Mengatasi Masalah Halaman Web yang Gagal Akses Tersimpan dalam Cache

/in , /by

Masalah halaman web yang gagal diakses namun tetap tersimpan dalam cache memang sangat menjengkelkan bagi pengguna. Hal ini dapat disebabkan oleh berbagai faktor, mulai dari kesalahan sementara pada server hingga perubahan konten yang tidak terpantau.

Berikut beberapa solusi yang dapat Anda coba:

1. Memahami Mekanisme Cache

  • Jenis Cache: Pahami jenis cache yang terlibat, apakah itu cache browser, cache server, atau CDN. Setiap jenis cache memiliki mekanisme pembersihan yang berbeda.
  • TTL (Time To Live): TTL adalah waktu hidup suatu data dalam cache. Semakin pendek TTL, semakin cepat data usang dan digantikan dengan data yang baru.

2. Membersihkan Cache

  • Pengguna: Anjurkan pengguna untuk membersihkan cache browser mereka secara berkala. Caranya berbeda-beda tergantung pada browser yang digunakan.
  • Server: Konfigurasi server untuk secara otomatis menghapus cache setelah periode waktu tertentu atau ketika ada perubahan konten.
  • CDN: Hubungi penyedia CDN untuk mengetahui cara membersihkan cache pada jaringan mereka.

3. Mengatur TTL dengan Tepat

  • Konten Statis: Untuk konten yang jarang berubah, atur TTL yang lebih panjang.
  • Konten Dinamis: Untuk konten yang sering berubah, atur TTL yang lebih pendek.
  • Konten Sensitif: Untuk konten yang sangat sensitif terhadap perubahan, pertimbangkan untuk mematikan caching sama sekali.

4. Menggunakan Versi

  • Versioning: Tambahkan parameter versi pada URL untuk memaksa browser memuat versi terbaru dari file. Contoh: style.css?v=1.2.
  • Cache Busting: Gunakan timestamp atau nomor acak pada nama file untuk mencegah browser menggunakan versi yang sudah ada dalam cache.

5. Memanfaatkan Fitur Cache Control

  • HTTP Headers: Gunakan header HTTP seperti Cache-Control dan Expires untuk mengontrol perilaku caching pada browser dan server proxy.

6. Menggunakan Service Worker

  • Kontrol Cache: Service worker memungkinkan Anda memiliki kontrol penuh atas cache browser. Anda dapat menentukan strategi caching yang lebih kompleks dan menyesuaikannya dengan kebutuhan aplikasi Anda.

7. Memantau Kinerja Cache

  • Tools: Gunakan tools seperti Google Lighthouse atau WebPageTest untuk menganalisis kinerja cache dan mengidentifikasi masalah.
  • Log: Periksa log server untuk melihat pola akses dan perilaku cache.

8. Memastikan Perubahan Konten Terpropagasi

  • CDN: Pastikan perubahan pada server asal terpropagasi ke semua node CDN.
  • Server: Konfigurasi server untuk secara otomatis memperbarui cache ketika ada perubahan konten.

9. Menangani Kesalahan Server

  • Error Handling: Implementasikan mekanisme penanganan kesalahan yang baik untuk mencegah halaman error tersimpan dalam cache.
  • Retry Logic: Jika terjadi kesalahan, lakukan beberapa percobaan sebelum menyimpan halaman dalam cache.

10. Memberikan Pengalaman Pengguna yang Baik

  • Pesan Kesalahan: Tampilkan pesan kesalahan yang jelas dan informatif kepada pengguna.
  • Tombol Refresh: Berikan tombol refresh yang jelas untuk memungkinkan pengguna memuat ulang halaman secara manual.
  • Preloader: Tampilkan preloader untuk memberikan indikasi bahwa halaman sedang dimuat.

Mengatasi masalah cache yang buruk membutuhkan pendekatan yang komprehensif. Dengan memahami mekanisme cache, mengkonfigurasi server dengan benar, dan memberikan pengalaman pengguna yang baik, Anda dapat memastikan bahwa pengguna selalu melihat konten yang terbaru dan relevan.

Mengenal Avalanche Effect dalam Pengertian Dan Manfaat

/in , /by

Efek Avalanche: Perubahan Kecil, Dampak Besar

Efek avalanche atau dalam bahasa Indonesia sering disebut efek longsoran adalah sebuah konsep di mana perubahan kecil pada input suatu sistem dapat menghasilkan perubahan yang sangat besar dan tidak terduga pada outputnya. Bayangkan sebuah longsoran salju: sebuah butiran salju kecil yang jatuh dapat memicu longsoran besar yang mengubah seluruh lanskap.

Pengertian Sederhana

Dalam konteks teknologi informasi, efek avalanche sering dikaitkan dengan algoritma kriptografi, khususnya fungsi hash. Fungsi hash adalah algoritma yang mengubah data dengan ukuran berapa pun menjadi string dengan panjang tetap. Efek avalanche pada fungsi hash berarti bahwa perubahan sekecil apapun pada input data akan menghasilkan output hash yang sangat berbeda.

Contoh

Misalnya, Anda memiliki sebuah kalimat “Halo dunia”, maka :
nilai MD5=39bcd4bc98469b531bcc4d3913de7044, dan
nilai SHA1=a8b48dcd65cee2f68066831ab8ffb37da2fbe22b.

Jika Anda mengubah satu huruf saja, misalnya menjadi “Halo dunIa”, maka :

nilai MD5=73eb4ea5707ec8ead417381dc23862b2, dan
nilai SHA1=ab844e766ed3a538bec1131dc0ae493ed3d8a0da.

Perhatikan nilai hash yang dihasilkan akan sangat berbeda dari nilai hash sebelumnya. Inilah yang disebut efek avalanche. Padahal secara penuturan sama antara “Halo dunia” (kalimat pertama) dan “Halo dunIa” (kalimat kedua).

Manfaat Efek Avalanche

Efek avalanche memiliki beberapa manfaat penting, terutama dalam bidang keamanan data:

  • Integritas data: Jika data yang di-hash telah mengalami perubahan, bahkan perubahan sekecil apapun, nilai hash yang dihasilkan akan berbeda. Hal ini memungkinkan kita untuk mendeteksi apakah data telah diubah secara tidak sah.
  • Keamanan password: Password yang disimpan dalam database biasanya disimpan dalam bentuk hash. Efek avalanche membuat sangat sulit bagi hacker untuk menebak password asli hanya dengan mengetahui nilai hash-nya.
  • Digital signature: Tanda tangan digital menggunakan fungsi hash untuk memastikan integritas dan otentikasi data. Efek avalanche memastikan bahwa setiap perubahan kecil pada data akan menghasilkan tanda tangan digital yang berbeda.

Penerapan Lain

Selain dalam kriptografi, efek avalanche juga ditemukan dalam berbagai bidang lain, seperti:

  • Sistem kompleks: Perubahan kecil dalam sistem kompleks, seperti iklim atau ekonomi, dapat memicu perubahan besar yang sulit diprediksi.
  • Kecerdasan buatan: Jaringan saraf tiruan, yang merupakan dasar dari banyak sistem AI, seringkali menunjukkan efek avalanche di mana perubahan kecil pada bobot sinapsis dapat menghasilkan perubahan besar pada output.

Efek avalanche adalah konsep yang penting dalam memahami bagaimana perubahan kecil dapat memiliki dampak besar pada sistem yang kompleks. Dalam konteks keamanan data, efek avalanche memberikan jaminan bahwa data yang telah di-hash sulit untuk dimanipulasi tanpa terdeteksi.

Beberapa Tools Forensik Digital pada Jaringan yang dapat digunakan

/in /by

Forensik digital adalah cabang dari ilmu forensik yang berfokus pada identifikasi, pengumpulan, pemeriksaan, dan analisis bukti digital yang dapat ditemukan di perangkat elektronik. Tujuan utama forensik digital adalah untuk mengumpulkan bukti yang sah secara hukum yang dapat digunakan dalam investigasi kriminal, penyelesaian sengketa hukum, atau penyelidikan internal di organisasi. Forensik digital mencakup berbagai bidang, termasuk komputer, perangkat mobile, jaringan, dan media penyimpanan. Forensik digital jaringan adalah bidang yang kritis untuk mengidentifikasi, mengumpulkan, dan menganalisis bukti digital dari aktivitas jaringan. Berbagai alat tersedia untuk membantu forensik jaringan, masing-masing dengan kekuatan dan kegunaan yang berbeda. Pemilihan alat yang tepat tergantung pada kebutuhan spesifik investigasi dan kompleksitas jaringan yang sedang dianalisis.

composite of thumbs up with graphics on blue background

Beberapa Tools Forensik Digital pada Jaringan

Berikut adalah beberapa tools yang umum digunakan dalam forensik digital jaringan:

  1. Wireshark. Wireshark adalah alat analisis paket open-source yang memungkinkan pengguna untuk menangkap dan memeriksa data yang mengalir di jaringan. Wireshark  berfungsi untuk menganalisis lalu lintas jaringan secara rinci untuk mengidentifikasi anomali, menginvestigasi serangan, dan memecahkan masalah jaringan. Pada penerapannya, Wireshark dapat digunakan untuk mengidentifikasi dan memperbaiki masalah jaringan. Contohnya, jika ada keluhan tentang lambatnya koneksi internet, Wireshark dapat membantu mengidentifikasi apakah ada packet loss, latency tinggi, atau traffic yang tidak semestinya yang menyebabkan masalah tersebut. Penerapan yang lain untuk mendeteksi serangan dan ancaman keamanan, menganalisis protokol jaringan, memantau kinerja aplikasi yang berbasis jaringan, dan menguji dan memverifikasi konfigurasi jaringan misal pengaturan firewall, routing, atau perangkat lain berfungsi dengan benar.
  2. tcpdump. tcpdump adalah alat baris perintah untuk menangkap dan menganalisis paket jaringan. Tool ini berfungsi untuk menangkap lalu lintas jaringan dan menyimpannya dalam file untuk analisis lebih lanjut.
  3. NetworkMiner. NetworkMiner adalah alat analisis forensik jaringan yang dapat digunakan untuk mendeteksi sistem operasi, sesi, hostname, dan pengguna aktif dari data yang ditangkap. NetworkMiner mengumpulkan artefak yang berguna dari lalu lintas jaringan untuk analisis lebih lanjut.
  4. Nmap. Nmap (Network Mapper) adalah alat open-source untuk eksplorasi jaringan dan audit keamanan dan dapat menemukan host dan layanan di jaringan, serta memeriksa kerentanan.
  5. Nmap. Snort adalah sistem deteksi intrusi berbasis jaringan (NIDS) open-source, untuk memantau dan menganalisis lalu lintas jaringan untuk mendeteksi serangan atau aktivitas mencurigakan.
  6. Xplico. Xplico adalah alat open-source untuk rekonstruksi aplikasi data dari lalu lintas jaringan. Kegunaan Xplio untuki mengambil email, web, VoIP, dan data aplikasi lainnya dari lalu lintas jaringan yang ditangkap.
  7. Autopsy. Autopsy adalah antarmuka grafis untuk toolkit forensik digital open-source The Sleuth Kit, yang berfugsi  untuk menganalisis bukti digital dari berbagai sumber, termasuk perangkat jaringan.
  8. NetFlow Analyzers. NetFlow adalah teknologi yang dikembangkan oleh Cisco untuk mengumpulkan informasi tentang lalu lintas IP yang mengalir melalui router. Tools ini dapat menganalisis dan melaporkan pola lalu lintas jaringan untuk mendeteksi anomali dan aktivitas mencurigakan. Tools yang dapat digunakan yaitu SolarWinds, PRTG, ntop.

 

Enhancing Phishing Detection: A Novel Hybrid Deep Learning Framework for Cybercrime Forensics

/in /by

Enhancing Phishing Detection: A Novel Hybrid Deep Learning Framework for Cybercrime Forensics

FS Alsubaei, AA Almazroi, N Ayub
Protecting against interference is essential at a time when wireless communications are essential for sending large amounts of data. Our research presents a novel deep learning technique, the ResNeXt method and embedded Gated Recurrent Unit (GRU) model (RNT), rigorously developed for real-time phishing attack detection. Focused on countering the escalating threat of phishing assaults and bolstering digital forensics, our systematic approach involves SMOTE for managing data imbalance during initial data processing. The model’s discriminative capability is improved, particularly in the feature extraction process, when autoencoders and ResNet (EARN) are integrated with feature engineering. The ensemble technique of feature extraction reveals crucial data patterns. At the core of our AI categorization is the RNT model, optimized using hyperparameters through the Jaya optimization method (RNT-J). Rigorously tested on real phishing attack datasets, our AI model consistently outperforms state-of-the-art algorithms by a substantial margin of 11% to 19% while maintaining exceptional computing efficiency. Furthermore, our model achieves 98% accuracy, low false positive/false negative values, and a statistical execution time with a mean of 36.99s, median of 35.99s, minimum of 34.99s, maximum of 41.99s, and a standard deviation of 1.10s. Moreover, it demonstrates superior accuracy with SMOTE (98%) and without SMOTE (83%) compared to other algorithms. This state-of-the-art AI study, which focuses on digital forensics, offers enhanced security and optimized productivity for businesses and industries, signifying a breakthrough in the continuing battle against phishing attempts. Through strengthening protection against interference in wireless communication, our AI research strives to amplify data accessibility, resilience, and trustworthiness in the face of cybersecurity threats within the organizational context.
Baca juga :

Analysis of Digital Forensic Tools

/in /by

Analysis of Digital Forensic Tools

By Shaweta Sachdeva, B. L. Raina, and Avinash Sharma

Journal of Computational and Theoretical Nanoscience

Forensic data analysis is done with digital techniques. Digital forensics becomes more important in law enforcement, due to the large use of computers and mobile devices. The pattern recognition system most appropriately fits into the Analysis Phase of the Digital Forensics. Pattern Recognition involves two processes. One Process is an analysis and the second process is recognition. The result of the analysis is taken out of the attributes from the patterns to be recognized i.e., a pattern of  ifferent faces and fingerprints. These attributes are then utilized for the further process in the analysis phase which provides attention on various techniques of pattern recognition that are applied to digital forensic examinations and is proposed to develop different forensic tools to collect evidence that would be helpful to solve specific types of crimes. This evidence further helps the examiner in the analysis phase of the digital forensic process by identifying the applicable data

Source: Forensic Digital

 

Klasifikasi URL Berbahaya yang Efisien: MBERT – Varian BERT yang Dimodifikasi untuk Peningkatan Pemahaman Semantik

/in , /by

Klasifikasi URL Berbahaya yang Efisien: MBERT – Varian BERT yang Dimodifikasi untuk Peningkatan Pemahaman Semantik

Boyang Yu1, Fei Tang1, Daji Ergu1, Rui Zeng2, Bo Ma1, and Fangyao Liu1

1College of Electronic and Information, Southwest Minzu University, Chengdu, China
2College of Pharmacy, Southwest Minzu University, Chengdu, China

Corresponding author: Fangyao Liu (FLIU028@163.COM)

Situs web berbahaya menghadirkan ancaman besar terhadap keamanan dan privasi individu yang menggunakannya
internet. Pendekatan tradisional untuk mengidentifikasi situs-situs berbahaya ini sulit untuk diseimbangkan
strategi serangan yang berkembang. Dalam beberapa tahun terakhir, model bahasa telah muncul sebagai solusi potensial
secara efektif mendeteksi dan mengkategorikan situs web berbahaya. Penelitian ini memperkenalkan novel BiDirectional
Model Representasi Encoder dari Transformers (BERT), berdasarkan arsitektur encoder Transformer,
dirancang untuk menangkap karakteristik terkait dari alamat web berbahaya. Selain itu, bahasa berskala besar
model digunakan untuk pelatihan, penilaian kumpulan data, dan analisis interpretabilitas. Hasil evaluasi
menunjukkan efektivitas model bahasa besar dalam mengklasifikasikan situs web berbahaya secara akurat,
mencapai tingkat presisi yang mengesankan sebesar 94,42%. Performa ini melampaui bahasa yang ada
model. Selain itu, analisis interpretabilitas menyoroti proses pengambilan keputusan model,
meningkatkan pemahaman kita tentang hasil klasifikasinya. Kesimpulannya, model BERT yang diusulkan, dibangun
pada arsitektur encoder Transformer, menunjukkan kinerja yang kuat dan kemampuan interpretasi dalam identifikasi
dari situs web berbahaya. Ini menjanjikan sebagai solusi untuk meningkatkan keamanan pengguna jaringan dan melakukan mitigasi risiko yang terkait dengan aktivitas online berbahaya.

 

source: IEEE

PDF Analisis Forensik Pada Instagram dan Tik Tok Dalam Mendapatkan Bukti Digital Dengan Menggunakan Metode NIST 800-86

/in /by

PDF Analisis Forensik Pada Instagram dan Tik Tok Dalam Mendapatkan Bukti Digital Dengan Menggunakan Metode NIST 800-86

OLeh: MAD Putra, AW Muhammad, BP Zen, RY Kisworini, T Rohayati
Jurnal Sistem Informasi Galuh
Tindak kejahatan saat ini semakin meingkat pada perkembangan dari smartphone ini salah satunya adalah kejahatan dalam menggunakan media sosial. Instagram dan Tik Tok adalah salah satu aplikasi media sosial yang paling banyak penggunanya pada era ini. Semakin banyak pengguna media sosial ini, tidak menutup kemungkinan munculnya tindak kejahatan kepada sesama pengguna media sosial ini. Setiap kegiatan yang dilakukan didalam sosial media termasuk tindakan kejahatan meninggalkan sebuah bukti atau jejak digital baik yang dihapus atau tidak semua akan terlihat. Digital forensik adalah ilmu yang mempelajari bagaimana cara mendapatkan bukti digital yang diperoleh dari perangkat digital. Pada penelitian ini bertujuan untuk mengetahui proses menemukan bukti digital pada aplikasi media sosial Instagram dan Tik Tok yang diakses melalui smartphone menggunakan metode National Institute of Standards and Technology (NIST). Tahapan dalam metode digital forensic ini meliputi, Collection, Examination, Analysis, Reporting untuk mendapatkan bukti digital pada Instagram dan TikTok ini menggunakan tools berupa software pihak ke tiga yaitu MOBILedit Forensic Express, Autopsy dan tools FTK Imager. Dengan hasil akhir untuk aplikasi instagram tools mobiledit forensic express mampu mengakuisis bukti dengan presentase 0, 02%, untuk tools autopsy 40%, dan FTK Imager dengan presentase 57%. Pada aplikasi tiktok sendiri mobiledit forensic express mendapatkan presentase 27%, sedangkan autopsy sebesar 29%, dan yang terakhir tools FTK Imager dengan presentase 71%. Pada penelitian ini tools FTK Imager lebih unggul dalam akuisisi barang bukti diantara dua tools tersebut.
Sumber: PDF
Baca Juga:

Analisis Sentimen Pada Proyeksi Pemilihan Presiden 2024 Menggunakan Metode Support Vector Machine

/in /by

Analisis Sentimen Pada Proyeksi Pemilihan Presiden 2024 Menggunakan Metode Support Vector Machine

Oleh: Asno Azzawagama Firdaus, Anton Yudhana , Imam Riadi

DECODE: Jurnal Pendidikan Teknologi Informasi

Indonesia menganut sistem demokrasi dan Pemilihan Umum sebagai penerapan dari sistem tersebut. Pemilihan Presiden dan Wakil Presiden dilaksanakan tahun 2024 dan isu tersebut menjadi fokus perbincangan publik. Calon-calon dan koalisi pengusung terus melakukan kampanye politik secara tradisional maupun melalui media sosial. Twitter menjadi platform media sosial yang banyak digunakan oleh masyarakat untuk membicarakan isu Pemilihan Presiden. Keberpihakan masyarakat dapat diketahui pada diskusi yang ada di Twitter, namun diperlukan pembelajaran komputer yang mampu mengklasifikasi sentimen tersebut. Analisis sentimen digunakan sebagai salah satu teknik untuk mengklasifikasi sentimen masyarakat di Twitter tentang isu Pemilihan Presiden. Metode yang digunakan yaitu Support Vector Machine (SVM) untuk klasifikasi teks. Didapatkan hasil sentimen berdasarkan tiga dataset kandidat yang dipilih, yaitu anies baswedan 65,62%, ganjar pranowo 73,58%, dan prabowo subianto 66,34%. Hasil akurasi metode yang dimiliki oleh ketiga dataset yaitu anies baswedan 73%, ganjar pranowo 79% dan prabowo subianto 79%. Berdasarkan wordcloud popularitas kata yang muncul di Twitter dengan pembahasan Presiden 2024 secara berturut-turut adalah “prabowo subianto”, “presiden ri”, “calon presiden”, “ganjar pranowo”, hingga “anies baswedan”.

Kata kunci: pemilihan; sentiment; support vector machine; twitter.

Sumber: pdf

 

Forensics in the Internet of Things: Application Specific Investigation Model, Challenges and Future Directions

/in /by

Forensics in the Internet of Things: Application Specific Investigation Model, Challenges and Future Directions

by: MN Alam, T Sabo, MS Kabir

2023 4th International Conference for Emerging Technology (INCET)
Belgaum, India. May 26-28, 2023

The Internet of things (IoT) has already shaped avast network to share information among things and devices. Ithas numerous benefits for the business, consumers, medical, and many more areas. Despite IoT’s evolution and potential, it has several technical complexities and challenges to deploy. Technical challenging includes hardware, software, application framework, and communication standards and protocols. Moreover, other challenges include security, privacy, and safety. Cybercrime is a common issue in the network world and this opportunity has increased in the IoT base systems. It becomes difficult to
investigate due to Internet of Things base systems that have increased complexity as the numerous IoT devices and
ecosystems. As there are billions of devices connected to the internet as a result cyber criminals quickly attack the systems
over the network. Identifying such crimes is difficult to trace in the IoT base application. Digital forensic investigation is not the
complete solution in the IoT base systems investigation as the IoT systems work based on a different stage. In this paper, we have presented application specific investigation model to trace the IoT base systems attacker and also identified challenges of this investigation and the future direction of the IoT forensic.

Keywords— Internet of Things, Cybercrime, IoT Forensic, Digital forensic investigation

Source : pdf

Read more related link

PDF Analisis Forensik Pada Instagram dan Tik Tok Dalam Mendapatkan Bukti Digital Dengan Menggunakan Metode NIST 800-86

Analisis Bukti Digital Facebook Messenger Menggunakan Metode NIST

 

MUDROID: Android malware detection and classification based on permission and behavior for autonomous vehicles

/in /by

MUDROID: Android malware detection and classification based on permission and behavior for autonomous vehicles

by Binhui TangHai DaBochang WangJunfeng Wang

With the growing popularity of autonomous vehicles, ensuring their safety has become a significant concern. Vehicle manufacturers have incorporated the Android operating system to enhance user convenience. However, the Android operating system’s diversity and vulnerability may significantly impact autonomous vehicles because these natures lead to a critical threat in autonomous vehicle security: Android malware. The complex nature of multi‐data sources fusion in autonomous driving systems has resulted in low detection efficiency and accuracy for Android malware. Given the security requirements for autonomous‐driving systems, this article presents an Android malware classification method centered around the multifeature fusion and deep learning architecture designed to detect and classify Android malware within autonomous‐driving systems. The proposed MUDROID framework relies on the Android permission mechanism and behavioral feature to formulate a malware classification model. Comprising four essential components—feature extraction, representation, multifeature fusion, and classifier training, MUDROID leverages the advantages of CNN and GCN combination model and is adept at extracting and interpreting multidimensional features, consequently constructing a multifeature fusion classifier to amplify the efficiency and accuracy of Android malware detection and classification. The experiment results support MUDROID’s superior classification performance, with an impressive Android malware detection accuracy rate of 98.69% and family classification (95.42%). The proposed method can detect and classify Android malware effectively, thus elevating the security and robustness of the self‐driving system. Additionally, the approach in this article also addresses feature representation issues in detecting malware variants, facilitating the recognition of Android malware variants across diverse platforms.

Program Studi Informatika

Kampus 4
Jalan Ahmad Yani (Ringroad Selatan) Tamanan, Banguntapan, Bantul, Yogyakarta 55166
Telepon : (0274) 563515, 511830, 379418, 371120
Faximille : 0274-564604
Email : prodi[at]tif.uad.ac.id

Informasi Tentang

Universitas Ahmad dahlan

Portal Akademik

Calon Mahasiswa

Jadwal Kuliah

Kuliah Online

Journal @UAD

Digital Library

Repository

Conference @UAD

Fakultas Teknologi Industri

Daftar di UAD dan kembangkan potensimu dengan banyak program yang bisa dipilih untuk calon mahasiswa

Informasi PMB
Universitas Ahmad Dahlan

Telp. (0274) 563515
Hotline PMB
S1 – 0853-8500-1960
S2 – 0878-3827-1960

© 2021-2023 Program Studi Informatika | Home |