Perpustakaan Digital ITB

Berkembangnya teknologi informasi juga mempengaruhi teknologi pada bidang otomotif, di mana komponen pada kendaraan saat ini sudah dikendalikan dengan komputer. ECU atau Electronic Control Unit merupakan komponen krusial yang berperan mengendalikan fungsi operasional pada kendaraan, mulai dari fungsi non kritikal seperti media hiburan, central lock, power window, hingga fungsi vital se-perti akselerasi, pengereman, transmisi, dsb. Protokol Controller Area Network (CAN) Bus merupakan protokol komunikasi yang paling umum digunakan oleh ECU, namun tidak dirancang dengan mekanisme keamanan seperti enkripsi dan autentikasi secara inheren. Hal ini menciptakan kerentanan signifikan terhadap se-rangan siber yang dapat membahayakan keselamatan penumpang. Meskipun pe-nelitian secara ekstensif terus dilakukan pada bidang Intrusion Detection Systems (IDS) dengan memanfaatkan kemampuan model Machine Learning (ML) dan De-ep Learning (DL), beberapa tantangan fundamental masih belum teratasi secara komprehensif. Pertama, banyak solusi IDS yang diusulkan memerlukan daya kom-putasi yang besar, sehingga tidak praktis untuk diimplementasikan pada perangkat keras dengan sumber daya terbatas (resource-constrained edge devices) di dalam kendaraan. Kedua, pendekatan yang mengandalkan pelatihan terpusat (centralized training) mengharuskan pengumpulan data CAN dari berbagai kendaraan ke satu server, yang menimbulkan masalah serius terkait privasi data pengguna dan risi-ko keamanan data terpusat. Ketiga, model yang dilatih pada satu jenis kendaraan atau kondisi mengemudi seringkali gagal melakukan generalisasi data yang bersifat Non-Independent and Identically Distributed (Non-IID) dari kendaraan lain, yang mana kondisi dan situasi pada masing-masing kendaraan berbeda satu sama lain di dunia nyata. Untuk mengatasi celah penelitian ini, tesis ini mengusulkan Fed-CALiBER (Fede-rated CAN Lightweight BERT), sebuah kerangka kerja deteksi intrusi yang secara sinergis menggabungkan efisiensi, dan kemampuan generalisasi. Inti dari kerang-ka kerja ini adalah model Transformers lightweight (ringan) yang terinspirasi dari arsitektur BERT, yang dirancang khusus untuk domain CAN bus. Dengan arsitek-tur yang ringkas (4 layer encoder, hidden size sebanyak 256 dimensi, dan panjang maksimal sekuens 32 token), model ini telah melalui proses pre-training secara self-supervised dengan memanfaatkan pendekatan Masked Language Modeling (MLM) pada lebih dari 6 juta baris data pesan CAN normal untuk mempelajari representa-si kontekstual dari lalu lintas jaringan kendaraan. Untuk mengatasi tantangan data Non-IID, model ini dilatih menggunakan kerangka kerja Federated Learning (FL). Dalam arsitektur ini, beberapa klien (disimulasikan dengan menggunakan perang-kat Raspberry Pi) melatih model secara lokal pada dataset mereka yang unik dan he-terogen, dan hanya mengirimkan pembaruan berupa parameter (tanpa mengirimkan data mentah) ke server pusat untuk kemudian dilakukan agregasi parameter meng-gunakan strategi Federated Averaging (FedAvg) guna menciptakan satu model glo-bal yang baru, untuk digunakan oleh seluruh klien dalam jaringan FL tersebut. Evaluasi dilakukan melalui skenario eksperimen dua siklus yang unik, dengan tuju-an untuk mengukur kemampuan adaptasi model terhadap pergeseran distribusi data pada klien. Hasil eksperimen menunjukkan bahwa model global akhir (GMC2) yang dihasilkan oleh Fed-CALiBER mencapai performa yang tinggi di ketiga da-taset yang berbeda, dengan F1-score dengan bobot rata-rata (weighted F1-score) mencapai 99,994% pada dataset Car Hacking, 99,88% pada dataset Hacking Cha-llenge, dan 96,59% pada dataset Survival Analysis. Kinerja ini secara signifikan me-lampaui model standalone yang dilatih secara terpusat, yang performanya merosot hingga 71,53% pada skenario pengujian lintas-dataset. Selain itu, Fed-CALiBER terbukti dapat digunakan pada perangkat dengan sumber daya rendah, dengan ukur-an model hanya 13.3 MB dan kecepatan inferensi 3–4 ms per sampel pada klien Raspberry Pi, serta konsumsi RAM yang stabil pada kisaran 0.4 sampai 0.6 GB selama pelatihan lokal. Hasil ini memvalidasi Fed-CALiBER sebagai solusi yang kuat dan ringan untuk sistem deteksi intrusi pada jaringan kendaraan modern.