Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 202781 dokumen yang sesuai dengan query
cover
Martin Dominikus Tjandra
"ABSTRAK

Dionaea adalah honeypot yang memiliki tujuan utama mendapatkan salinan dari malware. Setelah mendapatkan salinannya, proses knowledge discovery dilakukan untuk mendapatkan informasi dari database Dionaea. Dua alasan utama penggunaan knowledge discovery adalah data terlalu banyak namun informasinya sedikit, dan untuk mengekstrak informasi yang berguna dan menafsirkannya. Proses knowledge discovery memiliki beberapa fase, yaitu pembersihan data, seleksi data, transformasi data, prekalkulasi, data mining, evaluasi pola, dan penyajian informasi. Proses data mining menggunakan variasi algoritma DBSCAN, yaitu multidensity DBSCAN. Analisis dibagi menjadi dua, yaitu analisis cluster dan dataset. Analisis cluster menjelaskan hubungan antara lokasi negara penyerang berdasarkan daerah Internet Registry-nya dan persentase deteksi malware berdasarkan beberapa vendor antivirus. Dari analisis dataset, didapatkan informasi bahwa malware yang paling sering digunakan penyerang atau tren malware, berjenis Downadup, yaitu sebesar 71.1%. Negara yang paling sering menyerang adalah Rusia dan beberapa negara Eropa. Sebagai pembanding, laporan tahunan yang dipublikasi Microsoft, ENISA, dan F-Secure pada akhir 2014 menunjukkan tren malware yang sama, yaitu berjenis Downadup.


ABSTRACT

The main purpose of implementation of Dionaea is to get copy of malwares. After that, knowledge discovery is applied to get information from Dionaea?s database. Two main reasons to use data mining method are data is too large but only contain few informations, and to extract useful informations and interpret them. Knowledge discovery process have several steps, they are data cleaning, data selection, data transformation, precalculation, data mining, pattern evaluation, and knowledge representation. Data mining process uses multidensity DBSCAN. There are two main sections of analysis, cluster analysis and dataset analysis. Cluster analysis show the relation between attackers? country location which is based on their Regional Internet Registry and malware detection rate from several antivirus vendor. Dataset analysis shows the most frequent country whose attacker is Conficker variant, 71.1% of all dataset is Conficker worm incident and the mode of attacker country is Russia and severals Europe countries. This outputs show similarity about threat landscape and malware in Asia, compared to annual report by Microsoft, Enisa, and F-Secure which was published at the end of 2014, which stated Downadup as most frequent malware.

"
2015
S60211
UI - Skripsi Membership  Universitas Indonesia Library
cover
Muhammad Fiqih Arahman
"Di era digital dengan pertumbuhan data yang sangat pesat, pengelolaan database menjadi semakin penting untuk mendukung kinerja sistem secara efektif dan efisien. Optimasi database melalui tuning parameter menjadi sangat penting dalam menangani volume data yang kian besar dari tahun ke tahun. Akan tetapi, proses tuning manual akan sangat kompleks dan memakan waktu karena melibatkan banyak parameter yang saling mempengaruhi dengan nilai yang bersifat diskrit dan kontinyu. Untuk mengatasi hal tersebut, penelitian ini mengusulkan implementasi auto tuning pada database MongoDB, yang merupakan database populer untuk NoSQL. Algoritma Hybrid Firefly dan Particle Swarm Optimization (FAPSO) akan digunakan untuk melakukan tuning parameter pada database. Penelitian ini akan dilakukan dengan dua skema database yaitu single node mode dan cluster mode. Untuk mengevaluasi hasil kinerja algoritma tersebut, akan dilihat rata-rata latensi dan throughput yang akan dibandingkan dengan nilai hasil dari algoritma firefly, PSO, dan parameter default dari database. Hasil dari penelitian menunjukkan bahwa algoritma FAPSO memberikan performa terbaik dalam pengujian kueri find() baik pada single node dan cluster mode dengan rataan latensi lebih rendah berturut-turut 7,43% dan 4,16% dari parameter default, serta throughput tertinggi hingga 42548,94 ops/detik pada skema single node dan 38245,91 pada skema cluster. Pada pengujian kueri lookup(), FAPSO unggul dalam beban kerja yang lebih rendah untuk kedua skema basis data dengan rataan latensi lebih rendah 0,23% dari parameter default dan throughput hingga 12338,05 ops/detik pada skema single node.

In this digital era with rapid data growth, database management has become increasingly important to support system performance effectively and efficiently. Database optimization through parameter tuning is important in handling the growing volume of data year by year. However, manual tuning processes are very complex and time consuming, because they involve numerous interdependent parameters with both discrete and continuous values. To address this issue, this research proposes the implementation of auto-tuning on MongoDB, which is a popular NoSQL database. Hybrid Firefly and Particle Swarm Optimization (FA-PSO) algorithm will be used to perform parameter tuning on the database. This research will be conducted on two database schemes, single-node mode and cluster mode. To evaluate the performance of the algorithm, the average latency and throughput will be measured and compared with the firefly algorithm, PSO, and default parameters of the database without tuning. The results of this research show that the FAPSO algorithm gives the best performance in find() query testing in both single node and cluster mode with an average of latency of 7,43% and 4,16% respectively from the default parameters, as well as the highest throughput of up to 42548,94 ops/sec on single node scheme and 38245,91 on the cluster scheme. On lookup() query tests, FAPSO excels in lower workloads for both database schemas with an average latency of 0.23% lower than default parameters and a throughput of up to 12338,05 ops/sec on the single node scheme. "
Depok: Fakultas Teknik Universitas Indonesia, 2025
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Rob, Peter
Australia: Course Technology, 2002
005.74 ROB d
Buku Teks SO  Universitas Indonesia Library
cover
Rob, Peter
Belmont, California: Wadsworth, 1993
005.74 ROB d
Buku Teks SO  Universitas Indonesia Library
cover
Elmasri, Ramez
California: Benjamin Cummings, 1994
005.74 ELM f
Buku Teks SO  Universitas Indonesia Library
cover
Ramakrishnan, Raghu
Boston: McGraw-Hill, 1998
005.74 RAM d
Buku Teks SO  Universitas Indonesia Library
cover
Date, C.J.
Reading Mass.: Addison-Wesley, 1981
005.74 DAT i
Buku Teks SO  Universitas Indonesia Library
cover
Date, C.J.
Reading Mass.: Addison-Wesley, 1981
005.74 DAT i
Buku Teks SO  Universitas Indonesia Library
cover
Elmasri, Ramez
Menlo Park CA: Benjamin Cummings, 1994
005.74 ELM f
Buku Teks SO  Universitas Indonesia Library
cover
Elmasri, Ramez
Menlo Park CA: Benjamin Cummings, 1989
005.74 ELM f
Buku Teks SO  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>