tools for software configuration management

Modul 1 · Lab SOC mini: aturan deteksi, triase berbantuan AI, dan laporan insiden

Bangun lab SOC di laptop Anda memakai log serangan yang direkam ulang (dataset disediakan). Tulis aturan deteksi, ukur kinerjanya, lakukan triase dengan bantuan LLM, dan tulis laporan insiden lengkap. Setiap kesimpulan AI yang Anda pakai harus diverifikasi terhadap log asli. Tahapan pengerjaan • Kerangka: Arsitektur lab, sumber log, dan daftar teknik serangan yang ingin dideteksi beserta alasannya. • Draf: SIEM berjalan, log mengalir, dan minimal 5 aturan deteksi aktif beserta hasil uji awal. • Revisi: Minimal 8 aturan, positif palsu dikurangi berdasarkan data, alur triase berbantuan LLM berjalan, dan umpan balik reviewer ditindaklanjuti. • Final: Laporan insiden lengkap untuk skenario yang diberikan, catatan verifikasi atas kesimpulan AI, dan pemetaan ATT&CK.

Yang diserahkan: Tautan repositori berisi konfigurasi lab dan aturan deteksi, tabel kinerja deteksi (positif benar dan positif palsu), dan laporan insiden maksimal 5 halaman.

• Kualitas deteksibobot 30% · skor 0–4

  Aturan menangkap teknik sasaran dengan positif palsu yang terkendali dan terukur.

• Ketepatan triasebobot 25% · skor 0–4

  Prioritas dan eskalasi tepat; kesimpulan AI diverifikasi terhadap bukti, bukan diterima begitu saja.

• Investigasi dan kronologibobot 20% · skor 0–4

  Kronologi insiden akurat dan didukung bukti log.

• Laporan insidenbobot 15% · skor 0–4

  Laporan jelas untuk pembaca teknis dan manajemen, dengan rekomendasi yang bisa ditindaklanjuti.

• Pemetaan ATT&CKbobot 10% · skor 0–4

  Deteksi dipetakan dengan benar ke taktik dan teknik.

Modul 2 · Pipeline CI/CD dengan gerbang keamanan berlapis dan deploy GitOps yang teruji memblokir

Bangun pipeline untuk aplikasi contoh (disediakan) atau aplikasi Anda sendiri. Buktikan setiap gerbang bekerja dengan menyiapkan merge request yang sengaja berbahaya: rahasia yang ter-commit, dependensi rentan, image dengan kerentanan kritis, dan IaC yang membuka akses publik. Tahapan pengerjaan • Kerangka: Desain pipeline, daftar gerbang beserta kebijakan blokir atau peringatan, dan alasannya. • Draf: Pipeline berjalan dengan pemindaian kode, rahasia, dan dependensi. • Revisi: Pemindaian kontainer dan IaC, deploy GitOps, dan umpan balik reviewer ditindaklanjuti. • Final: Empat merge request berbahaya terblokir dengan bukti, SBOM dan tanda tangan artefak, serta kebijakan pengecualian.

Yang diserahkan: Tautan repositori dengan konfigurasi pipeline, tautan ke empat merge request uji beserta hasil pipeline-nya, dan dokumen kebijakan keamanan pipeline maksimal 3 halaman.

• Gerbang yang terbukti bekerjabobot 35% · skor 0–4

  Keempat perubahan berbahaya benar-benar terblokir dengan pesan yang jelas bagi pengembang.

• Desain kebijakanbobot 25% · skor 0–4

  Keseimbangan antara memblokir dan memperingatkan dibenarkan; pengecualian punya proses dan tenggat.

• Rantai pasokbobot 20% · skor 0–4

  SBOM dihasilkan dan artefak ditandatangani serta diverifikasi saat deploy.

• Deploy GitOpsbobot 20% · skor 0–4

  Deploy deklaratif, bisa diaudit, dan bisa dikembalikan ke versi sebelumnya.

Modul 3 · Pengamanan platform AI di cloud dengan model ancaman, kontrol berlapis, dan uji serangan

Amankan aplikasi AI contoh yang sengaja rentan, di lingkungan cloud milik Anda sendiri. Tulis model ancamannya, terapkan kontrol, lalu serang sistem Anda sendiri dengan minimal 10 skenario (termasuk prompt injection tidak langsung lewat dokumen yang diunggah) dan laporkan mana yang tertahan dan mana yang tidak. Semua pengujian hanya boleh dilakukan pada lingkungan milik Anda sendiri. Tahapan pengerjaan • Kerangka: Model ancaman (aset, pelaku, jalur serangan, prioritas) dan rancangan kontrol. • Draf: IAM, isolasi jaringan, dan pengelolaan rahasia diterapkan sebagai kode; pencatatan aktif. • Revisi: Kontrol khusus LLM diterapkan dan 10 skenario serangan dijalankan; umpan balik reviewer ditindaklanjuti. • Final: Laporan keamanan bergaya enterprise: ringkasan eksekutif, temuan, risiko yang tersisa beserta alasan menerimanya.

Yang diserahkan: Tautan repositori berisi kode infrastruktur dan aplikasi yang sudah diamankan, dokumen model ancaman, log uji serangan, dan laporan keamanan maksimal 6 halaman.

• Kualitas model ancamanbobot 25% · skor 0–4

  Ancaman diprioritaskan berdasarkan dampak dan kemungkinan, termasuk ancaman khas LLM; tidak sekadar daftar umum.

• Ketepatan kontrol cloudbobot 25% · skor 0–4

  IAM benar-benar minimum, jaringan terisolasi, dan rahasia terkelola, semuanya sebagai kode.

• Pertahanan aplikasi LLMbobot 25% · skor 0–4

  Prompt injection langsung dan tidak langsung serta kebocoran data ditangani berlapis, bukan dengan satu filter.

• Pengujian dan kejujuran temuanbobot 15% · skor 0–4

  Skenario serangan realistis; kegagalan kontrol dilaporkan apa adanya.

• Komunikasi risikobobot 10% · skor 0–4

  Laporan bisa dipakai pengambil keputusan; risiko yang tersisa beserta alasannya jelas.

Aplikasi pencatat keuangan pribadi berbasis web yang terbit di internet

Bangun aplikasi web pencatat keuangan pribadi dengan HTML, CSS, dan JavaScript murni (tanpa framework). Pengguna bisa menambah dan menghapus transaksi, melihat ringkasan pengeluaran per jenis, dan datanya tetap ada setelah halaman dimuat ulang. Seluruh pekerjaan dicatat di Git. Tahapan pengerjaan • Kerangka: Sketsa setiap layar, daftar fitur, dan struktur HTML awal di repositori GitHub. • Draf: Fitur tambah, hapus, dan ringkasan berjalan, dengan minimal 10 commit yang pesannya menjelaskan perubahan. • Revisi: Perbaikan dari umpan balik reviewer, tampilan ponsel, dan validasi masukan (nominal kosong atau negatif ditolak). • Final: Aplikasi terbit di GitHub Pages, README lengkap, dan video demo yang menjelaskan satu fungsi yang Anda tulis sendiri.

Yang diserahkan: Tautan aplikasi di GitHub Pages, tautan repositori dengan README (fitur dan cara menjalankan), dan video maksimal 3 menit yang menelusuri satu fungsi JavaScript buatan Anda baris demi baris.

• Fungsi sesuai spesifikasibobot 30% · skor 0–4

  Tambah, hapus, ringkasan, dan penyimpanan berjalan benar, termasuk saat data kosong.

• Kualitas kodebobot 25% · skor 0–4

  Nama variabel dan fungsi jelas, fungsi kecil dan berfokus, tanpa duplikasi yang tidak perlu.

• Responsif dan aksesibilitas dasarbobot 20% · skor 0–4

  Tampilan layak di ponsel dan desktop, kontras cukup, dan formulir punya label.

• Riwayat Git dan READMEbobot 15% · skor 0–4

  Commit bertahap dengan pesan yang bermakna; README cukup untuk orang lain menjalankan aplikasi.

• Pemahaman sendiribobot 10% · skor 0–4

  Video membuktikan Anda memahami kode yang Anda serahkan, bukan sekadar menyalin.

Pipeline CI/CD dengan gerbang keamanan berlapis dan deploy GitOps yang teruji memblokir

Bangun pipeline untuk aplikasi contoh (disediakan) atau aplikasi Anda sendiri. Buktikan setiap gerbang bekerja dengan menyiapkan merge request yang sengaja berbahaya: rahasia yang ter-commit, dependensi rentan, image dengan kerentanan kritis, dan IaC yang membuka akses publik. Tahapan pengerjaan • Kerangka: Desain pipeline, daftar gerbang beserta kebijakan blokir atau peringatan, dan alasannya. • Draf: Pipeline berjalan dengan pemindaian kode, rahasia, dan dependensi. • Revisi: Pemindaian kontainer dan IaC, deploy GitOps, dan umpan balik reviewer ditindaklanjuti. • Final: Empat merge request berbahaya terblokir dengan bukti, SBOM dan tanda tangan artefak, serta kebijakan pengecualian.

Yang diserahkan: Tautan repositori dengan konfigurasi pipeline, tautan ke empat merge request uji beserta hasil pipeline-nya, dan dokumen kebijakan keamanan pipeline maksimal 3 halaman.

• Gerbang yang terbukti bekerjabobot 35% · skor 0–4

  Keempat perubahan berbahaya benar-benar terblokir dengan pesan yang jelas bagi pengembang.

• Desain kebijakanbobot 25% · skor 0–4

  Keseimbangan antara memblokir dan memperingatkan dibenarkan; pengecualian punya proses dan tenggat.

• Rantai pasokbobot 20% · skor 0–4

  SBOM dihasilkan dan artefak ditandatangani serta diverifikasi saat deploy.

• Deploy GitOpsbobot 20% · skor 0–4

  Deploy deklaratif, bisa diaudit, dan bisa dikembalikan ke versi sebelumnya.

Refactor terukur atas satu modul kode warisan open source dengan bantuan AI

Pilih satu modul dari proyek open source yang punya kode sulit dirawat (fungsi panjang, duplikasi, tanpa tes). Kunci perilakunya dengan tes, lalu refactor bertahap dengan bantuan asisten coding AI. Setiap usulan AI yang Anda terima, ubah, atau tolak harus tercatat beserta alasannya. Tahapan pengerjaan • Kerangka: Modul yang dipilih, peta masalahnya (dengan metrik sederhana seperti panjang fungsi atau duplikasi), dan rencana langkah refactor. • Draf: Tes karakterisasi yang lulus terhadap kode asli, ditambah separuh langkah refactor dalam commit-commit kecil. • Revisi: Refactor selesai dengan perbaikan dari umpan balik reviewer. Log keputusan AI: minimal 10 usulan beserta keputusan Anda. • Final: Metrik sebelum dan sesudah, catatan bug yang Anda temukan dari usulan AI, dan pedoman penggunaan AI satu halaman untuk tim.

Yang diserahkan: Tautan fork repositori dengan riwayat commit, log keputusan AI (tabel usulan, keputusan, alasan), dan dokumen ringkas maksimal 3 halaman berisi metrik sebelum dan sesudah serta pedoman tim.

• Perilaku tetap terjagabobot 30% · skor 0–4

  Tes karakterisasi mencakup jalur penting dan tetap lulus setelah refactor; tidak ada perubahan perilaku yang tidak disengaja.

• Kualitas refactorbobot 25% · skor 0–4

  Struktur kode benar-benar lebih mudah dirawat dan metriknya membaik; commit kecil dan bisa di-review.

• Review kritis terhadap usulan AIbobot 30% · skor 0–4

  Usulan yang salah atau berisiko dikenali dan ditolak dengan alasan teknis yang tepat.

• Pedoman timbobot 15% · skor 0–4

  Pedoman penggunaan AI praktis, spesifik, dan bisa langsung diterapkan.