Editorial Ilmu Komputer & AI
Open AccessOA2026
Efektivitas Mengejutkan LLM dalam Keamanan BGP: Menambang Insiden dalam Jumlah yang Belum Pernah Ada dan Meningkatkan Deteksi Anomali
Pipeline berbantuan LLM memperluas tolok ukur anomali perutean terverifikasi 11,89X dan memperkenalkan ROUTELLM, dengan akurasi tingkat peristiwa 87,13%.
Libin Liu; Wenzhou Yang; Li Chen; Dan Li; Xiuting Xu· 2026· DOI 10.48550/arXiv.2608.22812
Masalah inti
Keamanan Border Gateway Protocol (BGP) sangat penting bagi infrastruktur Internet, namun kemajuan dalam deteksi anomali perutean terbatas oleh kelangkaan dataset insiden yang tersedia untuk publik, yang hanya memuat 18 kasus tercatat. Kelangkaan ini menghambat pengembangan dan evaluasi sistem deteksi yang tangguh. Para penulis mengamati bahwa milis operator publik, seperti NANOG dan AusNOG, memuat laporan anomali perutean dunia nyata yang melimpah namun sebagian besar belum dimanfaatkan. Untuk mengatasi kesenjangan dataset, mereka mengembangkan pipeline ekstraksi berbantuan LLM yang mengidentifikasi 244 kandidat insiden dari utas diskusi historis. Setelah validasi ahli, mereka menyusun tolok ukur terverifikasi yang memuat 232 peristiwa anomali perutean terkonfirmasi, sehingga 11,89X lebih besar daripada dataset yang ada. Dengan tolok ukur ini, mereka menunjukkan bahwa sistem deteksi anomali perutean yang ada kurang mampu menggeneralisasi terhadap beragam insiden dunia nyata. Pada saat yang sama, mereka menemukan bahwa beberapa LLM serbaguna tanpa adaptasi khusus perutean dapat mengidentifikasi sebagian anomali perutean, tetapi performanya bervariasi antar model dan tetap tidak mema
Inovasi
Hasil eksperimen menunjukkan efektivitas ROUTELLM. Pada tolok ukur terverifikasi berisi 232 peristiwa anomali perutean, ROUTELLM mencapai akurasi tingkat peristiwa 87,13% dan akurasi tingkat pesan 94,65%. Hasil ini mengungguli baseline terkuat masing-masing sebesar 55,30% dan 68,50%. Baseline tersebut mencakup sistem deteksi anomali perutean yang ada dan LLM serbaguna tanpa adaptasi khusus perutean. Peningkatan signifikan ini menyoroti manfaat integrasi tokenisasi sadar semantik BGP, adaptasi domain perutean, dan pengambilan bukti perutean sadar waktu. Selain itu, para penulis membuka sumber tolok ukur, model yang disetel halus, dan kode implementasi untuk memfasilitasi penelitian di masa depan.
Keamanan Border Gateway Protocol (BGP) sangat penting bagi infrastruktur Internet, namun kemajuan dalam deteksi anomali perutean terbatas oleh kelangkaan dataset insiden yang tersedia untuk publik, yang hanya memuat 18 kasus tercatat. Kelangkaan ini menghambat pengembangan dan evaluasi sistem deteksi yang tangguh. Para penulis mengamati bahwa milis operator publik, seperti NANOG dan AusNOG, memuat laporan anomali perutean dunia nyata yang melimpah namun sebagian besar belum dimanfaatkan. Untuk mengatasi kesenjangan dataset, mereka mengembangkan pipeline ekstraksi berbantuan LLM yang mengidentifikasi 244 kandidat insiden dari utas diskusi historis. Setelah validasi ahli, mereka menyusun tolok ukur terverifikasi yang memuat 232 peristiwa anomali perutean terkonfirmasi, sehingga 11,89X lebih besar daripada dataset yang ada. Dengan tolok ukur ini, mereka menunjukkan bahwa sistem deteksi anomali perutean yang ada kurang mampu menggeneralisasi terhadap beragam insiden dunia nyata. Pada saat yang sama, mereka menemukan bahwa beberapa LLM serbaguna tanpa adaptasi khusus perutean dapat mengidentifikasi sebagian anomali perutean, tetapi performanya bervariasi antar model dan tetap tidak memadai untuk deteksi anomali perutean yang andal. Berdasarkan pengamatan ini, mereka merancang ROUTELLM, detektor anomali perutean berbasis LLM yang mengintegrasikan tokenisasi sadar semantik BGP, adaptasi domain perutean, dan pengambilan bukti perutean sadar waktu. Hasil eksperimen menunjukkan bahwa ROUTELLM mencapai akurasi tingkat peristiwa 87,13% dan akurasi tingkat pesan 94,65%, mengungguli baseline terkuat masing-masing sebesar 55,30% dan 68,50%. Para penulis membuka sumber tolok ukur anomali perutean terverifikasi, model yang disetel halus, dan kode implementasi untuk mendukung penelitian keamanan BGP di masa depan.
Metodologi terdiri atas tiga komponen utama: konstruksi dataset, evaluasi baseline, dan desain ROUTELLM.
Mengapa penting
Studi ini mengungkap bahwa kelangkaan dataset insiden telah menjadi hambatan utama dalam penelitian keamanan BGP. Dengan memanfaatkan LLM untuk menambang milis operator, para penulis secara signifikan memperluas data yang tersedia, memungkinkan evaluasi dan pengembangan sistem deteksi yang lebih tangguh. Generalisasi yang buruk dari sistem yang ada menegaskan perlunya pendekatan yang mampu menangani beragam insiden dunia nyata. Temuan bahwa LLM serbaguna dapat mendeteksi sebagian anomali tetapi tidak memadai untuk deteksi yang andal memotivasi perlunya adaptasi domain. ROUTELLM mengatasi hal ini dengan memasukkan semantik khusus BGP dan pengambilan bukti temporal. Akurasi tinggi yang dicapai ROUTELLM menunjukkan bahwa LLM, bila diadaptasi dengan tepat, dapat sangat efektif untuk deteksi anomali perutean. Membuka sumber tolok ukur dan model ini kemungkinan akan mempercepat kemajuan keamanan BGP. Penelitian selanjutnya dapat mengeksplorasi perluasan pendekatan ini ke protokol perutean lain dan mengintegrasikan kemampuan deteksi waktu nyata.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…