2. Docenti
  3. GRECO ANTONIO
  4. Didattica

ARTIFICIAL INTELLIGENCE FOR CYBERSECURITY

ANTONIO GRECO ARTIFICIAL INTELLIGENCE FOR CYBERSECURITY

0622700094
DIPARTIMENTO DI INGEGNERIA DELL'INFORMAZIONE ED ELETTRICA E MATEMATICA APPLICATA
CORSO DI LAUREA MAGISTRALE
INGEGNERIA INFORMATICA
2021/2022



OBBLIGATORIO
ANNO CORSO 2
ANNO ORDINAMENTO 2017
SECONDO SEMESTRE
CFUOREATTIVITÀ
324LEZIONE
324LABORATORIO
VINCENZO CARLETTI T Curriculum
ANTONIO GRECO Curriculum
Obiettivi
L’insegnamento mira all’acquisizione di competenze per la progettazione e realizzazione di
applicazioni per la sicurezza informatica basate sull’impiego di tecniche di intelligenza artificiale,
sulle tecniche di attacco basate su adversarial machine learning e relative contromisure.

Conoscenza e capacità di comprensione
Riconoscimento biometrico: algoritmi per il riconoscimento di impronte digitali, reali e fake (in
silicone), riconoscimento e verifica dell’autenticità di firme, algoritmi per l’identificazione del
parlante. Adversarial Machine Learning: tecniche di attacco e tecniche di difesa per sistemi di AI di
riconoscimento (voce, volto, impronta, firma). Tecniche biometriche multimodali: riconoscimento
biometrico mediante voce, volto, impronta, firma. Applicazioni di cybersecurity: rilevamento di
intrusioni in reti di calcolatori, rilevamento automatico di malware. Sistemi di videosorveglianza
intelligente: rilevamento di intrusioni e comportamenti anomali.

Conoscenza e capacità di comprensione applicate
Progettare ed implementare soluzioni software basate su artificial intelligence negli ambiti della
cybersecurity, dell’analisi biometrica, della videosorveglianza intelligente. Progettare e mettere in
atto semplici simulazioni di attacco per verificare il grado di vulnerabilità di un sistema.
Prerequisiti
PER IL PROFICUO RAGGIUNGIMENTO DEGLI OBIETTIVI PREFISSATI È RICHIESTA LA CONOSCENZA DEL LINGUAGGIO C E DEL LINGUAGGIO PYTHON.
Contenuti
Introduzione al corso (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 2/0/0)

Riconoscimento biometrico: algoritmi per il riconoscimento di impronte digitali, reali e fake (in silicone). Fingerprint Liveness Detection. Riconoscimento e verifica dell’autenticità di firme, algoritmi per l’identificazione del parlante. (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 8/6/0)

Adversarial Machine Learning: tecniche di attacco e tecniche di difesa per sistemi di AI di riconoscimento (voce, volto, impronta, firma). (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 8/6/0)

Tecniche biometriche multimodali: riconoscimento biometrico mediante voce, volto, impronta, firma. (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 4/2/0)

Applicazioni di cybersecurity: rilevamento di intrusioni in reti di calcolatori, rilevamento automatico di malware. (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 4/2/0)

Sistemi di videosorveglianza intelligente: rilevamento di intrusioni e comportamenti anomali. (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 4/2/0)

TOTALE ORE LEZIONE/ESERCITAZIONE/LABORATORIO 30/18/0
Metodi Didattici
L’INSEGNAMENTO CONTEMPLA LEZIONI TEORICHE, ESERCITAZIONI IN AULA ED ESERCITAZIONI PRATICHE DI LABORATORIO. NELLE ESERCITAZIONI IN AULA VENGONO ASSEGNATI AGLI STUDENTI, SIA INDIVIDUALMENTE CHE DIVISI PER GRUPPI DI LAVORO, DEI PROGETTO DA SVILUPPARE UTILIZZANDO I CONTENUTI DELL’INSEGNAMENTO. I PROGETTI SONO STRUMENTALI, OLTRE ALL’ACQUISIZIONE DELLE COMPETENZE E ABILITÀ SUI CONTENUTI DELL’INSEGNAMENTO, ANCHE A SVILUPPARE E RAFFORZARE LE CAPACITÀ DI LAVORARE IN TEAM. NELLE ESERCITAZIONI IN LABORATORIO GLI STUDENTI IMPLEMENTANO I PROGETTI ASSEGNATO UTILIZZANDO ROS.
PER POTER SOSTENERE LA VERIFICA FINALE DEL PROFITTO E CONSEGUIRE I CFU RELATIVI ALL’ATTIVITÀ FORMATIVA, LO STUDENTE DOVRÀ AVERE FREQUENTATO ALMENO IL 70% DELLE ORE PREVISTE DI ATTIVITÀ DIDATTICA ASSISTITA.
Verifica dell'apprendimento
LA PROVA DI ESAME È FINALIZZATA A VALUTARE NEL SUO COMPLESSO: LA CONOSCENZA E LA CAPACITÀ DI COMPRENSIONE DEI CONCETTI PRESENTATI AL CORSO; LA CAPACITÀ DI APPLICARE TALI CONOSCENZE PER LA RISOLUZIONE DI PROBLEMI DI PROGRAMMAZIONE CHE RICHIEDONO L’USO DI TECNICHE PER LA NAVIGAZIONE AUTONOMA DEL ROBOT; L’AUTONOMIA DI GIUDIZIO, LE ABILITÀ COMUNICATIVE E LA CAPACITÀ DI APPRENDERE.

LA PROVA SI ARTICOLA IN DUE FASI: UNA PRIMA CONSISTE IN UN COLLOQUIO ORALE E NELLA DISCUSSIONE DEI MID TERM PROJECTS SVOLTI DURANTE IL CORSO.UNA SECONDA FASE PREVEDE LA REALIZZAZIONE DI UN FINAL TERM PROJECT: GLI STUDENTI, DIVISI IN TEAM, DEVONO REALIZZARE UN SISTEMA FINALIZZATO AD UNA COMPETIZIONE TRA I VARI TEAM. SONO OGGETTO DI VALUTAZIONE LE SCELTE PROGETTUALI E METODOLOGICHE EFFETTUATE, INSIEME CON IL RISULTATO OTTENUTO DAL TEAM DURANTE LA COMPETIZIONE.LO SCOPO E’ QUELLO DI VALUTARE LE CONOSCENZE E LE CAPACITÀ DI COMPRENSIONE ACQUISITE, LA CAPACITÀ DI APPLICARE LE CONOSCENZE, L’AUTONOMIA DI GIUDIZIO E LA CAPACITÀ DI LAVORARE IN GRUPPO.

NELLA VALUTAZIONE FINALE, ESPRESSA IN TRENTESIMI, LA VALUTAZIONE DEI MID TERM PROJECTS E DEL COLLOQUIO ORALE PESERÀ PER IL 40%, MENTRE IL FINAL TERM PROJECT PESERÀ PER IL 60%. LA LODE POTRÀ ESSERE ATTRIBUITA AGLI STUDENTI CHE DIMOSTRINO DI SAPER APPLICARE LE CONOSCENZE ACQUISITE CON AUTONOMIA ANCHE IN CONTESTI DIVERSI DA QUELLI PROPOSTI NEL CORSO
Testi
DISPENSE FORNITE DAL DOCENTE

IL MATERIALE DIDATTICO SARà DISPONIBILE NELLA SEZIONE DEDICATA DELL'INSEGNAMENTO ALL'INTERNO DELLA PIATTAFORMA E-LEARNING DI ATENEO (HTTP://ELEARNING.UNISA.IT) ACCESSIBILE AGLI STUDENTI DEL CORSO TRAMITE LE CREDENZIALI UNICHE DI ATENEO
Altre Informazioni
L'INSEGNAMENTO E'EROGATO IN INGLESE
  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2022-11-21]