2. Docenti
  3. 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
2022/2023

ANNO CORSO 2
ANNO ORDINAMENTO 2017
PRIMO 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 MACHINE LEARNING, DEL LINGUAGGIO C E DEL LINGUAGGIO PYTHON.
Contenuti
UNITA' DIDATTICA 1 - ADVERSARIAL MACHINE LEARNING
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 12/10/0)
1 (2 ORE LEZIONE): INTRODUZIONE ALL'ADVERSARIAL MACHINE LEARNING
2 (3 ORE LEZIONE): ADVERSARIAL ATTACKS
3 (2 ORE LEZIONE): ADVERSARIAL DEFENSES
4 (3 ORE ESERCITAZIONE): ADVERSARIAL ATTACKS IN PRATICA
5 (2 ORE ESERCITAZIONE): ADVERSARIAL DEFENSES IN PRATICA
6 (3 ORE LEZIONE): BIOMETRICS SPOOFING (IMPRONTE DIGITALI, VOLTI, VOCE, FIRMA)
7 (2 ORE ESERCITAZIONE): VALUTAZIONE DELLA ROBUSTEZZA DI UN SISTEMA DI FACE RECOGNITION
8 (3 ORE ESERCITAZIONE): VALUTAZIONE DELLA ROBUSTEZZA DI UN SISTEMA DI SPEAKER RECOGNITION
9 (2 ORE LEZIONE): GENERATIVE ADVERSARIAL NETWORKS
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: COMPRENSIONE DEI CONCETTI DI ADVERSARIAL MACHINE LEARNING, ADVERSARIAL ATTACKS E ADVERSARIAL DEFENSE, DELLE TECNICHE DI SPOOFING DELLE BIOMETRIE E DELLE RETI GENERATIVE PER LA CREAZIONE DI CAMPIONI SINTETICI.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: CAPACITÀ DI PROGETTARE E GENERARE ATTACCHI E DIFESE, NONCHÈ DI VALUTARNE LA ROBUSTEZZA, PER SISTEMI DI RICONOSCIMENTO BIOMETRICO.

UNITA' DIDATTICA 2 - MALWARE ANALYSIS
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 7/5/0)
10 (3 ORE LEZIONE): INTRODUZIONE ALLA MALWARE ANALYSIS
11 (2 ORE LEZIONE): METODOLOGIE DI MACHINE LEARNING PER IL RILEVAMENTO E LA CLASSIFICAZIONE DI MALWARE.
12 (3 ORE ESERCITAZIONE): STRUMENTI DI BASE PER L'ANALISI DI ESEGUIBILI, ESTRAZIONE DELLE FEATURE DA UN ESEGUBILE ED ADDESTRAMENTO DI DETECTOR DI MALWARE.
13 (2 ORE LEZIONE): ATTACCHI AI SISTEMI DI MALWARE DETECTION BASATI SU RETI NEURALI PROFONDE
14 (2 ORE ESERCITAZIONE): OFFUSCAMENTO DI MALWARE ED ATTACCHI AI SISTEMI DI MALWARE DETECTION
CONOSCENZE E CAPACITÀ DI COMPRENSIONE:
COMPRENSIONE DELLE PRINCIPALI PROBLEMATICHE LEGATE ALLA ANALISI DI FILE BINARY PER IL RILEVAMENTO DI MALWARE E DELLE METODOLOGIE DI MACHINE LEARNING DA APPLICARE PER IL RILEVAMENTO E LA CLASSIFICAZIONE DI MALWARE.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE:
CONOSCENZA DEI PRINCIPALI STRUMENTI PER L'ANALISI DEI FILE BINARI ED UTILIZZO DI QUESTI IN CONGIUNZIONE CON METODOLOGIE DI MACHINE LEARNING E DEEP LEARNING AL FINE DI REALIZZARE SISTEMI DI MALWARE DETECTION ROBUSTI.

UNITA' DIDATTICA 3 - ANOMALY DETECTION
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 3/3/0)
14 (3 ORE LEZIONE): INTRODUZIONE ALL'ANOMALY DETECTION
15 (3 ORE ESERCITAZIONE): METODI DI MACHINE LEARNING E DEEP LEARNING APPLICATI ALL'ANOMALY DETECTION
CONOSCENZE E CAPACITÀ DI COMPRENSIONE:
CONOSCENZA DELLE PRINCIPALI METODOLOGIE DI MACHINE LEARNING UTILIZZATE PER L'ANALISI DELLE ANOMALIE CON RIFERIMENTO ALL'ANALISI DEL TRAFFICO DI RETE ED ALL'ANALISI DEI MALWARE.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE:
CAPACITÀ DI REALIZZARE UN SISTEMA DI RILEVAMENTO DELLE ANOMALIE DAL TRAFFICO DI RETE UTILIZZANDO METODOLOGIE DI MACHINE LEARNING E DEEP LEARNING.
CAPACITÀ DI APPLICARE LE METODOLOGIE DI RILEVAMENTO DELLE ANOMALIE SU ALTRE PROBLEMATICHE DI SICUREZZA COME IL RILEVAMENTO DI MALWARE.

UNITA' DIDATTICA 4 - PROGETTO FINALE
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 0/0/8)
16 (1 ORE LABORATORIO): PRESENTAZIONE DELLE TRACCE DI PROGETTO
17 (2 ORE LABORATORIO): PROJECT WORK
18 (2 ORE LABORATORIO): PROJECT WORK
19 (3 ORE LABORATORIO): PROJECT WORK
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: COMPRENSIONE DELLE SPECIFICHE DEL PROGETTO FINALE
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: CAPACITÀ DI PROGETTARE E REALIZZARE IN GRUPPO UN SISTEMA ROBUSTO AD ATTACCHI MALEVOLI

TOTALE ORE LEZIONE/ESERCITAZIONE/LABORATORIO 22/18/8)
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: 2024-08-21]