Sistem Monitoring Serangan Dos Dengan Metode Intrusion Detection System (Ids) Snort Menggunakan Aplikasi Berbasis Python Pada Sistem Operasi Linux
Keywords:
Intrusion Detection System, Snort, Serangan DoS, Python, Monitoring JaringanAbstract
Perkembangan teknologi informasi telah meningkatkan ketergantungan terhadap sistem jaringan komputer, namun juga memunculkan ancaman keamanan, salah satunya serangan Denial of Service (DoS). Serangan ini membanjiri jaringan dengan lalu lintas berlebih hingga layanan tidak tersedia. Penelitian ini bertujuan membangun sistem pemantauan serangan DoS menggunakan Snort Intrusion Detection System (IDS) pada Ubuntu Server 20.04 LTS dan aplikasi berbasis Python. Snort digunakan untuk menganalisis paket jaringan, sedangkan Python memproses log dan menampilkannya dalam dashboard interaktif menggunakan Flask. Metode yang digunakan adalah Waterfall dengan tahapan analisis kebutuhan, perancangan, implementasi, pengujian, dan pemeliharaan. Hasil pengujian menunjukkan sistem mampu mendeteksi serangan DoS secara efektif, menampilkan informasi seperti IP sumber, jenis serangan, prioritas, dan tren waktu. Penggunaan CPU meningkat saat lonjakan log namun tetap dalam batas wajar. Sistem bekerja stabil tanpa kegagalan dalam pengolahan data. Sistem ini memberikan kontribusi nyata dalam pemantauan lalu lintas jaringan secara real-time dan menjadi dasar pengembangan sistem keamanan yang lebih luas
References
Ezenwe, C., Onibere, A., & Eze, M. (2021). Enhancing network security using real-time intrusion detection system (IDS). International Journal of Computer Applications, 183(47), 15–21
Farhannullah, M., & Hardjianto, H. (2020). Analisis dan simulasi serangan denial of service (DoS) menggunakan Metasploit Framework. Jurnal Teknologi dan Sistem Komputer, 8(3), 426–431.
Jin, X., Hu, Y., & Wang, K. (2019). Real-time web-based network monitoring system based on Snort. In Proceedings of the IEEE 5th International Conference on Computer and Communications (ICCC) (pp. 1221–1226). Chengdu, China.
Kandias, S., Mylonas, A., & Gritzalis, D. (2014). Social engineering attacks exploiting the trust of users on social networks. In Proceedings of the 6th IEEE International Conference on Cyber Conflict (CyCon) (pp. 1–18). Tallinn, Estonia.
Kumar, A., & Gupta, B. (2020). Threats in cloud computing: An analysis and survey. Computer Networks, 169, 1–22.
Kumar, A., & Gupta, B. (2021). An integrated framework for detection and prevention of DDoS attacks in cloud environment. Journal of Ambient Intelligence and Humanized Computing, 12(3), 3287–3306.
Shamsi, M., Anjum, N., & Mir, F. (2018). Cyber security threats in the financial sector: A case study on DoS attacks. International Journal of Computer Applications, 179(14), 25–30.
Wang, Y., Liu, J., Zhang, X., & Chen, Z. (2021). DDoS attack detection based on CNN-BiLSTM hybrid neural network. IEEE Access, 9, 27365–27373.
Zargar, M., Joshi, J., & Tipper, D. (2013). A survey of defense mechanisms against DDoS flooding attacks. IEEE Communications Surveys & Tutorials, 15(4), 2046–2069.
Zargar, P., Joshi, J., & Tipper, D. (2013). A survey of defense mechanisms against distributed denial of service (DDoS) flooding attacks. IEEE Communications Surveys & Tutorials, 15(4), 2046–2069.
