Pengembangan Framework Autonomous Cyber Defense Berbasis Deep Reinforcement Learning untuk Mitigasi Serangan (DDoS) Secara Adaptif

Abstract

Kompleksitas serangan Distributed Denial of Service (DDoS) yang kian dinamis memicu kegagalan sistem proteksi konvensional berbasis parameter statis. Menjawab tantangan tersebut, penelitian ini merancang arsitektur pertahanan siber mandiri (Autonomous Cyber Defense) berbasis kecerdasan buatan untuk mereduksi dampak serangan secara real-time. Melalui implementasi Deep Reinforcement Learning (DRL) dengan algoritma Deep Q-Network (DQN), agen cerdas dilatih untuk mengeksekusi tindakan mitigasi, seperti membuang paket (drop packet) atau membatasi laju data (rate limiting), berdasarkan fluktuasi metrik jaringan, seperti entropi IP dan laju paket. Pengujian menggunakan instrumen simulasi dan basis data serangan CICIDS2019 menunjukkan efektivitas model dengan tingkat akurasi identifikasi ancaman sebesar 94,5%. Sistem ini terbukti mampu memotong volume lalu lintas anomali hingga 85% sekaligus mempertahankan stabilitas akses bagi pengguna yang sah.