SMART-GUARD: Self-adaptive Multi-Agent Reinforcement learning Threat Guard dengan Game Theory dan Consensus Mechanisms untuk Enhanced Wireless Access Point Security

Abstract

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.