Deteksi berbasis anomali adalah metode identifikasi ancaman siber yang mengenali perilaku atau aktivitas abnormal dalam suatu sistem. Teknik ini berfokus pada mengidentifikasi pola-pola tidak biasa yang menyimpang dari norma-norma yang ada, sehingga dapat menunjukkan dengan tepat potensi ancaman dunia maya.<\/p>\n
Konsep deteksi berbasis anomali pertama kali muncul di bidang keamanan komputer pada akhir tahun 1980an. Dorothy Denning, peneliti perintis di bidangnya, memperkenalkan model deteksi intrusi berdasarkan profil perilaku pengguna. Model ini didasarkan pada premis bahwa aktivitas apa pun yang secara signifikan menyimpang dari perilaku standar pengguna berpotensi diklasifikasikan sebagai intrusi. Hal ini menandai eksplorasi signifikan pertama dalam deteksi berbasis anomali.<\/p>\n
Selama bertahun-tahun, deteksi berbasis anomali telah berkembang seiring dengan perkembangan kecerdasan buatan (AI) dan pembelajaran mesin (ML). Ketika ancaman dunia maya semakin kompleks, mekanisme untuk menangkalnya juga semakin kompleks. Algoritme tingkat lanjut dikembangkan untuk mengenali pola dan membedakan antara aktivitas normal dan yang berpotensi membahayakan.<\/p>\n
Deteksi berbasis anomali adalah teknik keamanan siber yang mengidentifikasi dan memitigasi ancaman dengan menganalisis penyimpangan dari perilaku sistem pada umumnya. Hal ini melibatkan pembuatan garis dasar perilaku 'normal' dan terus memantau aktivitas sistem terhadap norma yang telah ditetapkan. Setiap perbedaan antara perilaku yang diamati dan data dasar mungkin menandakan potensi ancaman dunia maya, sehingga memicu peringatan untuk analisis lebih lanjut.<\/p>\n
Berbeda dengan deteksi berbasis tanda tangan\u2014yang memerlukan pola ancaman yang diketahui untuk mengidentifikasi potensi serangan\u2014deteksi berbasis anomali dapat mengidentifikasi serangan yang tidak diketahui atau serangan zero-day dengan berfokus pada perilaku yang menyimpang.<\/p>\n
Deteksi berbasis anomali pada dasarnya beroperasi dalam dua fase\u2014pembelajaran dan deteksi.<\/p>\n
Pada fase pembelajaran, sistem menetapkan model statistik yang mewakili perilaku normal menggunakan data historis. Model tersebut mencakup berbagai faktor perilaku, seperti pola lalu lintas jaringan, pemanfaatan sistem, atau pola aktivitas pengguna.<\/p>\n
Pada fase deteksi, sistem terus memantau dan membandingkan perilaku saat ini dengan model yang sudah ada. Jika perilaku yang diamati menyimpang secara signifikan dari model\u2014melampaui ambang batas yang ditentukan\u2014peringatan akan dipicu, yang menunjukkan potensi anomali.<\/p>\n
Ada tiga jenis metode deteksi berbasis anomali:<\/p>\n