2. Didattica
  3. Internazionalizzazione della Didattica
  4. Singoli insegnamenti erogati in lingua inglese

ARTIFICIAL INTELLIGENCE FOR CYBERSECURITY

Internazionalizzazione della Didattica ARTIFICIAL INTELLIGENCE FOR CYBERSECURITY

Indietro

0622700094
DIPARTIMENTO DI INGEGNERIA DELL'INFORMAZIONE ED ELETTRICA E MATEMATICA APPLICATA
CORSO DI LAUREA MAGISTRALE
INGEGNERIA INFORMATICA
2025/2026



ANNO CORSO 2
ANNO ORDINAMENTO 2022
SECONDO SEMESTRE
CFUOREATTIVITÀ
324LEZIONE
216ESERCITAZIONE
18LABORATORIO
- T
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
ADVERSARIAL MACHINE LEARNING: TECNICHE DI ATTACCO E TECNICHE DI DIFESA PER SISTEMI DI AI PER L'ANALISI DI IMMAGINI E TESTO.
APPLICAZIONI DI CYBERSECURITY: RILEVAMENTO DI INTRUSIONI IN RETI DI CALCOLATORI, RILEVAMENTO AUTOMATICO DI MALWARE, ANOMALY DETECTION SU TRAFFICO DI RETE, ANALISI STATICA DEL CODICE.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE
PROGETTARE ED IMPLEMENTARE SOLUZIONI SOFTWARE BASATE SU ARTIFICIAL INTELLIGENCE NEGLI AMBITI DELLA
CYBERSECURITY, IN ATTACCO E IN DIFESA. PROGETTARE E METTERE IN ATTO SEMPLICI SIMULAZIONI DI ATTACCO E DIFESA 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 - AI VS CYBERSECURITY
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 15/13/0)
1 (5 ORE LEZIONE): INTRODUCTION TO ARTIFICIAL INTELLIGENCE FOR CYBERSECURITY
2 (5 ORE LEZIONE): ADVERSARIAL MACHINE LEARNING
3 (5 ORE ESERCITAZIONE): ADVERSARIAL ATTACKS IN PRACTICE
4 (5 ORE ESERCITAZIONE): ADVERSARIAL DEFENSES IN PRACTICE
5 (3 ORE ESERCITAZIONE): FACE RECOGNITION ROBUSTNESS EVALUATION
6 (2 ORE LEZIONE): LLM FOUNDATIONS FOR ADVERSARIAL AI
7 (3 ORE LEZIONE): ADVERSARIAL ATTACKS WITH PROMPTS
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: COMPRENSIONE DEI CONCETTI DI ADVERSARIAL MACHINE LEARNING, ADVERSARIAL ATTACKS E ADVERSARIAL DEFENSE, APPLICATI A SISTEMI DI ANALISI E GENERAZIONE DELLE IMMAGINI E DEL TESTO.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: CAPACITÀ DI PROGETTARE E GENERARE ATTACCHI E DIFESE, NONCHÈ DI VALUTARNE LA ROBUSTEZZA, PER SISTEMI DI ANALISI E GENERAZIONE DELLE IMMAGINI E DEL TESTO.

UNITA' DIDATTICA 2 - AI FOR CYBERSECURITY
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 10/7/0)
8 (5 ORE LEZIONE): MALWARE ANALYSIS AND MALWARE OBFUSCATION
9 (5 ORE ESERCITAZIONE): MALWARE ANALYSIS AND OBFUSCATION IN PRACTICE
10 (5 ORE LEZIONE): NETWORK ANOMALY DETECTION AND STATIC CODE ANALYSIS
11 (2 ORE ESERCITAZIONE): NETWORK ANOMALY DETECTION AND STATIC CODE ANALYSIS IN PRACTICE

CONOSCENZE E CAPACITÀ DI COMPRENSIONE:
COMPRENSIONE DELLE PRINCIPALI PROBLEMATICHE LEGATE ALLA ANALISI DI FILE BINARI PER IL RILEVAMENTO DI MALWARE E DELLE METODOLOGIE DI MACHINE LEARNING DA APPLICARE PER IL RILEVAMENTO E LA CLASSIFICAZIONE DI MALWARE. METODI PER L'ANOMALY DETECTION SUL TRAFFICO DI RETE E PER L'ANALISI STATICA DEL CODICE.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE:
CONOSCENZA DEI PRINCIPALI STRUMENTI PER L'ANALISI DEI FILE BINARI, PER L'ANOMALY DETECTION E PER L'ANALISI STATICA DEL CODICE ED UTILIZZO DI QUESTI IN CONGIUNZIONE CON METODOLOGIE DI MACHINE LEARNING E DEEP LEARNING AL FINE DI REALIZZARE SISTEMI DI PROTEZIONE ROBUSTI.

UNITA' DIDATTICA 3 - PROGETTO FINALE
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 0/0/3)
12 (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 27/18/3)
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, DEGLI ESERCIZI DA SVILUPPARE UTILIZZANDO I CONTENUTI DELL’INSEGNAMENTO. LE ESERCITAZIONI 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 STRUMENTI ALLO STATO DELL'ARTE.
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
IL RAGGIUNGIMENTO DEGLI OBIETTIVI DELL’INSEGNAMENTO È CERTIFICATO MEDIANTE IL SUPERAMENTO DI UN ESAME CON VALUTAZIONE IN TRENTESIMI. L'ESAME PREVEDE LA DISCUSSIONE DI UN PROGETTO REALIZZATO IN GRUPPO (CON GRUPPI DI 3-4 PERSONE) E UN COLLOQUIO ORALE INDIVIDUALE.
LA REALIZZAZIONE DEL PROGETTO È VOLTA A DIMOSTRARE LA CAPACITÀ DI APPLICARE LE TECNICHE DI INTELLIGENZA ARTIFICIALE A PROBLEMI REALI DI CYBERSECURITY (ADVERSARIAL MACHINE LEARNING, MALWARE ANALYSIS, INTRUSION DETECTION SYSTEMS). LA DISCUSSIONE DEL PROGETTO PREVEDE UNA DIMOSTRAZIONE PRATICA DEL FUNZIONAMENTO DEL SISTEMA REALIZZATO E LA DIFESA DELLE SCELTE PROGETTUALI RIPORTATE NELLA RELAZIONE DI PROGETTO.
IL COLLOQUIO ORALE MIRA A VERIFICARE IL LIVELLO DELLE CONOSCENZE E DELLA COMPRENSIONE DEGLI ARGOMENTI AFFRONTATI NEL CORSO, NONCHÉ LA CAPACITÀ DI ESPOSIZIONE DELLO STUDENTE.
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
  • Didattica