Perpustakaan Digital ITB

Teknologi Software-Defined Networking (SDN) menawarkan fleksibilitas pengelolaan jaringan melalui pemisahan control plane dan data plane. Namun, arsitektur terpusat ini kerentanan single point of failure terhadap serangan Distributed Denial-of-Service (DDoS) yang dapat melumpuhkan controller dan mengganggu ketersediaan layanan. Meskipun berbagai pendekatan deep learning telah diusulkan, mayoritas masih terbatas pada evaluasi offline menggunakan fitur dataset berdimensi tinggi yang tidak kompatibel dengan statistik protokol OpenFlow, serta minimnya validasi operasional secara real-time. Penelitian ini mengusulkan kerangka kerja deteksi dan mitigasi DDoS berbasis aliran (flow-based) menggunakan model hibrida CNN-LSTM-Transformer. Model ini mengintegrasikan Convolutional Neural Network (CNN) untuk ekstraksi fitur spasial, Long Short-Term Memory (LSTM) untuk dependensi temporal, dan Transformer untuk menangkap konteks global melalui mekanisme self-attention. Evaluasi offline dilakukan pada tiga dataset publik (CIC-DDoS2019, inSDN, dan CIC-IDS2017) menggunakan 71 fitur, sementara validasi real-time diimplementasikan pada testbed Mininet dan controller Ryu (OpenFlow 1.3) menggunakan 11 fitur operasional yang kompatibel dengan statistik OpenFlow. Hasil evaluasi offline menunjukkan model usulan mencapai tingkat akurasi 99,87% (CIC-DDoS2019), 99,98% (inSDN), dan 99,93% (CIC-IDS2017), dengan waktu konvergensi yang lebih cepat dan validation loss yang lebih rendah dibandingkan model tanpa Transformer. Pada fase validasi real-time, sistem mampu mendeteksi serangan flooding (UDP, TCP SYN, dan ICMP) dalam waktu 0,0693 hingga 0,2668 detik. Mekanisme mitigasi otonom menggunakan instruksi drop rules terbukti efektif mencegah saturasi komputasi dengan memulihkan utilisasi CPU controller dari 52,6%-91,4% ke rentang 0,7%-1,7%. Penelitian ini berhasil menjembatani kesenjangan (deployment gap) antara metrik klasifikasi offline dan kelayakan implementasi mitigasi pada jaringan SDN.