Jaringan saraf tiruan (JST), atau artificial neural network (ANN), atau simulated neural

network (SNN), atau neural network (NN) adalah suatu sistem yang dimodelkan berdasarkan
jaringan saraf manusia . JST ini merupakan sistem yang dapat merubah strukturnya untuk
memecahkan masalah berdasarkan informasi eksternal maupun internal yang diterima seperti
layaknya otak manuasia.

Neural network pemroses informasi secara terdistribusi dan paralel. Metode ini memungkinkan
Jaringan saraf tiruan dapat menyimpan pengetahuan yang diperolehnya dari pengalaman,
secara terorganisir sehingga mudah untuk digunakan sebagai informasi sewaktu dibutuhkan.

Lebih detail bisa dilihat di

http://id.wikipedia.org/wiki/Jaringan_saraf_tiruan
http://www.total.or.id/info.php?kk=Neural%20Network

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 :)