Perpustakaan Digital ITB

Network Intrusion Detection System (NIDS) berbasis pembelajaran mesin umumnya dibangun dengan paradigma closed-set yang mengasumsikan seluruh kelas serangan telah tersedia saat pelatihan. Akibatnya, model kesulitan mendeteksi unknown attack yang tidak terwakili pada data latih dan kinerjanya dapat menurun ketika distribusi lalu lintas jaringan berubah. Pendekatan yang ada umumnya berfokus pada penyempurnaan algoritma dan arsitektur model deteksi untuk mencapai kinerja tinggi pada lingkungan eksperimen, tetapi masih rentan terhadap serangan baru dan pergeseran distribusi lalu lintas jaringan. Selain itu, proses pengembangan dan pembaruan model masih dilakukan secara manual dan repetitif, mulai dari akuisisi data lalu lintas jaringan, pengelolaan dataset, inferensi, pelatihan ulang, validasi hasil prediksi melalui human-in-the-loop, hingga pengelolaan versi artefak dan pencatatan riwayat. Kondisi tersebut menyebabkan pengoperasian model secara berkelanjutan pada NIDS masih menjadi tantangan. Tugas Akhir ini mengembangkan platform manajemen model AI berbasis MLOps yang mengintegrasikan dan mengorkestrasi proses tersebut dalam satu alur continuous training. Platform mendukung akuisisi data dari Zeek dan penggunaan berbagai model AI melalui antarmuka plugin, verifikasi hasil oleh analis, pembentukan dataset, dan pelatihan ulang model. Evaluasi dilakukan dengan menahan kelas DDoS dan PortScan dari data pelatihan sebagai simulasi unknown attack. Hasil evaluasi menunjukkan platform berhasil menjalankan alur continuous training model. Kemampuan model dalam mempelajari data baru ditunjukkan melalui peningkatan recall dari 0,82 menjadi 1,00 pada full retraining model DecisionTree dan dari 0,46 menjadi 0,59 pada incremental training model SGDClassifier, tanpa menurunkan precision. MTTD masing-masing sebesar 0,0101 ms dan 0,0130 ms pada kedua skenario.