Deteksi berbasis tanda tangan selalu mengetahui apa yang dicarinya. Pembelajaran mesin dan agen otonom mengubah pertanyaan tersebut sepenuhnya, bergeser dari "apakah ini cocok dengan pola yang dikenal?" menjadi "apakah ini benar-benar masuk akal dalam konteksnya?"

Setiap penerapan IDS memiliki celah. Siapa pun yang telah menjalankannya cukup lama pada akhirnya akan menemukannya, biasanya pada waktu yang paling buruk. Celah tersebut terletak di antara apa yang Anda buat aturannya dan apa yang dipilih penyerang sebagai gantinya. Tanda tangan Snort klasik adalah instrumen yang benar-benar mengesankan. Aturan yang dirancang dengan baik dapat menangkap eksploitasi yang diketahui dengan hampir nol false positive dan overhead yang hampir tidak terdeteksi pada profiler. Presisi itu berasal dari spesifisitas, dan spesifisitas adalah inti masalahnya. Buat aturan untuk CVE-2024-12345 dan Anda memiliki cakupan untuk CVE tersebut. Payload yang dimodifikasi yang melewati jalur kode rentan yang sama melalui rute yang sedikit berbeda? Tidak ada yang terdeteksi.

Itu bukanlah kritik terhadap model tanda tangan. Model ini bekerja persis seperti yang dirancang. Tanda tangan mengkodekan pengetahuan spesifik dan terverifikasi tentang seperti apa serangan itu di tingkat jaringan, dan tingkat positif palsu yang rendah adalah hasil langsung dari spesifikasi tersebut. Kendala sebenarnya adalah sesuatu yang lebih sulit dipecahkan: waktu paparan. Antara saat eksploitasi baru muncul di dunia nyata dan saat seorang peneliti menangkapnya, melakukan rekayasa balik, menulis aturan, memvalidasi aturan tersebut terhadap korpus uji, dan mengirimkannya melalui saluran pembaruan, berhari-hari atau berminggu-minggu dapat berlalu. Untuk kerentanan yang dieksploitasi secara aktif dalam perangkat lunak umum, jangka waktu tersebut bukanlah hipotetis.

Cisco Talos mengatasi hal ini secara langsung pada Maret 2024 dengan SnortML, mesin deteksi pembelajaran mesin yang berjalan secara native di dalam Snort 3. Sekitar waktu yang sama, transformasi yang lebih luas dalam operasi keamanan mulai mendapatkan daya tarik yang serius: AI agenik memasuki pertahanan jaringan. Kedua perkembangan ini beroperasi pada lapisan yang berbeda dari pergeseran yang sama, dan menelitinya bersama-sama mengungkapkan sesuatu yang tidak dapat dilihat dari salah satunya secara terpisah.

Bagian 1: Apa Sebenarnya yang Dilakukan SnortML

Sebelum membahas arsitektur dan implikasinya, mekanismenya yang terpenting. SnortML bukanlah penilai anomali generik yang ditambahkan ke output peringatan Snort, dan bukan pula layanan reputasi berbasis cloud yang mengirimkan data ke server pusat setiap kali ada permintaan. Inferensi terjadi sepenuhnya pada perangkat lokal, di dalam alur pemrosesan yang sama dengan evaluasi aturan normal, dan menghasilkan keputusan dalam waktu kurang dari satu milidetik.

Dua komponen membuat ini berfungsi. snort_ml_engine Modul ini menangani pemuatan model saat startup, membawa model TensorFlow yang telah dilatih sebelumnya ke dalam memori dan membuatnya tersedia sebagai pengklasifikasi sepanjang sesi. Inspektur snort_mlkemudian berlangganan umpan data dari inspektur layanan Snort yang sudah ada melalui antarmuka publish/subscribe yang sudah digunakan Snort 3 secara internal. Ketika inspektur HTTP selesai mengurai permintaan, ia mempublikasikan string kueri URI dan isi POST ke bus peristiwa. Inspektur SnortML mengambilnya, menjalankannya melalui pengklasifikasi, dan mengembalikan nilai float yang mewakili probabilitas bahwa konten tersebut berisi upaya eksploitasi.

Jaringan saraf tidak perlu melihat serangan spesifik untuk menandainya. Jaringan tersebut telah mempelajari bentuk dari upaya injeksi SQL pada tingkat byte, dan bentuk tersebut berlaku di berbagai variasi sintaksis.

Arsitektur modelnya adalah LSTM yang didahului oleh lapisan embedding. Lapisan embedding memetakan nilai byte mentah ke representasi vektor yang dipelajari, yang menangkap hubungan antar byte dengan cara yang tidak dapat dilakukan oleh analisis frekuensi murni. Anggap saja ini analog dengan word embedding dalam NLP, kecuali tokennya adalah byte dan bukan kata. Nilai byte 0x27 (tanda apostrof) yang berada di sebelah 0x4F 0x52 (OR) membawa konteks yang dipelajari tentang pola injeksi SQL, dan lapisan embedding mengkodekannya. LSTM kemudian memproses urutan ini dan menangkap struktur temporal: urutan byte penting, dan muatan serangan cenderung memiliki urutan karakteristik yang membedakannya dari string kueri yang sah.

Lapisan dense terakhir mereduksi output LSTM menjadi satu float probabilitas. LibML, pustaka inferensi yang disertakan dengan SnortML, menggunakan XNNPACK untuk operasi matriks yang dipercepat perangkat keras yang menjaga waktu inferensi tetap dapat diprediksi di bawah beban. Pada prosesor AMD 4,7 GHz, satu proses klasifikasi berjalan dalam waktu sekitar 350 mikrodetik. Satu detail praktis yang perlu diketahui: mulai dari Secure Firewall 10.0.0 dan seterusnya, SnortML secara otomatis memilih antara model yang berukuran untuk input 256, 512, atau 1024 byte berdasarkan panjang kueri aktual. Kueri pendek mendapatkan model yang lebih ringan. Hanya permintaan yang lebih panjang dan lebih kompleks yang melalui inferensi ukuran penuh. Untuk kueri yang melebihi 1024 byte, input dipotong hingga batas tersebut sebelum klasifikasi, yang merupakan perilaku yang perlu diingat saat bekerja dengan aplikasi yang menghasilkan string parameter yang sangat panjang.

Rilis awal ditargetkan untuk deteksi injeksi SQL. Pada akhir tahun 2025, cakupan diperluas untuk mencakup kelas serangan XSS dan injeksi perintah. Pembaruan model tiba melalui sistem Paket Keamanan Ringan Snort, menggunakan saluran pembaruan yang sama dengan konten aturan, yang berarti SnortML tetap mutakhir tanpa memerlukan alur kerja pembaruan terpisah.

CATATAN TEKNIS: PEMILIHAN MODEL ADAPTIF

Pemilihan model 256/512/1024 byte bukan hanya optimasi kinerja. Setiap model dilatih pada distribusi input dalam rentang panjang tersebut, sehingga model yang lebih kecil benar-benar dikalibrasi untuk kueri pendek, bukan versi terpotong dari model lengkap. Hal ini penting ketika mempertimbangkan perilaku positif palsu: kueri sah 200 byte yang tampak sedikit seperti injeksi akan dinilai oleh model 256 byte, yang telah melihat distribusi lalu lintas kueri pendek yang lebih terkonsentrasi selama pelatihan. Memahami varian model mana yang aktif pada peringatan tertentu membantu dalam menyetel perilaku ambang batas.

Diagram di bawah ini menunjukkan bagaimana hal ini berada di dalam alur pemrosesan paket Snort. Pengklasifikasi SnortML berjalan secara paralel dengan pencocokan tanda tangan tradisional. Perhatikan di mana kedua jalur tersebut menyimpang dari pengiriman inspektur dan di mana mereka bertemu pada tahap keputusan: salah satu jalur dapat secara independen memicu peringatan, dan deteksi di mana kedua jalur tersebut aktif secara bersamaan memiliki kepercayaan yang jauh lebih tinggi daripada yang dipicu oleh ML saja.

Mengapa arsitektur paralel itu penting?

SnortML tidak menggantikan evaluasi tanda tangan. Menjalankan keduanya secara paralel adalah keputusan rekayasa yang disengaja, bukan kompromi sementara. Jaringan saraf yang dilatih pada kelas kerentanan terkadang akan salah mendeteksi lalu lintas yang sah yang menyerupai sintaks serangan. Karakter khusus yang dikodekan URL dalam kueri basis data yang sah adalah contoh umum. Menjalankan tanda tangan bersamaan dengan model ML berarti kedua mekanisme tersebut memberikan cakupan independen dengan profil kesalahan yang berbeda: ML menangkap varian baru yang tidak memiliki tanda tangan, sementara pencocokan klasik memberikan tingkat kebisingan rendah untuk pola yang dikenal. Ketika keduanya mendeteksi muatan yang sama, korelasi tersebut merupakan sinyal yang bermakna bagi sistem hilir.

Dampak latensi telah diuji dengan cermat. Overhead 350 mikrodetik itu nyata dan perlu dipahami dalam konteksnya. Implementasi Snort berkinerja tinggi pada perangkat Cisco Secure Firewall saat ini beroperasi dengan anggaran pemrosesan per paket mulai dari beberapa ratus mikrodetik hingga beberapa milidetik, sangat bergantung pada ukuran aturan dan kompleksitas protokol. Penambahan 350 mikrodetik bukanlah hal yang sepele. Itulah mengapa akselerasi XNNPACK penting: akselerasi ini menjaga overhead ML tetap dapat diprediksi dan terbatas, bukan bervariasi di bawah beban.

Bagian 2: Batasan ML tertanam dan mengapa agen menjadi langkah selanjutnya

SnortML adalah solusi rekayasa yang terfokus pada masalah spesifik. Fokus tersebut merupakan kekuatan sekaligus keterbatasan. Ia menangkap varian eksploitasi zero-day dalam kelas kerentanan yang dikenal, di perangkat, tanpa ketergantungan eksternal. Dalam lingkup tersebut, ia bekerja dengan baik. Lingkup itu sendiri adalah bagian yang menarik.

Pengklasifikasi beroperasi pada parameter HTTP individual. Sebuah string kueri URI tunggal atau isi POST masuk, diberi skor, dan kemudian memicu atau tidak memicu serangan. Model ini tidak memiliki visibilitas terhadap apa yang terjadi sebelum permintaan tersebut, setelahnya, atau dari IP sumber yang sama selama dua puluh menit sebelumnya. Pertimbangkan urutan tiga permintaan sederhana: permintaan probe untuk memetakan perilaku validasi input aplikasi, permintaan enumerasi untuk mengidentifikasi parameter yang dapat disuntikkan, dan akhirnya upaya eksploitasi yang disesuaikan dengan apa yang diungkapkan oleh dua probe pertama. Setiap permintaan, jika dilihat secara individual, mungkin mendapat skor di bawah ambang batas. Permintaan ketiga dalam rantai tersebut lebih berbahaya justru karena dua permintaan pertama, dan SnortML tidak dapat melihat hubungan tersebut.

Batasan yang sama berlaku untuk apa pun di luar ruang parameter HTTP. Eksfiltrasi tunneling DNS, serangan protokol lapisan TLS, eksploitasi SMB, saluran tersembunyi berbasis waktu, anomali perilaku protokol dalam layanan non-HTTP: tidak satu pun dari ini melewati jalur publikasi inspektur HTTP, sehingga SnortML tidak pernah melihatnya. Arsitektur ini dapat mengakomodasi inspektur lain, dan antarmuka publikasi/berlangganan cukup generik untuk itu. Tetapi model terlatih untuk sumber data tersebut belum ada, dan menyusun korpus pelatihan berlabel untuk protokol yang kurang dipelajari jauh lebih sulit daripada untuk HTTP.

Semua ini bukanlah bug. Ini adalah batasan alami dari setiap sistem deteksi yang beroperasi pada tingkat per-paket, per-parameter. Untuk melewatinya diperlukan jenis penalaran yang berbeda: penalaran yang mempertahankan konteks lintas waktu, mengkorelasikan sinyal dari beberapa titik pengamatan, dan tidak menunggu manusia membaca laporan sebelum bertindak. Itulah yang dirancang untuk dilakukan oleh AI agen dalam operasi keamanan.

Diagram di bawah ini menunjukkan bagaimana pendekatan deteksi yang berbeda mencakup lapisan permukaan serangan yang berbeda. SnortML berada di tingkat jaringan, memperluas jangkauan Snort dari pola yang dikenal ke varian zero-day. Penalaran agen beroperasi pada lapisan abstraksi yang lebih tinggi di mana konteks temporal dan korelasi lintas sumber menjadi alat utama.

Bagian 3: Apa arti AI berbasis agen bagi pertahanan jaringan

Istilah "AI agen" telah diterapkan secara luas dalam pemasaran keamanan sehingga berisiko kehilangan maknanya sepenuhnya. Penting untuk menjelaskan secara tepat apa yang sebenarnya membedakan agen AI dari model ML konvensional atau playbook SOAR otomatis.

Model ML konvensional menilai apa yang ada di depannya. Tidak ada memori tentang input sebelumnya, tidak ada kemampuan untuk mengumpulkan lebih banyak konteks, tidak ada mekanisme untuk memutuskan apa yang harus terjadi selanjutnya dengan outputnya. Playbook SOAR mengambil pendekatan yang berbeda: urutan langkah tetap yang dipicu oleh kondisi peringatan, dengan setiap langkah telah ditentukan sebelumnya. Jika situasinya berada di luar cabang yang diantisipasi dalam playbook, otomatisasi berhenti dan beralih ke manusia. Keduanya memiliki nilai nyata. Namun, keduanya bukanlah agen.

Agen AI mempertahankan status selama investigasi multi-langkah. Ia memutuskan apa yang akan diperiksa selanjutnya berdasarkan apa yang telah ditemukannya, alih-alih mengikuti urutan yang telah ditentukan sebelumnya. Ia memanggil berbagai alat: menanyakan SIEM untuk peristiwa terkait, mencari hash file terhadap platform intelijen ancaman, mengambil aktivitas terbaru pengguna yang ditandai dari penyedia identitas, memeriksa apakah IP sumber muncul dalam daftar hitam tingkat BGP. Setiap pencarian menginformasikan apa yang akan dilakukan selanjutnya. Ketika investigasi mencapai titik di mana respons diperlukan, agen dapat mengeksekusi atau menyerahkan tugas dengan konteks yang cukup terkumpul sehingga manusia yang meninjau rekomendasinya hanya membutuhkan beberapa detik, bukan berjam-jam.

Industri keamanan komersial telah membangun hal ini selama kurang lebih dua tahun. IBM meluncurkan ATOM, Autonomous Threat Operations Machine, pada April 2025, yang digambarkan sebagai kerangka kerja multi-agen yang berada di atas analitik SIEM untuk menangani alur kerja investigasi dan remediasi. Trend Micro merilis Agentic SIEM mereka pada Agustus 2025, yang dirancang dari awal berdasarkan korelasi dan investigasi otonom. Ini bukanlah antarmuka percakapan dengan pengetahuan domain keamanan yang melekat. Ini adalah platform orkestrasi di mana agen khusus membagi pekerjaan investigasi berdasarkan fungsi dan meneruskan temuan terstruktur satu sama lain.

Kekurangan analis SOC adalah pendorong sebenarnya.

Laju adopsi ini lebih masuk akal jika Anda melihat pasar tenaga kerja. Kesenjangan tenaga kerja keamanan siber global mencapai sekitar empat juta posisi yang belum terisi. Sebuah survei tahun 2025 menemukan 82% analis SOC melaporkan kekhawatiran tentang kemungkinan terlewatnya ancaman nyata hanya karena volume peringatan. Angka-angka tersebut menggambarkan sistem yang berada di bawah tekanan struktural yang belum teratasi oleh perangkat lunak. Menambahkan kemampuan deteksi lain tanpa mengubah cara kerja triase dan investigasi hanya menghasilkan lebih banyak peringatan, bukan hasil yang lebih baik. AI berbasis agen diadopsi bukan karena secara teoritis elegan, tetapi karena alternatifnya, yaitu lebih banyak analis yang membaca lebih banyak peringatan, bukanlah jalur penskalaan yang layak.

Snort 3 sebagai lapisan sensor dalam tumpukan agen.

Dalam gambar ini, Snort 3 dengan SnortML menempati peran spesifik dan penting: sebagai sensor. Titik terdekat dengan kabel sebenarnya, berjalan dengan kecepatan paket, menghasilkan aliran peristiwa berkelanjutan yang mewakili apa yang secara pasti diamati di jaringan. Aliran peristiwa tersebut adalah kebenaran dasar yang menjadi landasan penalaran tingkat yang lebih tinggi.

Penempatan tersebut lebih berharga dalam arsitektur berbasis agen daripada dalam SOC tradisional. Dalam pengaturan tradisional, peringatan Snort mencapai SIEM dan analis melakukan triase. Analis juga merupakan lapisan koreksi kesalahan: mereka membaca konteks, memutuskan apakah suatu peringatan layak diselidiki, dan menindaklanjutinya secara manual. Dalam arsitektur berbasis agen, output Snort langsung memberi makan rantai penalaran otomatis. Positif palsu tidak hanya menghabiskan perhatian analis. Mereka membakar siklus komputasi agen, memenuhi antrian investigasi, dan dalam penerapan yang salah konfigurasi dapat memicu tindakan penahanan otomatis. Persyaratan akurasi untuk lapisan sensor meningkat.

Output probabilistik SnortML sangat membantu di sini secara konkret. Karena pengklasifikasi mengembalikan nilai float dan bukan nilai biner, lapisan agen dapat memasukkan probabilitas tersebut ke dalam penilaian kepercayaan (confidence scoring) mereka sendiri. Sebuah peringatan yang menggabungkan kecocokan tanda tangan klasik dengan skor SnortML 0,97 akan diarahkan secara sangat berbeda dari peringatan di mana hanya ML yang aktif pada skor 0,61. Output yang lebih kaya memberikan lebih banyak informasi untuk penalaran selanjutnya dan membuat logika eskalasi berbasis ambang batas menjadi lebih bernuansa.

Diagram di bawah ini menunjukkan bagaimana arsitektur SOC multi-agen berkoordinasi di seluruh fungsi khusus. Setiap agen menangani satu lapisan investigasi: triase, pengayaan, korelasi mendalam, riwayat kontekstual. Perhatikan titik keputusan pada penilaian tingkat keparahan dan respons: keduanya secara eksplisit merupakan struktur percabangan daripada alur linier, yang memungkinkan keterlibatan manusia secara proporsional berdasarkan tingkat risiko daripada memperlakukan setiap peringatan secara identik.

Bagian 4: Arsitektur integrasi yang diusulkan

Bagi siapa pun yang menjalankan implementasi Snort 3 yang sebenarnya, pertanyaan praktisnya adalah bagaimana menghubungkan lapisan-lapisan ini. Arsitektur di bawah ini adalah proposal konkret, bukan promosi produk dari vendor. Setiap komponen di dalamnya sudah ada saat ini. Pertanyaannya adalah bagaimana menggabungkannya.

Lapisan penangkapan menangani akuisisi paket tingkat kawat melalui lapisan DAQ, memberi makan thread penganalisis Snort melalui antrian RSS AFPacket atau DPDK tergantung pada persyaratan throughput. Lapisan deteksi menjalankan mesin aturan MPSE Hyperscan dan pengklasifikasi SnortML LSTM secara paralel, keduanya memberi makan aliran peristiwa terpadu melalui bus telemetri. Aliran tersebut membawa data peringatan berformat JSON, skor probabilitas ML, dan metadata aliran. Skema penting di sini karena kerangka kerja agenik apa pun yang berada di atasnya perlu mengurai dan menalar data tersebut: ketidakkonsistenan dalam cara penamaan bidang atau nilai apa yang ada untuk berbagai jenis peringatan menciptakan gesekan integrasi yang semakin parah pada skala besar.

Lapisan penalaran agen menerima aliran peristiwa tersebut dan mengirimkannya ke agen-agen khusus sesuai fungsinya. Agen triase menangani deduplikasi, penyaringan, dan penilaian tingkat keparahan awal. Agen pengayaan mengambil data IOC, reputasi IP, dan intelijen ancaman. Agen investigasi mengkorelasikan data SIEM, log penyedia identitas, dan telemetri titik akhir. Agen konteks memetakan aktivitas saat ini terhadap pola historis, peringatan sebelumnya dari sumber yang sama, dan tanda tangan kampanye yang dikenal.

Diagram di bawah ini menunjukkan integrasi penuh dari lapisan penangkapan melalui penalaran agen hingga lingkaran umpan balik. Fitur struktural terpenting adalah jalur yang berjalan kembali dari lapisan respons ke model ML dan mesin aturan. Koneksi umpan balik itulah yang hilang dari sebagian besar implementasi saat ini.

Masalah lingkaran umpan balik

Sebagian besar implementasi saat ini berhenti pada tahap serah terima deteksi ke agen. Agen menerima output Snort, menyelidiki, dan menindaklanjutinya. Tidak ada informasi yang mengalir kembali untuk meningkatkan apa yang dideteksi Snort. Setiap investigasi serangan yang dikonfirmasi yang diselesaikan oleh agen berisi informasi yang dapat digunakan oleh pipeline pelatihan ML: sebuah payload yang mendapat skor di bawah ambang batas tetapi ternyata nyata, sebuah varian yang tidak tercakup oleh tanda tangan apa pun, sebuah pola pengaburan baru yang dipelajari oleh pengklasifikasi untuk mendapat skor rendah. Data tersebut, yang diberi label dan terstruktur, adalah sinyal pelatihan yang saat ini dibuang.

Jalur teknis untuk menangkapnya tidak rumit. Data parameter HTTP dari insiden yang terkonfirmasi sudah ada dalam telemetri peringatan. Ekstrak data tersebut, jalankan melalui langkah validasi manusia, dan masukkan ke dalam pekerjaan pelatihan ulang berkala. Mekanisme pengiriman LSP Cisco dapat mendorong model yang diperbarui melalui saluran yang sama dengan pembaruan aturan. Proses organisasi di sekitarnya lebih sulit daripada sisi teknisnya, khususnya langkah validasi manusia. Musuh yang dapat memanipulasi apa yang dikonfirmasi oleh agen investigasi, melalui pola aktivitas yang dibuat sedemikian rupa sehingga tampak seperti serangan yang berhasil bagi analisis otomatis, secara teori dapat memasukkan sampel pelatihan yang terkontaminasi ke dalam alur kerja dari waktu ke waktu. Model ancaman tersebut membutuhkan deteksi anomali yang berjalan pada input pelatihan ulang, bukan hanya pada lalu lintas langsung.

MASALAH PENELITIAN TERBUKA: KEAMANAN UMPAN BALIK

Pipeline pembaruan model otomatis yang menyerap data dari lalu lintas produksi menghadapi kelas serangan adversarial yang berbeda dari masalah penghindaran. Penyerang yang dapat menyebabkan konfirmasi palsu melalui aktivitas terkoordinasi yang mengelabui agen investigasi dapat memasukkan sampel pelatihan yang rusak tanpa menyentuh jalur inferensi secara langsung. Pipeline pelatihan ulang membutuhkan lapisan deteksi anomali tersendiri. Singh dkk. ( arXiv 2512.23809 ) membahas versi terdistribusi dari masalah ini dalam lingkungan IDS terfederasi menggunakan deteksi Byzantine berbobot SHAP, perlakuan yang paling lengkap secara teknis yang dipublikasikan hingga saat ini. Dalam arsitektur terpusat, hal ini sebagian besar masih belum ditangani.

Bagian 5: Kesenjangan saat ini dan apa yang masih perlu dibangun

Berikut ini adalah uraian praktis tentang apa yang belum berfungsi, dan mengapa kesenjangan tersebut penting bagi orang-orang yang menerapkan sistem ini sekarang.

Untuk saat ini, cakupan SnortML hanya mencakup HTTP.

Model SnortML saat ini mendeteksi eksploitasi dalam string kueri URI HTTP dan isi POST. Itu mencakup sebagian besar permukaan serangan aplikasi web, tetapi tunneling DNS, serangan lapisan TLS, injeksi tingkat protokol dalam layanan non-HTTP, eksploitasi SMB, dan apa pun di luar ruang parameter HTTP berada di luar cakupannya sepenuhnya. Arsitektur publish/subscribe bersifat agnostik terhadap protokol: inspektur mana pun dapat mempublikasikan data yang dilanggan oleh inspektur ML. Data pelatihan adalah batasannya. Korpus berlabel untuk protokol yang kurang dipelajari jauh lebih sulit untuk dikumpulkan daripada dataset HTTP, di mana penelitian keamanan selama bertahun-tahun telah menghasilkan koleksi publik yang substansial. Sampai korpus tersebut ada, cakupan ML SnortML tetap terbatas pada HTTP.

Protokol koordinasi berbasis agen masih dalam tahap pengembangan.

Platform keamanan multi-agen saat ini berjalan pada lapisan orkestrasi milik sendiri. ATOM milik IBM, Purple AI milik SentinelOne, dan sistem multi-agen Torq masing-masing memiliki koordinasi agen internal yang dibangun sesuai spesifikasi mereka sendiri, tanpa interoperabilitas di antara mereka. Protokol Konteks Model dan Protokol Agen-ke-Agen muncul sebagai standar potensial, tetapi keduanya belum mencapai tingkat adopsi di mana Anda dapat berasumsi bahwa keduanya akan didukung oleh platform vendor tertentu. Untuk penerapan yang berpusat pada Snort, ini berarti skema peristiwa yang dihasilkan Snort perlu dipetakan secara eksplisit ke format input yang diharapkan dari setiap kerangka kerja agen, dan pekerjaan pemetaan tersebut perlu diulang untuk setiap integrasi. Stabilitas skema di sisi Snort dan adopsi MCP yang lebih luas di sisi agen akan mengurangi beban ini secara signifikan.

Kemampuan menjelaskan peringatan ML masih kurang berkembang.

Ketika SnortML memicu peringatan dan agen investigasi meneruskan temuan tersebut kepada analis manusia untuk persetujuan akhir, analis tersebut memiliki pertanyaan yang wajar: bagian mana dari muatan data yang memicu ini? Bukan seluruh URI, tetapi secara spesifik byte mana yang menyebabkan skor melebihi ambang batas. Apakah itu karena adanya karakter tanda kutip tunggal? Urutan tertentu yang menyerupai UNION SELECTpola? Output peringatan SnortML saat ini memberikan skor probabilitas dan konten muatan data pemicu. Namun, output tersebut tidak memberikan informasi tentang atribusi skor tersebut ke wilayah input tertentu.

Metode atribusi berbasis gradien, khususnya Gradien Terintegrasi yang diterapkan pada lapisan penyematan input LSTM, dapat menghasilkan skor kepentingan tingkat byte untuk model sekuensial seperti ini. Teknik ini sudah dipahami dengan baik dan telah diterapkan pada tugas klasifikasi teks dengan arsitektur serupa. Menerapkannya untuk SnortML berarti menambahkan komputasi atribusi ke jalur inferensi dan memperluas format peringatan GID:411 untuk membawa output tersebut. Jalur rekayasa sudah jelas. Namun, tidak ada satu pun yang telah dibangun ke dalam sistem produksi saat ini.

Diagram di bawah ini menunjukkan alur data peringatan saat ini dibandingkan dengan apa yang hilang. Jalur kiri adalah apa yang diterima analis dan agen saat ini. Jalur kanan adalah apa yang akan tersedia jika output atribusi diimplementasikan. Kedua jalur tersebut berasal dari proses inferensi yang sama, sehingga kesenjangan tersebut bukan masalah arsitektur. Ini adalah masalah apa yang muncul dari proses inferensi yang sudah memiliki informasi yang dibutuhkan untuk menghitungnya.

Ketahanan model terhadap input yang bersifat antagonis belum diuji secara publik.

Deteksi injeksi SQL melalui jaringan saraf merupakan masalah pembelajaran terawasi. Model dilatih pada korpus pola serangan yang dikenal dan mempelajari batas keputusan yang memisahkannya dari lalu lintas yang aman. Musuh yang menyadari bahwa SnortML digunakan, pada prinsipnya, dapat menyelidiki batas tersebut secara sistematis: mencoba varian yang disamarkan, trik pengkodean karakter, injeksi komentar SQL, manipulasi spasi, dan teknik penghindaran lainnya untuk menemukan input yang mempertahankan fungsionalitas eksploitasi sambil mencetak skor di bawah ambang deteksi. Ini adalah masalah ML adversarial standar yang diterapkan pada keamanan jaringan. Ini bukan teori.

Yang kurang adalah karakterisasi yang dipublikasikan tentang di mana batas tersebut berada dan seberapa stabilnya batas tersebut di bawah serangan yang disengaja. SnortML saat ini berjalan di lingkungan produksi Cisco Secure Firewall. Komunitas keamanan operasional berhak mendapatkan evaluasi ketahanan terhadap serangan yang dipublikasikan: kelas serangan apa yang menghindari model tersebut, pada tingkat berapa, dan di bawah teknik pengaburan apa. Pekerjaan tersebut belum dipublikasikan. Seharusnya dipublikasikan.

Bagian 6: Arah penelitian dengan kebaruan sejati

Lima arah berikut ini belum memiliki jawaban yang jelas dalam literatur saat ini. Masing-masing cukup spesifik untuk dapat dikaji sebagai proyek penelitian dan cukup signifikan untuk berpengaruh pada sistem yang diterapkan.

Pemodelan temporal aliran silang di SnortML

LSTM saat ini memproses satu urutan parameter HTTP. Perluasan arsitektur yang bermakna akan beroperasi pada jendela permintaan dari IP sumber yang sama dalam satu sesi. Secara praktis, ini mungkin berarti jendela tetap dari 10 atau 20 permintaan terakhir dari sumber tertentu, atau jendela yang dibatasi waktu selama 60 hingga 120 detik aktivitas, mana pun yang lebih singkat. Penyerang yang melakukan pengintaian sebelum eksploitasi menunjukkan pola temporal karakteristik: permintaan probe untuk menguji penanganan input, satu atau lebih permintaan enumerasi untuk mengidentifikasi parameter yang dapat disuntikkan, dan kemudian eksploitasi yang disesuaikan dengan apa yang diungkapkan oleh probe tersebut. Pengklasifikasi parameter tunggal secara struktural buta terhadap pola ini terlepas dari seberapa baik penilaian per permintaan.

Model berbasis transformer yang beroperasi di atas jendela sesi seperti itu akan menjadi langkah maju yang berarti dalam kemampuan deteksi. Tantangan rekayasanya nyata: model pengiriman data Snort saat ini meneruskan nilai parameter individual ke inspektur ML. Membangun vektor fitur tingkat sesi membutuhkan perubahan pada cara inspektur menyangga dan mengakumulasi input di beberapa permintaan, yang menyentuh manajemen siklus hidup inspektur dan penanganan memori. Pertanyaan penelitiannya adalah apakah peningkatan deteksi tersebut membenarkan kompleksitas arsitektur tersebut.

Pembuatan aturan Snort dengan bantuan LLM dari deteksi SnortML

Ketika SnortML mendeteksi true positive yang terkonfirmasi, parameter HTTP pemicunya berisi pola sintaksis yang akan langsung dicari oleh penulis aturan berpengalaman saat menyusun signature. Seorang LLM (Learning Learning Manager) yang memiliki akses ke payload tersebut, memahami sintaksis aturan Snort, dan beberapa contoh aturan yang sudah ada dan dirancang dengan baik dapat mencoba menyusun signature kandidat yang mencakup kasus yang sama. Signature yang dihasilkan, setelah divalidasi, akan memberikan cakupan klasik eksplisit untuk pola serangan tersebut sehingga instance di masa mendatang akan terpicu bahkan tanpa inferensi ML.

Hal ini menciptakan siklus yang benar-benar bermanfaat: deteksi ML menangani kasus-kasus baru yang tidak tercakup oleh tanda tangan apa pun, dan deteksi yang telah dikonfirmasi memberi masukan ke dalam alur kerja yang memperkuat cakupan klasik. Pertanyaan penelitiannya konkret dan terukur: bagaimana perbandingan aturan Snort yang dihasilkan LLM dengan aturan yang dibuat secara manual dalam hal tingkat positif palsu, generalisasi di berbagai varian muatan, dan biaya pemrosesan? Perbandingan tersebut memiliki jawaban yang dapat dipublikasikan dan konsekuensi praktis bagi bagaimana alur kerja aturan deteksi dikelola dan diotomatisasi.

Metrik kualitas investigasi agen

Industri keamanan menerapkan platform SOC berbasis agen dengan otoritas nyata atas keputusan penahanan, dan hampir tidak ada tolok ukur formal yang ada untuk mengukur seberapa baik agen-agen tersebut benar-benar melakukan investigasi. Metrik yang disediakan vendor berfokus pada pengurangan volume: jumlah peringatan yang ditangani per jam, waktu dari peringatan hingga penutupan, jam kerja analis yang dihemat. Namun, tidak satu pun dari metrik tersebut yang memberi tahu Anda apakah agen tersebut membuat keputusan yang baik.

Kerangka kerja tolok ukur yang lebih bermanfaat akan mengukur akurasi investigasi secara langsung: tingkat pemicuan tindakan penahanan otomatis oleh positif palsu yang terkonfirmasi, tingkat klasifikasi aktivitas yang benar-benar berbahaya sebagai tingkat keparahan rendah dan ditutup secara otomatis, dan fraksi eskalasi di mana kumpulan konteks yang disusun oleh agen mengarah pada keputusan analis yang benar dalam jangka waktu tertentu. Membangun kerangka kerja tersebut membutuhkan kumpulan data berlabel dari investigasi insiden nyata dengan kebenaran dasar yang diketahui, yang merupakan masalah pengumpulan data sekaligus masalah desain metrik. Pekerjaan ini diperlukan dan sebagian besar tidak ada dalam literatur saat ini.

Bagian 7: Panduan penerapan praktis

Bagi tim yang menerapkan Snort 3 saat ini dan sedang mencari tahu bagaimana SnortML dan perangkat bantu berbasis agen cocok dengan tumpukan teknologi mereka, ada beberapa pelajaran operasional yang perlu dipelajari sejak awal.

Mulailah dengan SnortML pada monitor tap, bukan inline.

Pengklasifikasi parameter HTTP SnortML memiliki tingkat positif palsu yang, meskipun rendah, bukanlah nol. Menjalankannya secara langsung dengan pemblokiran saat terdeteksi sebelum Anda memahami bagaimana perilakunya terhadap profil lalu lintas spesifik Anda adalah cara mudah untuk menyebabkan gangguan produksi. Aplikasi yang sah yang menggunakan kueri berparameter dengan pengkodean yang tidak biasa, API REST yang meneruskan struktur data dalam string kueri, atau kerangka kerja dengan perilaku escaping non-standar semuanya dapat menghasilkan input yang mendapat skor di atas ambang batas default tanpa bersifat jahat.

Penerapan awal yang tepat adalah pasif. Tangkap peringatan SnortML sebagai peristiwa, ukur tingkat positif palsu terhadap lalu lintas aplikasi Anda yang terbukti baik selama setidaknya dua minggu yang mencakup siklus bisnis normal, dan bangun pemahaman dasar tentang bagaimana model tersebut berperilaku pada protokol dan pola aplikasi spesifik Anda sebelum mengaktifkan pemblokiran. Di Cisco FMC, atur aturan GID:411 menjadi hanya peringatan selama periode evaluasi ini. Setelah Anda memiliki dasar tersebut, penyetelan ambang batas dan penerapan inline selektif akan masuk akal.

Anggap skor ML sebagai salah satu input di antara beberapa input lainnya.

Jika Anda membangun logika investigasi berbasis agen di atas Snort, jangan menghubungkan keputusan perutean yang memperlakukan skor SnortML di atas 0,9 sebagai setara dengan kecocokan tanda tangan klasik yang terkonfirmasi. Kedua mekanisme deteksi tersebut memiliki profil kesalahan yang berbeda secara struktural. Tanda tangan klasik menghasilkan tingkat positif palsu yang sangat rendah pada pola yang dicakupnya dan melewatkan varian. SnortML memberikan cakupan varian dan pola baru yang lebih baik tetapi membawa tingkat positif palsu yang bukan nol pada lalu lintas sah yang menyerupai sintaks serangan pada tingkat byte. Karakter khusus yang dikodekan URL dalam kueri basis data dan beberapa skema otentikasi REST API dapat mencetak skor dalam kisaran sedang.

Arsitektur yang tepat menggunakan skor ML sebagai salah satu faktor dalam perhitungan kepercayaan komposit, bukan sebagai pemicu tunggal. Sebuah peringatan di mana tanda tangan klasik dan SnortML sama-sama aktif pada skor 0,95 harus diarahkan secara berbeda dari peringatan di mana hanya ML yang aktif pada skor 0,72. Gabungkan sinyal-sinyal tersebut. Jangan mengganti satu dengan yang lain, dan jangan biarkan skor ML secara tunggal mendorong keputusan pemblokiran otomatis tanpa bukti pendukung.

Libatkan manusia dalam proses pengambilan keputusan untuk tindakan penahanan.

Sistem berbasis agen dengan wewenang untuk memblokir IP, mengisolasi host, atau mengatur ulang kredensial menimbulkan risiko yang mudah diremehkan: penyerang yang memahami logika respons otomatis Anda dapat memanfaatkannya sebagai senjata. Membuat lalu lintas yang tampak berasal dari alamat infrastruktur penting yang sah dan memicu ambang batas pemblokiran otomatis Anda mengubah sistem respons Anda sendiri menjadi kemampuan penolakan layanan yang ditargetkan. Ini bukan teori; ini adalah teknik penyerang yang terdokumentasi terhadap organisasi dengan respons otomatis yang agresif.

Pendekatan operasional yang efektif bersifat asimetris: otomatiskan investigasi secara intensif dan otomatiskan respons secara konservatif. Biarkan agen menangani triase, pengayaan, korelasi, dan penyusunan konteks yang memakan waktu analis dan tidak memerlukan pengambilan keputusan berisiko tinggi. Serahkan keputusan penahanan akhir kepada manusia yang telah meninjau konteks yang dikumpulkan agen. Otomatisasi mengurangi biaya waktu peninjauan tersebut menjadi hitungan detik, bukan jam; langkah penilaian manusia inilah yang menambah ketahanan terhadap serangan.

Kesimpulan

Pergeseran dari deteksi hanya berbasis tanda tangan ke cakupan tanda tangan-ML hibrida, dan dari investigasi yang dilakukan manusia ke alur kerja penalaran berbasis agen, tidak terjadi sebagai transisi tunggal. Pergeseran ini terjadi secara bertahap, dengan setiap tahap bergantung pada keandalan dan kualitas keluaran dari tahap sebelumnya. SnortML mewakili tahap pertama yang matang: komponen ML yang telah diterapkan dalam produksi yang menangani masalah spesifik dan terdefinisi dengan baik tanpa menyentuh properti kinerja atau keandalan operasional yang selalu diandalkan oleh penerapan Snort.

Lapisan agensi di atasnya kurang matang, tetapi tekanan operasional yang mendorong adopsinya tidak akan hilang. Volume peringatan terus meningkat, kapasitas analis tidak mengimbangi, dan teknik serangan baru muncul lebih cepat daripada siklus pengembangan aturan manual yang dapat dilacak. Platform komersial yang cukup baik untuk penerapan produksi telah muncul dalam delapan belas bulan terakhir. Integrasi antara deteksi ML tingkat paket dan investigasi agensi adalah tempat sebagian besar organisasi berada saat ini: menyadari bahwa kedua lapisan tersebut ada, tetapi masih berupaya mencari cara untuk menghubungkannya secara andal.

Siklus umpan balik, di mana insiden yang terkonfirmasi mengalir kembali untuk meningkatkan model ML dan cakupan aturan, yang diawasi oleh manusia tetapi dieksekusi secara otomatis, adalah masalah jangka panjang yang lebih sulit dan paling berharga untuk dipecahkan. Sistem deteksi yang secara terukur lebih baik dalam menangkap apa yang sebenarnya dilakukan penyerang saat ini, daripada mengkatalogkan apa yang mereka lakukan setahun yang lalu, mengubah ekonomi serangan dan pertahanan secara signifikan. Karya ZTA-FL Singh dkk. tentang pembelajaran federasi yang tahan terhadap serangan Byzantine untuk lingkungan IDS terdistribusi menunjukkan apa yang dibutuhkan siklus tersebut agar tahan terhadap serangan setelah berjalan dalam skala besar: bukan hanya penghindaran detektor, tetapi manipulasi aktif dari mekanisme peningkatan itu sendiri.

Snort 3 dengan SnortML memiliki fondasi yang tepat. Pekerjaan rekayasa yang tersisa bukanlah tentang kemampuan deteksi sensor. Melainkan tentang infrastruktur yang menghubungkan apa yang diamati sensor dengan sistem penalaran yang dapat bertindak secara cerdas, dan jalur umpan balik yang mengubah tindakan tersebut menjadi sistem yang terus meningkat dari waktu ke waktu.

REFERENSI

[1] Stultz, B. (2024, 15 Maret). Talos meluncurkan mesin deteksi eksploitasi berbasis pembelajaran mesin baru . Blog Snort. blog.snort.org

[2] Cisco. (2024). Mendeteksi Kerentanan Zero-day dengan SnortML . White Paper. cisco.com