Mengukur Kekritisan Node Sensor IIoT dengan Menggabungkan Kekritisan Data dan Kerentanan Keamanannya

Kerangka Dempster-Shafer untuk Memeringkat Node IIoT Industri Menggunakan Dampak Data dan CVSS v4.0

Sachin K. Sen; Gour C. Karmakar; Shaoning Pang· 2026· DOI 10.48550/arXiv.2609.09807

Masalah inti

Integrasi Industrial Internet of Things (IIoT) ke dalam manufaktur telah mengubah operasi industri dengan mengoptimalkan manajemen produksi dan menjamin kualitas produk melalui sensor industri pintar yang mengatur proses berdasarkan data waktu nyata. Namun, node sensor ini sangat rentan terhadap ancaman siber, sehingga menimbulkan risiko keamanan signifikan yang mengompromikan keandalan dan integritasnya. Meskipun penelitian yang ada mengeksplorasi kerentanan keamanan siber dan metode berbasis serangan siber untuk memeringkat node kritis, beberapa penelitian menilai kekritisan node berdasarkan dampak data sensor terhadap kualitas produk. Namun, pendekatan komprehensif yang mengintegrasikan kekritisan data dan kerentanan keamanan siber masih belum dieksplorasi. Untuk menjembatani celah ini, penelitian ini memperkenalkan kerangka baru yang mengevaluasi kekritisan node sensor IIoT dengan memanfaatkan teori Dempster--Shafer (D-S) untuk menggabungkan kekritisan data dan kerentanan keamanan siber. Metode yang diusulkan divalidasi menggunakan dataset dari produksi anggur merah, menunjukkan efektivitasnya dalam memeringkat node sensor berdasarkan kedua faktor tersebut. Hasilnya menunjukkan

Inovasi

Metode yang diusulkan diterapkan pada dataset produksi anggur merah. Node sensor diperingkat berdasarkan skor kekritisan gabungannya. Hasilnya menunjukkan bahwa peringkat kekritisan yang diperoleh menggunakan CVSS v4.0 berbeda secara signifikan dari yang menggunakan CVSS v3.1. Perbedaan ini menyoroti pengaruh metodologi penilaian kerentanan yang ditingkatkan terhadap kekritisan node. Misalnya, node yang dianggap cukup kritis di bawah CVSS v3.1 dapat diperingkat lebih tinggi di bawah CVSS v4.0 karena penilaian kerentanan yang lebih rinci dan berat. Pendekatan penggabungan ini secara efektif mengintegrasikan kekritisan data dan kerentanan keamanan, memberikan peringkat yang lebih komprehensif daripada salah satu faktor saja. Validasi menunjukkan efektivitas kerangka ini dalam memeringkat node sensor berdasarkan kedua faktor tersebut.

Integrasi Industrial Internet of Things (IIoT) ke dalam manufaktur telah mengubah operasi industri dengan mengoptimalkan manajemen produksi dan menjamin kualitas produk melalui sensor industri pintar yang mengatur proses berdasarkan data waktu nyata. Namun, node sensor ini sangat rentan terhadap ancaman siber, sehingga menimbulkan risiko keamanan signifikan yang mengompromikan keandalan dan integritasnya. Meskipun penelitian yang ada mengeksplorasi kerentanan keamanan siber dan metode berbasis serangan siber untuk memeringkat node kritis, beberapa penelitian menilai kekritisan node berdasarkan dampak data sensor terhadap kualitas produk. Namun, pendekatan komprehensif yang mengintegrasikan kekritisan data dan kerentanan keamanan siber masih belum dieksplorasi. Untuk menjembatani celah ini, penelitian ini memperkenalkan kerangka baru yang mengevaluasi kekritisan node sensor IIoT dengan memanfaatkan teori Dempster--Shafer (D-S) untuk menggabungkan kekritisan data dan kerentanan keamanan siber. Metode yang diusulkan divalidasi menggunakan dataset dari produksi anggur merah, menunjukkan efektivitasnya dalam memeringkat node sensor berdasarkan kedua faktor tersebut. Hasilnya menunjukkan bahwa peringkat kekritisan berdasarkan skor kerentanan keamanan yang dihitung menggunakan CVSS versi 4.0 berbeda secara signifikan dari yang diperoleh dengan CVSS versi 3.1, menyoroti pengaruh metodologi penilaian kerentanan yang ditingkatkan. Meskipun awalnya diterapkan pada manufaktur anggur, kerangka ini dapat diadaptasi ke aplikasi industri yang lebih luas dengan modifikasi minimal, menawarkan pendekatan yang kokoh untuk mengamankan sistem produksi yang mendukung IIoT.

Kerangka yang diusulkan menggabungkan dua sumber bukti yang berbeda: kekritisan data dan kerentanan keamanan. Kekritisan data mengukur dampak data node sensor terhadap kualitas produk, sedangkan kerentanan keamanan menilai paparan node terhadap ancaman siber. Teori Dempster-Shafer (D-S), kerangka matematis untuk penalaran dengan ketidakpastian, digunakan untuk menggabungkan metrik heterogen ini menjadi skor kekritisan terpadu.

Mengapa penting

Perbedaan signifikan dalam peringkat antara CVSS v3.1 dan v4.0 menegaskan pentingnya menggunakan metode penilaian kerentanan yang mutakhir. CVSS v4.0 memperkenalkan perbaikan seperti metrik yang lebih tepat untuk persyaratan serangan, interaksi pengguna, dan dampak, sehingga menghasilkan skor kerentanan yang berbeda. Akibatnya, peringkat kekritisan gabungan bergeser, yang dapat memengaruhi prioritas keamanan dan alokasi sumber daya. Pendekatan penggabungan Dempster-Shafer menguntungkan karena dapat menangani ketidakpastian dan bukti yang bertentangan, yang umum terjadi saat menggabungkan kekritisan data dan kerentanan keamanan. Kerangka ini dapat diadaptasi ke aplikasi industri yang lebih luas dengan modifikasi minimal, karena prinsip dasar kekritisan data dan penilaian kerentanan dapat digeneralisasi. Namun, penelitian ini memiliki batasan: validasinya hanya pada satu dataset dari produksi anggur, dan penilaian kekritisan data dapat bervariasi di berbagai proses manufaktur. Penelitian selanjutnya dapat memperluas kerangka ini ke domain lain dan memasukkan data waktu nyata. Secara keseluruhan, penelitian ini menawarkan pendekatan yang kokoh untuk mengamankan sistem produksi yang mendukung IIoT dengan memberikan pandangan holistik tentang kekritisan node.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…