NetMon AI‑IoT ITN Malang

Judul Penelitian: Pengembangan Prototipe Lightweight Network Monitoring Berbasis AI‑IoT di Kampus ITN Malang.

Edge Computing TinyML Autoencoder Real‑time Anomaly Detection

Total Flows sejak daemon aktif

Jumlah seluruh flow NetFlow yang dianalisis oleh Autoencoder di node edge.

Total Anomali berbasis reconstruction error

Flow yang melampaui threshold error (p99.5) pada ruang fitur yang dipelajari autoencoder.

Anomaly Rate (% dari total flow)

Proporsi flow yang diklasifikasikan sebagai anomali terhadap keseluruhan trafik yang diamati.

Avg Recon Error (Anom) MSE pada data anomali

Rata‑rata kesalahan rekonstruksi untuk flow yang terdeteksi anomali oleh model autoencoder.

Tren Anomali per Menit

Jumlah flow anomali yang terdeteksi oleh Autoencoder TinyML pada node edge Raspberry Pi.

Anomali Terkini

Flow dengan pola lalu lintas menyimpang terhadap model trafik normal yang dipelajari.

Top 50

Waktu	Src → Dst	SP → DP	bps	pps	Error	Label
Loading...

Distribusi Tipe Anomali

Pembagian anomali berdasarkan karakteristik fitur (throughput, packet rate, durasi, ukuran flow) yang diobservasi.

Memuat distribusi tipe anomali...

Kategori diturunkan secara heuristik dari nilai bps, pps, durasi td, serta ukuran paket/byte per flow (ipkt, ibyt), untuk membantu menginterpretasikan pola seperti traffic spike, potensi DoS, brute force, atau aktivitas pemindaian.

Status Node Edge

Ringkasan kondisi node Raspberry Pi sebagai lightweight network probe di lingkungan kampus.

Peran: Monitoring lalu lintas gateway farm server
Lokasi: Segmen jaringan kampus ITN Malang
Model: Autoencoder feedforward (TinyML) – unsupervised
Metode deteksi: Threshold reconstruction error (p99.5)

Resource Node Edge (Realtime)

Pemanfaatan CPU dan memori pada Raspberry Pi yang menjalankan daemon NetFlow, autoencoder, dan backend FastAPI.

CPU Usage - %

Memory Usage - %

- dari - MB

Nilai diperbarui secara periodik untuk menggambarkan beban komputasi ketika sistem melakukan deteksi anomali secara kontinu di node edge.

Ringkasan Arsitektur Monitoring

Prototipe ini menerapkan arsitektur tiga lapis: perangkat & jaringan kampus (klien, server, IoT, mirror port), lapisan edge (Raspberry Pi dengan Autoencoder TinyML), dan lapisan server/dashboard (SQLite + FastAPI + UI web).

Mirror port di gateway farm server menyalurkan salinan trafik ke node edge.
NetFlow dikumpulkan oleh nfdump, diekspor ke CSV, lalu diproses oleh daemon parser.py.
Fitur flow (durasi, paket, byte, throughput, dll.) dinormalisasi dan dianalisis oleh autoencoder untuk mendeteksi anomali trafik.
Autoencoder dilatih hanya dengan trafik normal. Flow dianggap anomali ketika nilai reconstruction error‑nya melampaui threshold yang dihitung dari persentil tinggi error data normal (misalnya p99.5) saat pelatihan.

Skenario Uji (S1 – S3)

Panel ini merangkum skenario pengujian yang digunakan dalam penelitian untuk mengevaluasi prototipe NetMon AI‑IoT.

S1 – Trafik Normal Kampus: monitoring pasif terhadap trafik harian (akses internet, e‑learning, layanan internal) tanpa injeksi serangan, digunakan sebagai data pelatihan dan baseline distribusi error.
S2 – Traffic Spike Terkontrol: peningkatan beban terukur ke server farm (misalnya download file besar atau uji beban HTTP) untuk melihat bagaimana autoencoder merespons lonjakan throughput dan jumlah flow yang tinggi dalam waktu singkat.
S3 – Skenario Serangan (DoS / Port Scan / Brute Force): simulasi serangan terbatas di lingkungan lab kampus (misalnya flood ke satu host, port scanning, atau brute force login) yang dialirkan melalui gateway, untuk menguji kemampuan deteksi anomali terhadap pola trafik yang agresif dan tidak wajar.

Parameter Model Autoencoder

Informasi ringkas mengenai konfigurasi dan parameter utama model deteksi anomali yang digunakan di node edge.

Tipe model: Autoencoder feedforward (TensorFlow → TFLite)
Dimensi fitur: 10 fitur flow (td, sp, dp, ipkt, ibyt, opkt, obyt, bpp, bps, pps)
Metode normalisasi: StandardScaler (μ, σ) dari dataset normal
Threshold error: - (p_99.5 distribusi error normal)