Issue‎ > ‎Issue 13‎ > ‎

004.txt


echo|zine, volume 4, issue 13 ----------------[ Artificial Neural Network dan Security ]---------------- -------------------------------------------------------------------------- -------------------[ Cyb3rh3b <cyb3rh3b@kecoak.or.id> ]------------------- -- -- -( Intro ) Artificial Neural Network (Jaringan Saraf Tiruan) sudah mulai banyak dimanfaatkan sebagai solusi terhadap berbagai macam kasus yang muncul beberapa dekade terakhir, sejarah ANN (Artificial Neural Network) menunjukan pembahasan terhadap masalah ini muncul sekitar awal tahun 1900-an namun implementasinya baru banyak muncul beberapa dekade terakhir. Pemanfaatan ANN juga mulai merambah dunia security khususnya untuk memecahkan masalah-masalah yang sifatnya tidak tetap sehingga sulit untuk di pecahkan dengan menggunakan tehnik pemrograman konvensional yang ada saat ini. -- -- -( Dasar-dasar ANN ) Saya tidak akan menjelaskan terlalu detail prosedur ANN terutama cara kerjanya dilihat dari dalam, untuk penjelasan lengkap dapat diperoleh di Internet, dibagian referensi juga diberikan beberapa link yang membahas ANN secara mendetail. Pada artikel ini saya hanya akan memberikan gambaran cara kerja ANN dan penggunaannya dalam dunia security serta teknik coding yang memanfaatkan ANN. Artificial Neural Network merupakan suatu jaringan saraf tiruan yang dibangun untuk meniru cara kerja otak manusia. Dengan jaringan saraf tiruan maka kita dapat memberikan semacam kecerdasan pada sistem, dimana sistem tersebut akan diberikan waktu untuk 'belajar' dan kemudian diharapkan dari proses belajarnya, sistem bisa memberikan solusi dari suatu kasus. Analoginya seperti mengajarkan seorang anak kecil untuk mengetahui bentuk kursi, kita akan menunjukan pada anak tersebut berbagai macam bentuk kursi dan bukan kursi. Kita akan memperlihatkan mana saja yang termasuk kursi dan mana yang bukan, proses ini disebut proses training. Setelah proses training selesai, maka tiba waktunya untuk melakukan test terhadap anak tersebut dengan menunjukan suatu bentuk kursi dan menanyakan apakah itu termasuk kursi atau bukan. Hal yang menarik adalah pada saat kita menunjukan suatu bentuk kursi yang belum pernah diajarkan pada anak tersebut dan apabila itu memang variasi dari kursi (dengan ciri misalnya: kakinya ada 4, ada pegangan tangannya, bentuknya seperti angka 4, dll) maka dia dapat mengambil kesimpulan bahwa benda tersebut adalah kursi, apabila jawaban si anak salah maka kita kembali melatihnya (proses training) dengan memasukan bentuk kursi yang baru tadi kedalam data latih, sehingga si anak dapat mengambil kesimpulan bahwa benda tersebut (dan yang mirip benda tersebut dimasa yang akan datang) adalah kursi. Hal yang sama terjadi pada sistem dimana sistem akan diajarkan dengan berbagai macam contoh (disebut data latih) dan kemudian diharapkan sistem akan dapat mengambil keputusan atas suatu masalah yang berhubungan dengan data latih sistem tersebut. Pemanfaatan ANN sekarang ini sudah cukup banyak dan telah diterapkan pada berbagai bidang, misalnya untuk mengetahui keadaan bursa saham di masa yang akan datang berdasarkan keadaan saat ini, menentukan jenis kelamin seseorang berdasarkan bentuk wajah, dll. -- -- -( ANN dan Security ) Pemanfaatan ANN juga sudah mulai banyak dibicarakan pada dunia security, salah satu impelementasinya diterapkan pada IDS (Intrusion Detection System). Teknik IDS yang umumnya digunakan saat ini adalah menggunakan signature serangan untuk menentukan apakah suatu paket termasuk dalam jenis serangan tertentu atau bukan, misalnya rule Snort yang merupakan salah satu IDS opensource yang sangat populer: "alert icmp $EXTERNAL_NET any <> $HOME_NET any (msg:"DDOS Stacheldraht handler->agent (ficken)"; content:"ficken"; itype:0;icmp_id:6667; reference:url,staff.washington.edu/dittrich/misc/stacheldraht.analysis; classtype:attempted-dos; sid:1856; rev:2;)" apabila ada paket yang melintasi jaringan dan ditangkap oleh IDS (dalam hal ini Snort) dan packet tersebut memenuhi kriteria rules diatas maka IDS akan dapat langsung memutuskan bahwa telah terjadi suatu jenis serangan DDOS yang memanfaatkan tools stacheldracht, dan snort akan langsung mengambil tindakan yang telah ditetapkan sebelumnya (misal: mengirimkan pesan alert via sms/mail ke administrator sistem). Yang menjadi masalah adalah jenis serangan akan terus berkembang dan umumnya signature serangan tersebut baru akan diketahui apabila telah jatuh 'korban' oleh serangan baru tersebut, hal ini disebabkan jenis serangan baru belum terdapat datanya di database signature IDS. Untuk mengatasi masalah tersebut maka saat ini mulai banyak dikembangkan suatu IDS yang menggunakan teknologi ANN sehingga diharapkan IDS dapat mengenali suatu jenis serangan baru (walaupun sifatnya baru 'memperkirakan') dan mengambil langkah yang sesuai, sehingga sistem dapat lebih terlindungi dari jenis serangan baru tersebut. ANN sifatnya memperkirakan, yang artinya sistem akan diberikan suatu kecerdasan sehingga apabila ada jenis serangan baru yang belum pernah dilatihkan pada sistem, dia bisa berpikir "sepertinya ini termasuk dalam kategori jenis serangan DOS stacheldracht" misalnya. Dan kecerdasan sistem tergantung pada proses trainingnya, semakin baik jenis data yang dilatihkan maka semakin baik kecerdasan sistem tersebut. -- -- -( Dasar Algoritma ANN ) Dasar teori yang menjelaskan implementasi ANN sangat banyak di Internet, intinya...mesin ANN bekerja pada 2 mode, yang pertama adalah 'training' dan yang kedua adalah 'execution'. Pada saat proses training, kita akan melatih sistem dengan memberikannya sebanyak mungkin contoh data 'input' serta 'output' yang akan dihasilkan oleh data input tersebut. Contoh paling mudah adalah mengajarkan sistem operasi penjumlahan: input ke-1 = 0.1 input ke-2 = 0.2 output = 0.3 pada contoh tersebut, kita mengajarkan pada sistem apabila inputan terdiri dari angka "0.1" dan "0.2" maka outputnya adalah "0.3". Jika hanya diberikan satu contoh maka sistem tidak akan belajar dengan baik, untuk itu sistem sebaiknya diberikan contoh data dengan jumlah yang sangat besar sehingga kecerdasan sistem bisa lebih handal. Konsep pertama yang harus di pahami sebelum masuk pada tahap coding adalah layer. ANN umumnya terdiri dari 3 layer, yaitu "input layer", "hidden layer", dan "output layer". Ketiga layer inilah yang akan membentuk topologi ANN. Tiap layer terdiri dari unit-unit node yang jumlahnya dapat kita tentukan sendiri, bisa dibayangkan bahwa tiap node pada ANN ibaratnya seperti neuron pada otak manusia. Jumlah node pada input layer tergantung pada jumlah data input yang akan masuk pada sistem, misalnya pada operasi penjumlahan diatas maka jumlah node pada input layer sebanyak 2 buah. Jumlah node pada hidden layer bervariasi, dan terdapat banyak teori yang dapat menjelaskan bagaimana mencari jumlah node yang tepat pada hidden layer, namun pada umumnya 5 buah node pada hidden layer suatu ANN sudah mencukupi untuk memecahkan berbagai macam kasus. Node pada output layer tergantung dari jumlah output pada sistem, pada contoh operasi penjumlahan diatas dapat dilihat bahwa jumlah node di output layernya sebanyak 1 buah. Konsep kedua yang penting adalah nilai Error minimum yang diharapkan. Pada saat ANN di inisialisasi akan dibangkitkan nilai random untuk koneksi antar node dari suatu layer dengan layer sesudahnya, jadi antar node-node di hidden layer saling terkoneksi satu sama lain dengan node-node di hidden layer, dan antar node-node di hidden layer akan saling terkoneksi satu sama lain dengan node-node pada output layer. Nilai koneksi antar node tersebut sering disebut 'bobot'. Nilai bobot inilah yang akan menentukan kecerdasan suatu sistem. Pada saat proses training, nilai bobot tersebut akan terus berubah sehingga didapatkan kesesuaian antara input dengan output dengan Error minimum. Dengan kata lain, pada proses training kita akan menentukan nilai minimum error yang bisa di tolerir oleh sistem....seperti yang disampaikan diatas bahwa sistem tidak akan memberikan kepastian jawaban untuk suatu kasus yang tidak pernah dilatihkan kepadanya, pasti ada nilai Error dari jawaban sistem dengan jawaban yang seharusnya, nah nilai Error tersebut yang harus di definisikan oleh kita sebelum melatih sistem sehingga sistem bisa menjawab dengan tingkat kebenaran semaksimal mungkin (misal: tingkat kebenaran sistem 99,9999% dengan nilai Error 0.0001). Bingung?! =D Agar lebih jelasnya silahkan baca dokumentasi dari Richard Bowles[1], penjelasan yang diberikannya tentang dasar ANN cukup mudah dipahami :). -- -- -( Coding Dasar ) Banyak sekali contoh coding dasar yang diberikan oleh berbagai pihak di Internet dalam mengimpelementasikan ANN, namun dari semuanya saya secara pribadi lebih memilih untuk menggunakan Library yang telah dibuat oleh pihak lain sehingga kita cukup menggunakan Library tersebut untuk membuat sistem yang memanfaatkan ANN, tujuannya tentu saja untuk efisiensi dalam pembuatan program dimana kita tidak perlu membuat implementasi dari ANN, kita cukup menggunakan API (Application Programmable Interface) dari Library tersebut untuk diimplementasikan pada sistem kita. Library ANN yang menurut saya sangat baik adalah FANN (Fast Artificial Neural Network)[3]. Library ini telah di binding untuk berbagai macam bahasa pemrograman -- silakan baca sendiri dokumentasinya :-). Pada artikel ini saya akan menunjukan contoh penggunaannya dengan menggunakan bahasa C (ANSI C). Contoh program ini akan memperlihatkan coding yang mengimplementasikan ANN untuk mengajarkan pada sistem proses penjumlahan dengan data latih (input dan output) yang diambil dari file dengan nama sum.data : [Cyb3rh3b@pinguin.stttelkom.ac.id]$ cat sum_training.c #include "fann.h" int main(int argc, char *argv[]) { const float connection_rate = 1; const float learning_rate = 0.7; /* Ditentukan oleh kita, * ada aturannya pada * teori dasar ANN */ const unsigned int num_input = 2; /* Jumlah input pada * sistem * penjumlahan */ const unsigned int num_output = 1; /* Jumlah output pada * sistem * penjumlahan */ const unsigned int num_layers = 3; /* Jumlah layer: * 1 input layer, * 1 hidden layer, * 1 output layer */ const unsigned int num_neurons_hidden = 4; /* Jumlah node pada * hidden layer */ const float desired_error = 0.000001; /* Minimal Error yang * dapat ditolerir * dari sistem */ const unsigned int max_iterations = 500000; /* Jumlah max * pengulangan * (Epoch) pada proses * training apabila * Minimal Error tidak * didapat */ const unsigned int iterations_between_reports = 1000; /* Proses inisialisasi ANN dengan kriteria parameter diatas * (Jumlah layer, Error minimal, dll) */ struct fann *ann = fann_create(connection_rate, learning_rate, num_layers,num_input, num_neurons_hidden, num_output); /* Baca data latih dari file sum.data dan lakukan proses training * terhadap seluruh data latih tersebut */ fann_train_on_file(ann, "sum.data", max_iterations, iterations_between_reports, desired_error); /* Simpan nilai bobot hasil training ke suatu file sehingga saat * proses eksekusi nanti tidak perlu dilakukan training lagi */ fann_save(ann, "sum_data.net"); fann_destroy(ann); return 0; } Lakukan proses kompilasi program. Oh ya...saya anggap proses instalasi Library FANN sudah dilakukan dan berhasil (tidak ada masalah), tinggal baca dokumentasinya aja kok =P. Pada proses kompilasi, perlu diberikan parameter untuk proses link dimana program akan menggunakan Library FANN (-lfann) dan Library Math (-lm). Ini contoh proses kompilenya: [Cyb3rh3b@pinguin.stttelkom.ac.id]$ gcc -lfann -lm sum_training.c \ -o sum_training proses kompilasi akan menghasilkan suatu program executable dengan nama sum_training, klo muncul pesan error berarti masih terdapat kesalahan (baik kesalahan pada sistem linux kamu atau kesalahan code program). Langkah selanjutnya adalah membuat file sum.data yang berisi data latih untuk sistem tersebut. [Cyb3rh3b@pinguin.stttelkom.ac.id]$ cat sum.data 10 2 1 0.1 0.1 0.2 0.2 0.3 0.5 0.2 0.5 0.7 0.8 0.1 0.9 0.6 0.2 0.8 0.7 0.2 0.9 0.1 0.2 0.3 0.4 0.1 0.5 0.5 0.4 0.9 0.5 0.1 0.6 Pada baris pertama menunjukan informasi data latih: 10 -> ada 10 jenis data latih 2 -> jumlah input 1 -> jumlah output baris selanjutnya menunjukan pasangan input dan output, misal pada baris kedua dan ketiga: 0.01 0.01 -> Input ke-1 dan Input ke-2 0.02 -> Output begitu seterusnya. Data yang dimasukan pada sistem ANN umumnya harus dinormalisasi terlebih dahulu sehingga nilainya berkisar antara 0 s/d 1 (tidak boleh lebih dari 1). Sistem akan membaca seluruh data latih tersebut dan diulang maksimal sebanyak 500000 kali (dalam ANN disebut Epoch) atau jika kondisi Minimum Error (0.000001) telah ditemukan. Setelah proses training dilakukan, maka seluruh nilai bobotnya akan disimpan pada file (dalam contoh program akan di simpan pada file sum_data.net). Langkah selanjutnya adalah melakukan proses testing terhadap hasil latihan sistem dengan memberikannya test berupa dua buah input dan melihat hasil outputnya, berikut program sederhana untuk test hasil latihan sistem diatas: [Cyb3rh3b@pinguin.stttelkom.ac.id]$ cat sum_test.c #include <stdio.h> #include "floatfann.h" int main() { fann_type *calc_out; fann_type input[2]; /* Load data hasil training yang sebelumnya telah di simpan pada file */ struct fann *ann = fann_create_from_file("sum_data.net"); input[0] = 0.3; /* Test Input 1 */ input[1] = 0.4; /* Test Input 2 */ calc_out = fann_run(ann, input); printf("sum test (%f,%f) -> %f\n",input[0], input[1], *calc_out); fann_destroy(ann); return 0; } Program tersebut akan meload data hasil training dari file "sum_data.net" dan melakukan test dengan data input "0.3" dan "0.4", bisa dilihat bahwa data input "0.3" dan "0.4" tidak terdapat diantara data latihan yang diberikan pada sistem, dan diharapkan sistem dapat melakukan operasi penjumlahan dari kedua input tersebut. Compile code diatas menjadi program yang executable: [Cyb3rh3b@pinguin.stttelkom.ac.id]$ gcc -lm -lfann sum_test.c -o sum_test Berikut hasil output dari eksekusi program sum_tes: [Cyb3rh3b@pinguin.stttelkom.ac.id]$ ./sum_run sum test (0.300000,0.400000) -> 0.707560 hasil outputnya bernilai 0.707 ~ 0.7 (mendekati 0.7). Seperti yang dijelaskan diatas bahwa jawaban dari sistem ANN tidak pasti benar 100%, ada faktor Errornya, sehingga nilainya berupa nilai pendekatan. Tingkat keberhasilan sistem ANN juga tergantung dari jenis data latih serta proses training yang diberikan, jika pada saat proses training kita memberikan data latih yang kurang akurat atau jumlahnya kurang memadai maka tingkat kebenaran dari ANN tidak akan bagus, semua tergantung bagaiman cara kita melatih sistem tersebut :). Kesimpulan dari contoh diatas adalah kita tidak mengajarkan bagaimana proses penjumlahan pada sistem, kita hanya memberikan pelatihan kepada sistem berdasarkan contoh-contoh data, dan selanjutnya sistem akan dibiarkan belajar sendiri berdasarkan data latih tersebut. Dengan kata lain...kita memberikan suatu jenis kecerdasan buatan kepada sistem :). -- -- -( ANN, IDS, dan Honeypot ) Setelah melihat dan memahami konsep dasar serta contoh implementasi sederhana ANN, maka kita mulai dapat mempertimbangkan kasus-kasus apa saja yang kira-kira bisa menggunakan ANN sebagai pemecah masalah yang ada. Saya telah menyinggung penggunaan ANN dalam IDS, yaitu untuk memperkirakan apakah telah terjadi serangan atau tidak pada suatu sistem. Sejauh ini saya secara pribadi agak kesulitan mencari sumber informasi yang menyediakan secara mendetail implementasi ANN dalam IDS, informasi yang didapatkan masih berupa informasi global...sedangkan informasi lebih detil seperti parameter apa saja dari suatu serangan yang dapat dijadikan data latih terhadap IDS masih sangat sulit ditemukan, dan hingga umumnya masih berupa analisis global. Saat ini saya sedang mencoba untuk mengimplementasikan ANN pada teknologi honeypot, dan kemungkinan besar akan memanfaatkan bantuan IDS dalam mendeteksi berbagai jenis serangan baru (capture the packet, read its content, decide what to do then) tersebut. Honeypot merupakan salah satu teknologi baru dalam dunia security (check my article about basic honeypot at http://www.kecoak.or.id), salah satu fungsinya adalah untuk menjebak hacker/cracker sehingga seakan-akan berhasil melakukan serangan terhadap suatu sistem, dengan bantuan ANN maka jenis serangan baru diharapkan akan dapat dideteksi sendiri oleh sistem sehingga sistem akan memberikan reaksi yang tepat dan sesuai untuk berinteraksi dengan jenis serangan baru tersebut, respon yang tepat dari honeypot akan mengurangi kemungkinan penyerang curiga bahwa dirinya sedang berinteraksi dengan honeypot. Kalo ada yang tertarik atau memiliki ide mengenai implementasi ANN untuk mendeteksi suatu jenis serangan tertentu dapat langsung kirim via email ke cyb3rh3b@kecoak.or.id, semoga nanti ada hasil dari project ini dalam bentuk implementasi realnya :). -- -- -( Kesimpulan ) Dengan Artificial Neural Network (ANN) kita dapat memberikan kecerdasan buatan pada sistem, dalam bidang security sendiri saya rasa masih banyak masalah yang bisa di pecahkan dengan bantuan ANN. Semoga saja artikel ini bisa memberikan pemahaman mengenai dasar ANN dan semoga bisa muncul ide-ide baru untuk implementasi ANN ini pada berbagai bidang. Wassalam! :) -- -- -( Referensi ) 1. http://richardbowles.tripod.com/neural/neural.htm 2. http://ieee.uow.edu.au/~daniel/software/libneural/BPN_tutorial/ BPN_English/BPN_English/BPN_English.html 3. http://fann.sourceforge.net -- -- -( Greetz ) * all my familly at Computer and Communication (CnC) Laboratory STT Telkom Bandung [http://pinguin.stttelkom.ac.id] * echo|staff [especially y3dips for this cool community :)] * kecoakers et k-elektronik [shoutz to CyberTank :)] * e-c-h-o @ Dalnet ; k-elektronik @ Dalnet * to you who read this article :)
Comments