DL). Sayangnya, sebagian besar model ML/DL bersifat statis, sehingga kurang mampu mengikuti dinamika ancaman. Deep Reinforcement Learning (DRL) menawarkan solusi dengan menggabungkan pembelajaran mendalam dan pengambilan keputusan adaptif. DRL tidak hanya mendeteksi, tetapi juga mampu mengambil langkah mitigasi otomatis melalui interaksi langsung dengan jaringan.

Dalam konteks hilirisasi, IDS berbasis DRL berpotensi tinggi untuk diintegrasikan ke SOC, firewall adaptif, dan layanan keamanan terdistribusi. Selain meningkatkan keamanan nasional, teknologi ini dapat dikomersialisasikan sebagai produk maupun layanan cloud, sekaligus mendukung kemandirian teknologi dan daya saing industri keamanan siber global. Buku ini hadir untuk memberikan dasar teoretis, metodologi pengembangan, serta strategi hilirisasi IDS-DRL.