Infrastruktur Jaringan Self-healing dengan AIOps: Remediasi Otomatis Kerentanan Keamanan

Abstract

Peningkatan volume dan kompleksitas serangan siber terhadap institusi pendidikan menuntut pendekatan yang lebih proaktif dan otomatis dalam manajemen keamanan. Ketergantungan pada intervensi manual oleh tim Security Operations Center (SOC) sering kali menghasilkan waktu respons yang lambat dan tidak mampu mengimbangi kecepatan ancaman modern. Penelitian ini menyajikan implementasi dan evaluasi sebuah prototipe infrastruktur jaringan self-healing yang memanfaatkan Artificial Intelligence for IT Operations (AIOps) dengan pendekatan Deep Reinforcement Learning (DRL). Kami mengembangkan sebuah lingkungan simulasi yang mereplikasi jaringan kampus dengan berbagai tingkat kritikalitas perangkat. Sebuah agen cerdas berbasis Deep Q-Network (DQN) dilatih untuk secara mandiri memilih tindakan remediasi yang optimal—seperti mem-patch server atau mengisolasi perangkat—berdasarkan jenis kerentanan dan konteks perangkat yang terancam. Hasil simulasi selama 150 hari menunjukkan bahwa agen berhasil belajar dari pengalaman, dengan tingkat kesehatan jaringan yang pulih dari fase pembelajaran awal dan stabil di atas 95% pada fase akhir. Agen juga berhasil membangun kebijakan remediasi yang 100% akurat untuk semua skenario ancaman yang diuji. Penelitian ini mendemonstrasikan bahwa pendekatan DQN adalah metode yang sangat menjanjikan untuk menciptakan sistem keamanan siber yang otonom, adaptif, dan mampu memulihkan diri, sejalan dengan tujuan untuk mengurangi beban kerja tim SOC dan meningkatkan postur keamanan secara signifikan.