Kerangka AutoML Berbantuan LLM untuk Deteksi Intrusi pada Jaringan IoT

Kebijakan LLM terbatas mengungguli AutoML tradisional pada anggaran uji coba rendah

Li Yang· 2026· DOI 10.48550/arXiv.2609.23097

Masalah inti

Sistem Internet of Things (IoT) semakin banyak diterapkan di rumah pintar, transportasi, sistem energi, dan infrastruktur kritis. Konektivitas yang luas ini meningkatkan kecerdasan layanan tetapi juga memperbesar permukaan serangan jaringan IoT. Sistem Deteksi Intrusi (IDS) berbasis Machine Learning (ML) banyak digunakan untuk mengidentifikasi ancaman jaringan berbahaya dan melindungi sistem IoT. Namun, pengembangan model IDS berbasis ML yang efektif sering menuntut keahlian manusia dan keputusan manual berulang pada banyak prosedur, termasuk pra-pemrosesan data, pemilihan fitur, pemilihan model, dan penyetelan hyperparameter. Automated Machine Learning (AutoML) mengurangi beban ini dengan mengotomatiskan langkah-langkah pipeline ML menggunakan teknik optimasi, tetapi metode AutoML konvensional dapat menghabiskan waktu optimasi yang besar karena menelusuri keluarga model kandidat yang luas dan ruang hyperparameter yang besar. Makalah ini mengusulkan kerangka AutoML berbantuan Large Language Model (LLM) untuk deteksi intrusi IoT. Kerangka yang diusulkan memakai LLM sebagai generator kebijakan yang mengubah profil dataset menjadi kebijakan AutoML yang terbatas dan tervalidasi untuk p

Pada anggaran 10 uji coba yang sama, kebijakan berbantuan LLM yang diusulkan mencapai F_{1} -score uji berbobot lebih tinggi daripada AutoML tradisional menggunakan Tree-structured Parzen Estimator (TPE) pada kedua dataset. Secara spesifik, metode yang diusulkan mencapai 99.680% pada CICIDS2017 dan 99.186% pada IoTID20. Dibandingkan baseline Traditional AutoML-TPE dengan 30 uji coba yang lebih luas, metode 10 uji coba yang diusulkan memangkas waktu optimizer sebesar 63.7% dan 49.9%, secara berurutan, sekaligus mencapai F_{1} -score yang sedikit lebih tinggi. Hasil ini menunjukkan bahwa kebijakan LLM yang terbatas dapat meningkatkan kualitas pencarian AutoML beranggaran rendah sekaligus mempertahankan keunggulan efisiensi yang jelas dibandingkan anggaran pencarian konvensional yang lebih besar. Tabel di bawah ini merangkum hasil utamanya: | Dataset | Method | Trials | F_{1} -score (%) | Optimizer Time Reduction (%) | |---------|--------|--------|--------------|-------------------------------| | CICIDS2017 | LLM-assisted AutoML | 10 | 99.680 | 63.7 (vs 30-trial TPE) | | CICIDS2017 | Traditional AutoML-TPE | 10 | Lower | - | | IoTID20 | LLM-assisted AutoML | 10 | 99.186 | 49.9 (vs 30-trial TPE)

Sistem Internet of Things (IoT) semakin banyak diterapkan di rumah pintar, transportasi, sistem energi, dan infrastruktur kritis. Konektivitas yang luas ini meningkatkan kecerdasan layanan tetapi juga memperbesar permukaan serangan jaringan IoT. Sistem Deteksi Intrusi (IDS) berbasis Machine Learning (ML) banyak digunakan untuk mengidentifikasi ancaman jaringan berbahaya dan melindungi sistem IoT. Namun, pengembangan model IDS berbasis ML yang efektif sering menuntut keahlian manusia dan keputusan manual berulang pada banyak prosedur, termasuk pra-pemrosesan data, pemilihan fitur, pemilihan model, dan penyetelan hyperparameter. Automated Machine Learning (AutoML) mengurangi beban ini dengan mengotomatiskan langkah-langkah pipeline ML menggunakan teknik optimasi, tetapi metode AutoML konvensional dapat menghabiskan waktu optimasi yang besar karena menelusuri keluarga model kandidat yang luas dan ruang hyperparameter yang besar. Makalah ini mengusulkan kerangka AutoML berbantuan Large Language Model (LLM) untuk deteksi intrusi IoT. Kerangka yang diusulkan memakai LLM sebagai generator kebijakan yang mengubah profil dataset menjadi kebijakan AutoML yang terbatas dan tervalidasi untuk penyeimbangan data otomatis, rekayasa fitur otomatis, dan Combined Algorithm Selection and Hyperparameter Optimization (CASH).

Kerangka yang diusulkan memakai LLM sebagai generator kebijakan yang menerima profil dataset sebagai masukan dan menghasilkan kebijakan AutoML yang terbatas dan tervalidasi. Kebijakan ini mengatur tiga tahap utama: penyeimbangan data otomatis, rekayasa fitur otomatis, dan Combined Algorithm Selection and Hyperparameter Optimization (CASH). LLM menghasilkan kebijakan yang dibatasi pada ruang pencarian yang telah ditetapkan, sehingga konfigurasi yang dihasilkan valid dan dapat dieksekusi. Kerangka ini dievaluasi pada dua dataset: CICIDS2017 dan IoTID20. Kinerjanya dibandingkan dengan AutoML tradisional menggunakan Tree-structured Parzen Estimator (TPE) pada anggaran 10 uji coba yang sama. Selain itu, baseline Traditional AutoML-TPE dengan 30 uji coba yang lebih luas digunakan untuk menilai perolehan efisiensi. Proses optimasi dapat diformalkan sebagai pencarian kebijakan π yang memaksimalkan F_{1} -score yang diharapkan:

Hasil ini menunjukkan bahwa pemanfaatan LLM untuk menghasilkan kebijakan AutoML yang terbatas dapat meningkatkan secara signifikan efisiensi dan efektivitas pengembangan model deteksi intrusi untuk jaringan IoT. Dengan membatasi ruang pencarian melalui kebijakan yang tervalidasi, pendekatan berbantuan LLM menghindari eksplorasi ekstensif yang lazim pada metode AutoML tradisional, sehingga optimasi menjadi lebih cepat tanpa mengorbankan kinerja. F_{1} -score yang lebih tinggi pada anggaran uji coba rendah menunjukkan bahwa kemampuan LLM untuk memasukkan pengetahuan domain dan karakteristik dataset ke dalam pembuatan kebijakan bermanfaat. Lebih lanjut, pengurangan waktu optimizer yang substansial dibandingkan baseline 30 uji coba menegaskan keunggulan praktis metode yang diusulkan, terutama di lingkungan dengan sumber daya terbatas. Namun, studi ini terbatas pada dua dataset dan satu LLM tertentu; pekerjaan selanjutnya dapat mengeksplorasi dataset yang lebih luas dan LLM yang berbeda. Secara keseluruhan, kerangka ini menyajikan arah yang menjanjikan untuk mengotomatiskan deteksi intrusi IoT dengan kebutuhan keahlian manusia dan biaya komputasi yang lebih rendah.

Praktisi dan peneliti ilmu komputer

Membuka konten member…