Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dengan bergabungnya Indosat Ooredoo dan Hutchison 3 pada tanggal 14 Januari 2022, maka dilakukan integrasi kedua jaringan operator terebut. Dimana telah diputuskan menyatukan jaringan tersebut dengan menggunakan jaringan Multi-Operator Core Network telah berjalan 40 % dengan total target kurang lebih sebanyak 43.000 site akan diintegrasikan. Dalam menyatukan kedua jaringan tersebut mempunyai dasar tujuan yaitu bagaimana bisa melakukan “savings” untuk mengoptimalkan sumber daya yang ada. Dalam proses mengintegrasikan jaringan ini berefek ke pelanggan langsung, di mana sempat mengalami naiknya komplain dari pelanggan. Sehingga diputuskan indikator- indikator Customer Experience(CX) berperan sebagai penguji, penemuan masalah, dan acuan pembuat keputusan rekomendasi. Indikator CX ini berbeda pada waktu penggunaan, yaitu pada digunakan pada proses/ milestone implementasi dan setelah implementasi sebelum diserahkan ke operasional, dimana yang biasanya indikator ini dimonitor atau digunakan setelah diserahkan ke operasional ataupun sebagai inisialisasi awal proyek. Evaluasi terhadap indikator CX ini sebagai keputusan rekomendasi setelah implementasi menggunakan metode klasifikasi pemodelan Logistic Regression terhadap penggunaan indikator Customer Experience dengan strategi Cluster Acceptance di level per Micro Cluster dan Nano Cluster yang menghasilkan 3 (tiga) output keputuasan rekomendasi yaitu Accepted, Rectification Low dan Rectification High yang saat ini data memiliki keputusan rekomendasi hanya 2 output yaitu Accepted dan Rectification. Sehingga mendukung penggunaan pengambilan keputusan rekomendasi ini menggunakan Machine Learning sebagai percepatan proyek implementasi jaringan MOCN pada saat merger PT. Indosat, tbk karena sebagai masukan stakeholder yang dapat berfokus pada kepada perbaikan dengan prioritas tinggi.

---

Indosat Ooredoo and Hutchison 3 merged on January 14, 2022, and integration of the two operator networks was deployed. It has been decided to unify these networks using the Multi-Operator Core Network, which has run 40% with a total target of approximately 43,000 sites to be deployed. The main goal of merging the two networks is to find ”savings” to optimize existing resources. Customers were directly impacted by the network’s integration process, which increased customer complaints. It was determined that Customer Experience indicators would serve as a tester, identify problem detection, and serve as a reference for decision-maker recommendations. This CX indicator is different in timing, it is used in the implementation process or milestone and after implementation before it is handed over to operational, where it is usually monitored or used after it has been handed down to operational or as an initialization of the project. Evaluation of this CX indicator as a recommendation decision following implemen- tation using the Logistic Regression modeling classification method against the use of the Customer Experience indicator with the Cluster Acceptance strategy at the level per Micro Cluster and Nano Cluster yields three (3) outputs of recommendation compliance: Accepted, Rectification Low, and Rectification High. With the original data output recommendations are Accepted and Rectification. Thus supporting the use of decision-making to recommend using Machine Learning to accelerate the MOCN network implementation project at the time of PT. Indosat,tbk merger, stakeholders could be focused on high-priority recommendations. "

"Arsitektur 5G Core (5GC) menjawab permintaan akan koneksi berkecepatan tinggi dan aman dengan janji konektivitas yang lebih cepat dan keandalan jaringan yang lebih baik. Namun, tantangan keamanan siber terhadap serangan pada Session Management Function (SMF) melalui Packet Forwarding Control Protocol (PFCP) mendorong pengembangan Intrusion Detection System (IDS) menggunakan Machine Learning. Dataset yang digunakan dalam penelitian adalah 5G Core PFCP Intrusion Dataset milik George Amponis, dkk. Penelitian dilakukan dengan menggunakan metode fitur seleksi seperti filter dengan korelasi Pearson, embedded, dan wrapper dengan Recursive Feature Elimination (RFE). Model Machine Learning yang diujikan adalah Random Forest, Gradient Boost Machine (GBM), Light Gradient Boost Machine (LGBM), Extreme Gradient Boost (XGB), dan AdaBoost. Skenario penelitian dibuat menjadi dua berdasarkan data awal dari 5G Core PFCP Intrusion Dataset dengan lima kelas target dan skenario setelah dilakukan penggabungan pada serangan PFCP Session Modification Flood Attack menjadi empat kelas target. Penelitian mendapatkan bahwa kombinasi model GBM dengan metode seleksi fitur embedded pada skenario empat kelas target memiliki kinerja terbaik dalam mendeteksi serangan PFCP pada jaringan 5G Core dengan nilai akurasi sebesar 97,366%, presisi 97,383%, recall 97,366%, dan f1-score sebesar 97,375%.

---

The 5G Core (5GC) architecture addresses the demand for high-speed and secure connections with the promise of faster connectivity and better network reliability. However, cybersecurity challenges against attacks on the Session Management Function (SMF) through the Packet Forwarding Control Protocol (PFCP) drive the development of an Intrusion Detection System (IDS) using Machine Learning. The dataset used in the research is the 5G Core PFCP Intrusion Dataset by George Amponis, et al. Research was conducted using feature selection methods such as filters with Pearson correlation, embedded, and wrapper with Recursive Feature Elimination (RFE). The Machine Learning models tested were Random Forest, Gradient Boost Machine (GBM), Light Gradient Boost Machine (LGBM), Extreme Gradient Boost (XGB), and AdaBoost. The research scenarios were made into two based on the initial data from the 5G Core PFCP Intrusion Dataset with five target classes and the scenario after combining the PFCP Session Modification Flood Attack into four target classes. The research found that the combination of the GBM model with the embedded feature selection method in the four target classes scenario has the best performance in detecting PFCP attacks on the 5G Core network with an accuracy value of 97.366%, precision of 97.383%, recall of 97.366%, and f1-score of 97.375%."

"Open Air Interface (OAI) adalah suatu open source platform yang dirancang untuk memungkinkan kita membuat layanan jaringan seluler menggunakan peralatan yang lebih sederhana, yaitu menggunakan komputer sebagai Core Network dan menggunakan Universal Software Radio Peripheral (USRP) sebagai pemancar sinyal radio yang menggantikan fungsi dari Base Station operator seluler komersial. Solusi penghematan biaya penelitian dengan menggunakan OAI dapat lebih signifikan lagi apabila digabungkan dengan penggunaan the Platform for Open Wireless Data-driven Experimental Research (POWDER) yaitu proyek yang dijalankan oleh University of Utah yang bermitra dengan beberapa kolaborator lain. POWDER menyediakan akses kepada jaringan sumber daya komputer pribadi dan USRP sebagai alat pengujian secara gratis yang dapat kita kontrol dari jarak jauh. Pada skripsi ini, POWDER digunakan untuk melakukan instalasi dan menjalankan OAI 5G, serta menguji performa, keandalan, serta efisiensi menggunakan program penguji kualitas jaringan dan performa prosesor. Eksperimen jarak jauh dengan Sistem Open Air Interface 5G yang diimplementasikan pada platform POWDER menunjukkan hasil yang sangat optimal. Kecepatan tertinggi OAI 5G pada platform POWDER mencapai 930,86 Mbps. Kemudian performa sistem OAI 5G yang dijalankan pada platform POWDER menghasilkan efisiensi yang 49,03% lebih unggul dibandingkan dengan OAI 5G yang dijalankan pada mesin fisik. Di sisi lain, kami juga menemukan beberapa keterbatasan pada POWDER, yaitu masalah jumlah perangkat yang tersedia, antarmuka pengguna yang kurang ramah pengguna, sering terjadi pembaharuan sistem dan maintenance, dokumentasi yang kurang diperbaharui.

---

Open Air Interface (OAI) is an open source platform designed to let us deploy cellular network services using simpler equipment, specifically using personal computers as a Core Network and using Universal Radio Peripheral Software (USRP) as radio signal transmitters that substitute the functions of the Base Station commercial cellular operator. Research cost-saving solutions using OAI can be even more significant when combined with the use of the Platform for Open Wireless Data-driven Experimental Research (POWDER) which is a project run by the University of Utah in partnership with some collaborators. POWDER provides access to network resources of personal computers and USRP as free testing tools that can be controlled remotely. In this work, POWDER is used to install and run OAI 5G and test the performance, reliability, and efficiency of using network quality testing and processor workloads. Our remote experiments with Open Air Interface 5G system that is implemented on the POWDER platform shows that it runs optimally. The average speed of OAI 5G on the POWDER platform reaches 930.86 Mbps. Subsequently the performance of the OAI 5G system that runs on the POWDER platform is 49.03% more efficient than the OAI 5G which runs on physical machines. On the other hand, we found that POWDER also has some limitations, i.e. the problem of the number of available devices, the user interface that is less user-friendly, frequent system updates and maintenance request, and less updated documentation."