Roadmap Menjadi Machine Learning Cyber Security Engineer

PHASE 1 — FUNDAMENTAL SKILL (3–6 bulan)

Dasar Pemrograman & Data Science

Tujuan: memahami coding + data preprocessing
Skill Wajib:

• Python (NumPy, Pandas)
• Exploratory Data Analysis (EDA)
• Visualization (Matplotlib, Seaborn)
• Basic statistics

Target Output:
✔ Python automation untuk parsing log
✔ Data cleaning untuk log keamanan (syslog, firewall log, PLC logs)

Fundamental Cyber Security

Tujuan: memahami domain ancaman
Materi Penting:

• CIA Triad
• Network Security, Firewall, IDS/IPS
• Malware, phishing, brute force, DDoS
• Basic SIEM (ELK, Splunk)

Target Output:
✔ Mampu membaca traffic Wireshark
✔ Paham log: auth.log, netflow, Modbus traffic

PHASE 2 — ML CORE SKILLS (3–6 bulan)

Machine Learning Untuk Keamanan

Materi:

• Supervised: Decision Tree, Random Forest, SVM, XGBoost
• Unsupervised: Clustering, PCA, Isolation Forest
• Evaluation metrics keamanan:
  • Precision/Recall
  • ROC-AUC
  • False Positive Rate

Target Output:
✔ Model deteksi brute force login
✔ Model deteksi DDoS (dataset CIC-IDS, UNSW-NB15)

Deep Learning for Cybersecurity

Skill:

• ANN
• LSTM untuk anomaly detection
• CNN untuk malware classification (binary images)
• Autoencoder untuk deteksi intrusi

Target Output:
✔ Autoencoder untuk deteksi anomali traffic
✔ LSTM untuk memprediksi serangan ICS/IIoT

PHASE 3 — CYBERSECURITY SPECIALIZATION (6–12 bulan)

Network Traffic Analysis + AI

Belajar:

• Netflow
• PCAP preprocessing
• Feature extraction otomatis (CICFlowMeter)

Project:
✔ “AI-Based Intrusion Detection System for ICS/SCADA”
✔ “Anomaly Detection di PLC Traffic (Modbus/TCP)”

ML for ICS/SCADA Security (Khusus Industri)

Fokus:

• Protocol: Modbus, DNP3, OPC-UA, Profinet
• ICS threat (unauthorized write, parameter tampering)
• Creating digital twins for anomaly detection
• Hardening PLC network

Project:
✔ Deteksi anomali Modbus function code
✔ ML mendeteksi perubahan parameter PLC (speed, level, temp)
✔ IDS khusus IIoT berbasis ESP32 + ML

Adversarial Machine Learning

Materi:

• Evasion attack (mengelabui model IDS)
• Poisoning attack (meracuni dataset)
• Model robustness
• AI malware generator vs AI malware detector

Project:
✔ Sistem IDS tahan serangan adversarial
✔ Detect fake IoT traffic generated by GAN

Phase 4 — Security Engineering + Deployment

MLOps + Deployment for Security

Skill:

• Docker, Kubernetes
• REST API (FastAPI)
• Model optimization
• Edge AI (Jetson Nano, Raspberry Pi, ESP32-S3)

Project:
✔ Deploy ML IDS ke Raspberry Pi sebagai IoT Gateway
✔ Deteksi serangan Modbus real-time

SIEM + SOC Automation with AI

Belajar:

• ELK untuk log ingestion
• Correlation rules + ML engine
• SOAR automation

Project:
✔ AI yang otomatis mengirim alert ke Telegram
✔ AI-based anomaly scoring in SIEM dashboard

PHASE 5 — ADVANCED (6–12 bulan)

Blockchain for Cyber Security (opsional tapi kuat)

• IoT identity management
• Immutable logging
• Smart contract untuk “security policy enforcement”

Project:
✔ Ethereum / Polygon untuk secure IoT device identity
✔ Blockchain untuk log yang tidak bisa dihapus (tamper-proof)

Alur Roadmap Visual

1 → 2 → 3 → 4 → 5 → 6 → 7 → 8 → 9 → 10

Fundamental → ML → Cybersecurity → ICS → Deployment → Blockchain

Dataset untuk Latihan

Mengapa Akurasi Saja Menyesatkan

Dalam data keamanan, lalu lintas normal bisa mencapai 99% data. Model yang selalu menebak “normal” tetap mendapat akurasi 99% tetapi tidak berguna. Karena itu gunakan:

• Recall — berapa persen serangan yang berhasil terdeteksi.
• Precision dan false positive rate — berapa banyak alarm palsu yang membebani analis SOC.
• Precision–Recall AUC — lebih jujur daripada ROC-AUC untuk data yang sangat tidak seimbang.

Contoh Awal: Deteksi Anomali Lalu Lintas Modbus

Model unsupervised seperti Isolation Forest cocok sebagai titik awal karena tidak membutuhkan contoh serangan berlabel. Fitur dihitung per jendela waktu (mis. 10 detik) dari log Modbus di jaringan sendiri:

import pandas as pd
from sklearn.ensemble import IsolationForest

# kolom: jumlah_request, rasio_fc_tulis, jumlah_alamat_unik, rata_interval_ms
df = pd.read_csv("fitur_modbus_per_10s.csv")

model = IsolationForest(n_estimators=200, contamination=0.01, random_state=42)
model.fit(df[df["periode"] == "normal"].drop(columns="periode"))

skor = model.predict(df.drop(columns="periode"))   # -1 = anomali
df["anomali"] = (skor == -1)
print(df[df["anomali"]].head())

Contoh anomali yang biasanya muncul: lonjakan perintah tulis (FC05/FC06/FC16) di luar jam operasi, atau akses ke alamat register yang belum pernah dipakai sebelumnya.

Etika dan Batasan

Topik seperti adversarial machine learning dipelajari untuk membuat model pertahanan lebih tangguh. Pengujian pada jaringan produksi (terutama PLC dan SCADA yang mengendalikan proses fisik) hanya boleh dilakukan dengan izin dan prosedur yang disetujui, sebaiknya di testbed atau simulator, bukan di pabrik yang sedang beroperasi.

PROJECT CAPSTONE (Wajib untuk Portofolio)

AI-Based IDS for IIoT (Modbus/RTU & TCP)

• Menggunakan LSTM/Autoencoder
• Traffic real Modbus PLC
• Deploy di Raspberry Pi

Anomaly Detection untuk PLC/SCADA

• Monitoring: level, flow, temp, pressure
• Detect out-of-bound changes

AI-Enabled SOC Dashboard

• Menghubungkan SIEM
• ML classifier: brute force login / malware

Blockchain Identity for IoT Devices

Dua proyek portofolio di atas (anomaly detection PLC/SCADA dan identitas perangkat IoT) bersinggungan langsung dengan keamanan IoT dan OT industri — cek juga pilar itu untuk konteks ancaman yang lebih spesifik ke lingkungan pabrik.

Baca juga: FLOW BELAJAR CYBERSECURITY DARI NOL (Step-by-Step Sampai Mahir), framework belajar Security Jaringan dari Basic hingga Advanced, dan 5 Algoritma Machine Learning Paling Sering Digunakan.