<![CDATA[Kompleksitas serangan cyber terhadap wireless access point semakin meningkat dengan munculnya adversarial AI dan coordinated attack scenarios. Penelitian ini mengembangkan framework SMART-GUARD (Self-adaptive Multi-Agent Reinforcement learning Threat Guard) yang mengintegrasikan multi-agent reinforcement learning (MARL), game theory, dan consensus mechanisms untuk membangun sistem pertahanan adaptif dan kolaboratif. Framework yang diusulkan menggabungkan Deep Q-Networks (DQN) dengan hierarchical multi-agent architecture, Stackelberg game untuk strategic defense planning, Self-Organizing Maps (SOM) untuk threat clustering, dan Byzantine-fault tolerant consensus untuk koordinasi terdistribusi. Evaluasi dilakukan pada testbed yang mensimulasikan 20 access points dengan 500 client devices dan 15 jenis serangan berbeda. Hasil eksperimen menunjukkan SMART-GUARD mencapai defense success rate 97.4%, mean response time 1.2 detik, dan resource utilization efficiency 89.3%. Framework ini mampu beradaptasi dengan 12 jenis zero-day attacks dengan confidence level 92.8% dan menunjukkan scalability yang superior hingga 1000+ access points. Kontribusi utama penelitian ini adalah pengembangan self-adaptive defense ecosystem yang dapat melakukan strategic decision making secara autonomous melalui game-theoretic analysis dan koordinasi multi-agent yang fault-tolerant.]]>
Copyrights © 2025
