BAB II TINJAUAN PUSTAKA

5

BAB II

TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka

Sebelum melakukan penelitian ini, peneliti melakukan studi literatur terhadap penelitian yang sudah dilakukan serta memiliki beberapa keterkaitan dengan penelitian yang lain.

Pada penelitian sebelumnya, Wulandari meneliti tentang Profiling serangan DDoS yang mengambil data dari sebuah Honeypot log dan digunakan Algortima K-Mean clustering. Dalam Penelitian yang dilakukanterdapat serangkaian log yang didapat dari honeypot dan peneliti mengubah log tersebut menjadi file bertipe CSV. Pada Penelitian yang dilakukan tersebut menggunakan analisa serangan dari serangan yang direkam oleh Honeypot dan akan dikrimkan kepada seuah server tersendiri, dan server tersebut akan melakukan analisa dari log tersebut dan akan dipetakan dari hasil mengolah data log tersebut, server akan menjalankan pekerjaan secara realtime dalam menganalisa log dari Honeypot tersebut. [7].

Penelitian sebelumnya yang lain, membahas tentang serangan DDoS pada

SDN dilakukan oleh Nishanth Devarajan Moreno Ambrosin, Fabio De Gaspari,

Mauro Conti mereka membahas mengenai CPSA. CSPA adalah Control Plane

Saturation, pada penelitian tersebut merka membahas tentang bagaimana CSPA

bisa di serang dan bagaimana penyerang melakukan serangan terhadap jaringan SDN. Dan Hasil yang didapatkan yaitu, serangan DDoS sangat berdampak pada jaringan SDN khususnya pada Controllernya, pada Controller penggunaan CPU akan naik secara tajam jika terjadi serangan DDoS. Dari tingkat penggunaan

CPU pun bisa disimpulkan dengan serangan yang relatif rendah, penggunaan CPU di Controller akan bisa mempengaruhi Controller dalam menangani

melayani jaringan yang normal [8].1

Lalu Pada penelitian yang lain yaitu DDoS Detection and Analysis in

SDN-based Environment Using Suport Vektor Machine Classifier yang

dilakukan oleh Kokila yaitu melakukan penelitian tentang deteksi dan analisis serangan DDoS pada lingkungan SDN mengggunakan algoritma klasifikasi SVM

(Support Vektor Machine). Kebutuhan penelitian dilakukan dalam ruang

6

Openflow, dan menggunakan data training dari DARPA 2000 untuk membentuk

pola klasifikasi. Hasil dari penelitian tersebut. Menemukan bahwa akurasi dari pendeteksian serangan lebih dari 90% dan ini sudah cukup membuktikan jika algoritma dalam machine learning lainnya dapat diterapkan dalam penelitian yang akan dilakukan[5]. Dari penelitian sebelumnya sudah dibuat Mapping yang bisa dilihat di tabel 1.1.

Tabel 1.1. Mapping Penelitian

Judul Tahun Author Metode Kontribusi

Implementasi Virtual Low-Interaction Honeypot dengan Dionaea untuk Mendukung Keamanan Jaringan 2014 Ahmad Fikri Nurrahman Menggunakan Honeypot - Honeypot Dionaea - Jaringan Tradisional DDoS detection and analysis in SDN-based environment using support vector machine classifier 2014 Kokila, R. T., Thamarai Selvi, S., & Govindarajan, K Algoritma Support Vector Machine Classifier - Jaringan Software Defined Network - Algoritma SVM - Deteksi DDoS - Menggunakan DARPA dataset - Menghitung Akurasi dan Training Time

7 Detection of distributed denial of service attacks in software defined networks 2017 N. Meti, D. G. Narayan, and V. P. Baligar Algoritma Naive Bayes, SVM, dan Neural Network - Jaringan SDN - Algoritma Naive Bayes, SVM, dan Neural Network - Deteksi DDoS - Menghitung Akurasi, Precision, dan Recall Penggunaan Algoritma K-Means pada Datalog Honeynet untuk Mengetahui Cyber Profiling Serangan DDoS 2018 Wulandari W. A Algoritma K-Means digunakan untuk Profiling Serang DDoS - Menggunakan Honeypot - Algoritma K-Means - Deteksi DDoS

Tabel 1.2. Penelitian yang dilakukan

Judul Tahun Metode Kontribusi

Analisa Perbandingan Deteksi Serangan DDos pada Jaringan SDN-Honeypot Menggunakan Supervised Learning 2020 Menggunakan Algoritma Machine Learning: KNN, Decision Tree, dan Random Forest - Jaringan SDN-Honeypot - Algoritma KNN, Decision

Tree, dan Random Forest - Deteksi dan Mitigasi Serangan

DDoS

- Menghitung Precision, Recal dan F1 Score

- Menghitung Cpu Usage - Menghitung Waktu Mitigasi

8

Perbedaan penelitian ini dan penelitian sebelumnya adalah penelitian ini berfokus pada Analisa Deteksi serangan DDoS ICMP flood pada arsitektur SDN yang menggunakan MHN sebagai perekam paket di dalam jaringan SDN, deteksi dilakukan dengan Algoritma K Nearest-Neigboars, Decision Tree

(CERT) dan Random Forest dan , dan memitigasi dengan mengirimkan flow rule

pada semua switch yang terhubung pada jaringan SDN.

2.2 Software Defined Network

SDN adalah jenis jaringan yang baru dalam merancang, memanajemen dan membuat jaringan luas yang semakin banyak [7][8]. Konsep dasar dari jaringan SDN adalah jaringan SDN itu memisahkan antara control plane dan

data/forwarding plane. Pada jaringan tradisional,control plane dan data plane

berada pada satu perangkat yang sama. Control Plane berfungsi mengatur atau mengontrol aliran data pada suatu perangkat jaringan, sedangkan

Data/forwarding Plane berfungsi untuk mengiriman paket aliran datanya.

Dengan adanya pengaturan yang terpisah seperti itu maka kita dapat manajemen jaringan dengan mudahnya, karena kita hanya mengontrol perangkat controller saja.

2.2.1 Arsitektur Jaringan SDN

9

Pada dasarnya jaringan SDN itu memiliki 3 lapisan layer , yaitu yang pertama adalah layer aplikasi, layer aplikasi adalah layer yang paling atas. Layer aplikasi ini adalah layer yang bertugas untuk menghubungkan antara end user dengan aplikasi yang bekerja pada jaringan. Seperti contohnya HTTP, POP3,FTP,SMTP dan lain sebagainya. Ada sebuah terdapat sebuah aplikasi yang bernama application Programming Interface atau disingkat dengan (API) , API ini berfungsi sebagai penghubung komunikasi antar kedua layer tersebut API berada pada layer aplikasi dan layer kontrol ,.

Layer yang kedua disebut dengan layer control, layer control merupakan tempat adanya controller di jaringan SDN. Pada layer ini bertugas untuk mengelola dan memprogram data plane atau forwarding plane.

Dan yang terakhir adalah layer Infrastruktur. Pada layer ini adalah layer fisik dari perangkat jaringan sdn yang sudah suport protokol Openflow dan pada

layer ini merupakan data plnae yang di atu oleh controller atau control plane

yang ada pada controller. Pada layer ini bertugas untuk mengirimkan informasi atau memforward paket paket yang yang ada sesuai dengan apa yang diperintahkan controller atau control plane. Pada data plane merupakan alat alat fisik seperti ethernet, switch,router dan lain sebagainya.

2.3 RYU Controller

Ryu Controller adalah salah satu software controller pada jaringan SDN

yang bersifat Open source, dibuat untuk tujuan memudahkan dalam mengelola jaringan, memanajemen jaringan yang lebih efisien, dan menangani lalu lintas jaringan. Kata Ryu berasal dari bahasa jepang yaitu “flow” yang artinya adalah aliran. Lalu bahasa yang di gunakan untuk mendevelope adalah basa Python.

Didalam Ryu disediakan Aplication Programming Interface atau bisa disebut API yang bisa mempermudah dalam hal pengembangan kontrol jaringan dan memanajemen jaringan. Didalam Ryu juga didukung oleh banyak macam protokol yang suport, salah satunya adalah Netconf, Openflow, Ofconfig dan lain sebagainya. Kemudian Ryu juga Mendukung Openflow versi 1.0 sampai dengan 1.5 dan Nicira Extensions[9].

Controller Ryu bisa menghandel semua detail koneksi yang terhubung

10

lebih mudah digunakan. Didalam controller Ryu terdapat 3 bagian yang utama yaitu:

1. Registration dan inisialization dari controller aplication.

Dalam registrasi yang digunakan adalah untuk menginisialisasi data yang ada supaya dapat digunakan pada perangkat dibawahnya. Seperti menginisialisasikan MAC address menjadi port yang mudah dipahami[10].

2. Initialization on a switch connecting Ryu

Pada tahap ini, Controller Ryu dan switch sudah terhubung dengan baik dan secara langsung semua switch yang terkoneksi dengan ryu akan dapat mngeneali controller yang ada dan bisa mengirim respon terhadap ryu controller agar dapat dikenali. Pada aplikasi

Simpleswitch, ada yang namaya flow table-miss, yang berfungsi untuk

mengfilter setiap paket yang akan dikirimkan kepada controller[10]. 3. Handling Incoming Packets

Pada tahap ini switch mengirimkan paket kepada controller ryu dan

controller ryu menerima dengan tahu bahwa itu adalah respon

OFPT_PACKET_IN. Lalu controller menambahkan flow entry. Dan pada saat itu juga switch akan melakukan fowarding paket sesuai dengan apa yang diperintahkan oleh Controller [10].

2.4 OpenFlow

OpenFlow adalah, salah satu jenis dari APIs (Aplication Protocol Interfaces) dalam jaringan SDN yang digunakan untuk mengontrol/mengatur traffic flows pada switch dalam sebuah jaringan, control plane berkomunikasi

dengan data plane melalui OpenFlow. OpenFlow dapat bekerja pada switch dari berbagai vendor[11].

OpenFlow sendiri adalah southbound interface, dimana interface yang

memungkinkan terjadinya komunikasi antara layer controller dan data plane pada arsitektur SDN[11].

Agar OpenFlow dapat bekerja sesuai dengan tujuan dan fungsinya,

11

OpenFlow Switch. gambar dibawah yang mengambarkan bagian- bagian dari OpenFlow[11].

Gambar 2.4. Arsitektur Open Flow [26]

1) OpenFlow Controller

OpenFlow Controller bertugas mengontrol path,

memformulasikan flow dan mengatur kerja dari OpenFlow switch. Terdapat beberapa OpenFlow controller yang dapat digunakan seperti NOX (C base), RYU (phyton base), dan Floodlight (java base) .

2) OpenFlow Switch

OpenFlow mendefinisikan protokol open source untuk

memantau atau mengubah flow table di berbagai switch dan router.

2.5 Moders Honey Network

Modern Honey Network (MHN). MHN adalah sistem manajemen honeypot yang biasanya digunakan untu kberbagai keperluan keamanan jaringan

yang siap untuk perusahaan yang memudahkan mengorganisir keamanan jaringan aktif yang berfungsi secara realtime[12].

MHN merupakan software yang sifatnya Opensource dan jenis dari honeypotnya adalah low-interaction Honeypot. Low-interaction Honeypot merupakan honeypot yang memiliki sedikit port dan service yang umum, lain halnya dengan High-Interaction Honeypot, High-Interaction Honeypot

12

merupakan Honeypot yang untuk resourcenya menggunakan keseluruh apa yang ada pada komputer atau server. Jadi bisa disimpulkan bahwa

low-interaction Honeypot itu mempunyai resiko keamanan yang relatif lebih rendah

dibanding High-Interaction Honeypot. MHN bisa digunakan untuk penggunaan crowdsourcing. Crowdsourcing artinya yaitu semua data serangan yang ada pada Honeypot dapat analisis dari sumbernya, jenis serangannya, dan lain sebagainya. Dan dapat ditampilkan dalam sebuah Peta digital dunia yang dapat mengetahui dari mana serangan itu berasal [12].

2.6 Suricata

Suricata adalah alat deteksi monitoring serangan jaringan yang sifatnya

Open Source. Suricata menggunakan rule untuk mendeteksi serangan dalam lalu

lintas jaringan. Suricata juga mendukung bahasa scripting Lua yang digunakan untuk mendeteksi serangan yang sangat kompleks dalam lalu lintas jaringan. Suricata adalah software yang dikembangkan oleh Open Information Security Foundation[13].

Pada penelitian ini Suricata menjadi sensor Honeypot di dalam MHN yang terinstall di dalam MHN itu sendiri dengan menggunakan deploy sensor maka suricata dapat dipasang di MHN.

2.7 DDoS

DDoS adalah salah satu jenis kejahatan komputer yang dilakukan terhadap sebuah komputer atau server dengan cara menghabiskan sumber daya yang dimiliki komputer atau server tersebut sehingga pengguna lain tidak dapat mengakses layanan yang disediakan oleh komputer atau server tersebut. Serangan DDoS pada SDN ditunjukkan dengan cara mengeksploitasi logika pemisahan jalur data terhadap kontrol SDN atau penyerang akan terus mengirimkan paket IP dengan header acak untuk menempatkan Controller dalam keadaan tidak responsif. Contohnya, attack traffic ini dapat dihasilkan dengan mengirimkan paket UDP bervolume tinggi yang mengambil seluruh bandwidth sehingga traffic yang sah tidak dapat mencapai tujuannya[3].

13 2.7.1 ICMP Flood

Packet ICMP membutuhkan server untuk memproses permintaan dan menanggapinya, sehingga dibutuhkan sumber daya CPU. Serangan pada protokol ICMP salah satunya adalah ICMP Flood, cara kerja ICMP Flood adalah dengan membanjiri server dengan permintaan ICMP tanpa menunggu tanggapan. Sehingga resource yang harusnya digunakan untuk menanggapi packet normal akan kekurangan resource cpu dan mengakibatkan konektivitas dari paket normal akan terganggu[14].

2.8 Mikrotik

Mikrotik merupakan salah satu perangkat keras yang diproduksi oleh perusahaan Mikrotik dari Latavia. Perusahan ini bukan hanya memproduksi perangkat keras tetapi juga perangkat lunak. Perangkat berupa router, switch dan sistem wireless digunakan untuk membangun sebuah jaringan baik itu skala besar maupun kecil [15]. Pada penelitian ini mikrotik yang digunakan adalah RB941 2nd yang diinstall openflow switch pada alat tersebut dan berfungsi sebgai switch yang menghubungkan antar host dan Controller.

2.9 Python

Python adalah bahasa pemrograman yang populer. Bahasa pemrograman python merupakan bahasa tingkat tinggi, bahasa ini dibuat oleh Guido van Rossum. Bahasa python adlah bahasa yang mudah untuk mempelajarinya dikarenakan dengan kemudahannya, bahasa ini sering digunakan di berbagai macam program seperti Mobile, web, IOT, GUI, hacking, dan lain sebagainya.

Python termasuk bahasa pemrograman yang mudah untuk dipelajari.

Sampai saat ini bahasa pemrograman Python hampir dipakai di segala bidang seperti game, sistem berbasis web, dan bahkan dapat membuat mesin pencari sendiri. Jadi secara umum, bahasa pemrograman ini dipakai dalam pengembangan website, pengembangan software, matematika, dan system

scripting [16].

2.10 Scapy

Scapy merupakan suatu software yang digunakan untuk memanipulasi

14

pemrograman python. Scapy bisa membangun dan memecah paket menjadi paket yang diinginkan, contoh nya membuat paket dengan protokol UDP ataupun TCP yang umum digunakan dan bisa juga untuk membuat paket dengan ketentuan yang berfariasi dengan apa yang diinginkan.. dalam penggunaannya Scapy dapat digunakan untuk membantu kegiatan yang berhubungan dengan keamanan jaringan, seperti kegiatan "attack", "scanning", " tracerouting " "network discovery" dan lain sebagainya. Scapy diciptakan oleh Philippe Biondi dan Scapy bmemberikan informasi tahap bagaimana membuat paket dan memanipulasinya. [17].

2.11 Tcpreplay

TCPreplay adalah alat yang biasanya digunakan oleh admisintrator

jaringan dalam skenarion menguji jaringan yang ada. Dengan menggunakan

Tcpreplay ini kita dapat megirim serangkaian paket yang telah dibuat

sebelumnya atau paket yang sudah di rekam sebelumnya. Tcpreplay bisa mengirim kan paket yang disimpan dengan format PCAP dan mengirimkannya dengan urut sesuai dengan urutan pada file PCAP tersebut, kecepatan dalam mengirim file tersebut juga bisa diatur dengan menggunakan pps atau packet per

second. Dalam tugas membuat paket pcap, biasanya Scapy adalah tools yang

mudah digunakan untuk itu[18].

2.12 Machine Learning

Machine learning merupakan cabang dari ilmu kecerdasan buatan(Artificial intellegence) . Pada dasarnya Machine Learning adalah proses komputer dalam mempelajari data yang ada. Jadi mesin tidak akan bisa belajar jika tidak ada data yang dipelajari. Pada machine learning ada tiga bagian utama [19], yaitu:

1) Model 2) Parameter 3) Pembelajaran

Pada Machine Learning terdapat dua jenis teknik yaitu : Supervised

Learning dan Unsupervised Learning, dimana Supervice Learning tujuannya

15

Unsupervised Learning mengelompokan data dengan tidak ada datatrain

sebelumnya [19].

 Supervised Learning

Supervised learning merupakan jenis teknik Machine Learning yang

biasanya digunakan untuk mengkategorikan suatu data dengan menggunakan sebuah dataset yaitu data yang sudah ada sebelumnya dan digunakan untuk mesin pelajari sebalum mengkategorikan suatu data baru.

 Unsupervised learning

Unsupervised learning merupakan teknik Machine Learning yang

digunakan untuk mengelompokkan data dengan tidak memiliki dataset atau data latih sebelumnya, jadi mesin disuruh mengelompokkan data berdasarkan parameter yang ada pada data tersebut.

2.12.1 K-Nearest Neigboars

K-Nearest Neighbor (KNN) adalah salah satu algoritma Supervised Learning dimana dalam mengkategorikan suatu data dengan menggunakan

sebuah dataset yaitu data yang sudah ada sebelumnya dan digunakan untuk mesin pelajari sebelum mengkategorikan suatu data baru. Dalam menggunaannya, algoritma KNN menggunakan pengklasifikasiannya dengan ditentukannya banyak ruang berdimensi banyak. Dan setiap data yang akan di klasifikasi akan merepresentasikan titik-titik c di dalam ruang tersebut. Lalu dalam proses klasifikasinya, Algoritma KNN mencari titik c terdekat dari c yang baru. Dalam algoritma KNN ini perlu parameter k yaitu adalah banyaknya titik c terdekat yang digunakan untuk pengklasifikasian data yang baru masuk[20].

2.12.2 Decision Tree

Decision Tree merupakan salat satu metode klasifikasi yang populer.

Karena mudah dipelajari oleh manusia, Decision tree berarti pohon keputusan adalah model klasifikasi data menggunakan struktur pohon hirarki. Decision

Tree merupakan salah satu Machine learning yang bisa digunakan untuk Supervised Learning dan Unsupervised Learning. Yang memudahkan Decision Tree untuk dipelajari adalah konsep daro pohon keputusan yang mengubah data

16

menjadi aturan aturan keputusan , jadi selama proses pengambilan keputusan

decision Tree menjadikan yang kompleks menjadi lebih simpel.

Ada Banyak algoritma yang dapat digunakan dalam pembentukan pohon keputusan seperti ID3, C4.5, CART, dan GUIDE. Pada penelitian ini menggunakan CART[21].

2.12.3 Random Forest

Random forest merupakan salah satu metode dalam ensemble learning. Ensemble Learning adalah sebuah tipe dari supervised learning technique yang

ide dasarnya adalah untuk menghasilkan banyak model pada data training dan kemudian mengkombinasikannya untuk mendapatkan strong model dimana memiliki performa baik dan tidak overfitting[22].

2.13 Jupyter Notebook

Jupyter Notebook adalah lingkungan komputasi interaktif berbasis web

untuk membuat dokumen notebook Jupyter. Ini mendukung beberapa bahasa seperti Python (IPython), Julia, R dll dan sebagian besar digunakan untuk analisis data, visualisasi data dan lebih lanjut, komputasi eksplorasi yang interaktif. Jupyter Notebook merupakan tool yang populer untuk mengolah data di python. Jupyter Notebook memungkinkan untuk mengintegrasikan antara kode dengan output di dalam satu dokumen secara interaktif. Pada penelitian ini jupyter notebook digunakan untuk penggunaan machine learning pada deteksi

DDoS[23].

2.14 Wireshark

Wireshark adalah software yang banyak digunakan untuk melakukan analisis terhadap jaringan. Wireshark merupakan analyzer jaringan yang bsia melihat atau merekeam semua trafik yang lewat pada jaringan yang terkoneksi pada komputer tersebut, dan wireshark bisa memfilter paket-paket tersebut berdasarkan ciri-ciri jenis paket dalam jaringan. Wireshark biasanya digunakan oleh Administrator jaringan untuk menganalisis semua trafik yang lewat di jaringan tersebut dan memonitoringnya, setelah direkam, fungsi lainnya wireshark bisa menyimpan paket-paket tersebut ke dalam format tertentu, misalnya JSON, CSV dan Plain Text[24].