Penerapan Metode Clustering K-Means Untuk Menentukan Nilai Burst Header Packet Flooding Attack Pada Optical Burst Switching

Ikhsan Nur Rizkiana, Alam Rahmatulloh, Rohmat Gunawan

Abstract

Optical Burst Switching merupakan solusi yang menjanjikan dalam teknologi switching saat ini. Salah satu tantangan keamanan utama yang dihadapi kinerja yang mempengaruhi OBS ialah serangan flood terhadap burst header packet. Kondisi tersebut menyebabkan jaringan melambat atau dalam beberapa kasus besarnya ialah denial of service. Dalam hal ini dicoba untuk menerapkan metode clustering dengan algoritma k-means untuk mengetahui nilai data dari Class OBS yang disebabkan oleh flood pada BHP antara lain NB-No Block, Block, No Block, dan NB-Wait. Clustering merupakan metode pengelompokan data menggunakan algoritma k-means yang banyak digunakan dalam berbagai penerapan salah satunya untuk keamanan. Hasil Penelitian menunjukan jumlah nilai data flooding BHP lebih besar terdapat pada class NB-No Block dan NB-Wait.

 

 

Keywords

Data Minning; Computer Networking; Computer Security

Full Text:

PDF

References

A. Rajab, C. T. Huang, and M. Al-Shargabi, “Decision tree rule learning approach to counter burst header packet flooding attack in Optical Burst Switching network,” Opt. Switch. Netw., vol. 29, pp. 15–26, 2018.

C. S. R. Murthy, An analytical approach to optical Burst switched networks. Springer New York Dordrecht Heidelberg London.

R. Alshboul, “Flood Attacks Control in Optical Burst Networks by Inducing Rules using Data Mining,” vol. 18, no. 2, pp. 160–167, 2018.

M. Zahid Hasan, K. M. Zubair Hasan, and A. Sattar, “Burst header packet flood detection in optical burst switching network using deep learning model,” Procedia Comput. Sci., vol. 143, pp. 970–977, 2018.

K. LaRose and K. J. Elwood, “Performance of headed shear stud clusters for precast concrete bridge deck panels,” TAC/ATC 2006 - 2006 Annu. Conf. Exhib. Transp. Assoc. Canada Transp. Without Boundaries, no. December, 2006.

C. Eckart, “Some Studies,” Phys. Rev., vol. 47, pp. 552–558, 1935.

H. Widayu, S. Darma, N. Silalahi, and Mesran, “Data Mining Untuk Memprediksi Jenis Transaksi Nasabah Pada Koperasi Simpan Pinjam Dengan Algoritma C4.5,” Issn 2548-8368, vol. Vol 1, No, no. June, p. 7, 2017.

A. Ahmad, “Mengenal Artificial Intelligence, Machine Learning, Neural Network, dan Deep Learning,” J. Teknol. Indones., no. October, p. 3, 2017.

D. Tantangannya, D. Masa, D. Sri, and A. Thamrin, “Penggunaan Data Mining Saat Ini,” Stat. Komputasi, vol. 3, no. 1, 2006.

Y. G. Sucahyo, “D a t a M i n i n g,” Database, vol. 35, no. 3, pp. 1–3, 2003.

S. Shadroo and A. M. Rahmani, “Systematic survey of big data and data mining in internet of things,” Comput. Networks, vol. 139, pp. 19–47, 2018.

R. Patil, S. Deshmukh, and K. Rajeswari, “Analysis of SimpleKMeans with Multiple Dimensions using WEKA,” Int. J. Comput. Appl., vol. 110, no. 1, pp. 14–17, 2015.

C. Song, F. Liu, Y. Huang, L. Wang, and T. Tan, “Auto-encoder based data clustering,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 8258 LNCS, no. PART 1, pp. 117–124, 2013.

R. Parhizkar, J. Ranieri, and M. Vetterli, “Euclidean Distance Matrices [,” no. november, pp. 12–30, 2015.

Agus Nur Khormarudin, “Teknik Data Mining : Algoritma K-Means Clustering,” pp. 1–12, 2016.

D. Arthur and S. Vassilvitskii, “K-means++: The advantages of careful seeding,” Proc. Annu. ACM-SIAM Symp. Discret. Algorithms, vol. 07-09-January-2007, pp. 1027–1035, 2007.

DOI: https://doi.org/10.20961/ijai.v4i2.40070

Refbacks

  • There are currently no refbacks.