Corso di laurea

TELECOMMUNICATIONS ENGINEERING: ADVANCED TECHNOLOGIES AND SERVICES

Università degli Studi di L'Aquila · 35 materie · 0 file condivisi

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

ADVANCED AND SOFTWARE DEFINED NETWORKS 1° anno · 2° semestre · 9 CFU · IINF-03/A · 0 file

Scopo del corso è fornire agli studenti conoscenze avanzate sul funzionamento delle reti di telecomunicazione e sulla loro evoluzione verso paradigmi programmabili, virtualizzati e automatizzati. Il corso è organizzato…

Scheda dell'insegnamento

Obiettivi formativi

Scopo del corso è fornire agli studenti conoscenze avanzate sul funzionamento delle reti di telecomunicazione e sulla loro evoluzione verso paradigmi programmabili, virtualizzati e automatizzati. Il corso è organizzato in tre principali aree tematiche. La prima riguarda i meccanismi fondamentali di switching e routing nelle reti tradizionali, con particolare attenzione alle architetture Ethernet, alle VLAN, ai protocolli di spanning tree, ai protocolli di routing e ai principi di MPLS. La seconda area affronta l'evoluzione verso reti controllate e gestite tramite software, introducendo i paradigmi di Software Defined Networking (SDN), Network Function Virtualization (NFV), Service Function Chaining e Network Slicing. Particolare attenzione è dedicata ai protocolli e ai modelli per il controllo, la configurazione e l'automazione della rete, quali OpenFlow, NETCONF, YANG e OpenConfig, nonché alle tecnologie di containerizzazione, orchestrazione e automazione tipiche degli ambienti cloud-native e NetDevOps, quali Docker, Kubernetes e pipeline CI/CD. La terza area è dedicata ai sistemi radiomobili e alla loro evoluzione, dai sistemi cellulari di seconda generazione fino alle moderne reti 5G. Vengono approfonditi i principi architetturali del 5G Core e le tecniche di disaggregazione, virtualizzazione e programmabilità delle reti di accesso radio secondo il paradigma O-RAN. L'obiettivo complessivo del corso è fornire allo studente una visione integrata delle reti moderne, combinando gli aspetti protocollari e architetturali con gli strumenti software utilizzati per la loro configurazione, automazione, sperimentazione e gestione.

Programma

Architettura gerarchica delle reti switched. Principi di funzionamento degli switch Ethernet. Virtual LAN (VLAN), trunking e inter-VLAN routing. Spanning Tree Protocol e principali varianti. Ridondanza e prevenzione dei loop nelle reti Ethernet. Principi di instradamento nelle reti IP. Routing statico e dinamico. Concetti fondamentali dei protocolli Interior Gateway Protocol. Routing IPv4 e IPv6. Introduzione a Multiprotocol Label Switching (MPLS), principi di label switching e principali scenari di utilizzo. Introduzione alle Software Defined Networks (SDN). Separazione tra control plane e data plane. Architetture SDN centralizzate e distribuite. Controllo software della rete tramite il protocollo OpenFlow. Interfacce e protocolli per la configurazione e la gestione programmabile della rete. NETCONF, YANG e OpenConfig. Principi di network programmability e network automation. Network Function Virtualization (NFV). Virtual Network Functions e Cloud-native Network Functions. Service Function Chaining. Principi di Network Slicing. Tecnologie per la virtualizzazione, il deployment e l'orchestrazione delle funzioni di rete. Introduzione a Docker e Kubernetes. Concetti di containerizzazione, deployment, scaling e gestione del ciclo di vita dei servizi. Principi di NetDevOps. Automazione delle operazioni di rete e utilizzo di pipeline Continuous Integration/Continuous Deployment in contesti di networking. Strumenti e metodologie per la simulazione, l'emulazione e la virtualizzazione delle reti software-defined e delle infrastrutture di telecomunicazione. Principi fondamentali dei sistemi radiomobili e loro evoluzione dalle reti 2G alle reti 5G. Evoluzione delle architetture di rete mobile e principali funzionalità introdotte dalle diverse generazioni. Architettura 5G Core. Principi della Service-Based Architecture, separazione delle funzioni di rete e supporto alla virtualizzazione e al network slicing. Introduzione alle architetture Open Radio Access Network (O-RAN). Disaggregazione della Radio Access Network, virtualizzazione delle funzioni di accesso radio, principi di controllo programmabile della RAN e introduzione ai concetti di RAN Intelligent Controller. Applicazioni delle reti mobili, software-defined e virtualizzate in scenari sperimentali e nei sistemi di trasporto intelligente.

Sono richieste conoscenze di base del modello protocollare ISO/OSI e dell'architettura TCP/IP, nonché dei principali concetti relativi allo switching e al routing nelle reti di calcolatori. Per una migliore comprensione degli argomenti relativi alle reti radiomobili, sono inoltre utili conoscenze di base sui principi di trasmissione e ricezione dei segnali nei sistemi di telecomunicazione.

Il corso prevede lezioni frontali dedicate alla presentazione degli aspetti teorici, protocollari e architetturali, affiancate da esercitazioni e attività di laboratorio finalizzate all'applicazione pratica dei concetti trattati. Le attività di laboratorio prevedono l'utilizzo di strumenti software per la configurazione, l'emulazione, la virtualizzazione, l'automazione e l'orchestrazione delle reti. Gli studenti svolgeranno inoltre una tesina o un progetto, individualmente o in gruppo, finalizzato all'approfondimento e all'applicazione sperimentale di uno o più argomenti trattati durante il corso.

Modalità d'esame

L'esame è composto da due parti: la discussione di una tesina o di un progetto e una prova orale. Nella presentazione della tesina o del progetto, lo studente dovrà dimostrare la capacità di progettare e realizzare una soluzione relativa al controllo, alla gestione o all'orchestrazione di una rete in un contesto sperimentale, simulato o emulato. La valutazione terrà conto della correttezza metodologica del lavoro svolto, della capacità di individuare metriche significative per valutare la soluzione proposta, della qualità dell'analisi sperimentale e della capacità di interpretare criticamente i risultati ottenuti. La prova orale consiste generalmente in due o tre domande sui principali argomenti affrontati durante il corso. Essa è finalizzata a verificare la conoscenza degli aspetti teorici e architetturali, la comprensione dei principali problemi di progettazione e gestione delle reti e la capacità dello studente di individuare soluzioni protocollari e architetturali appropriate nei contesti di switching e routing, reti mobili, Software Defined Networking, virtualizzazione e orchestrazione delle funzioni di rete. La valutazione complessiva tiene conto sia della padronanza dei contenuti teorici sia della capacità di applicarli a problemi progettuali e sperimentali.

Testi di riferimento

Il materiale didattico utilizzato durante il corso, incluse slide, documentazione tecnica e materiale per le attività di laboratorio, sarà reso disponibile attraverso il sito web o la piattaforma didattica del corso. Testi di riferimento: A. S. Tanenbaum, D. J. Wetherall, Computer Networks. M. S. Iacobucci, Reconfigurable Radio Systems: Network Architectures and Standards. A. Al-Dulaimi et al., 5G Networks: Fundamental Requirements, Enabling Technologies, and Operations Management. P. Göransson, C. Black, T. Culver, Software Defined Networks: A Comprehensive Approach. Y. Zhang, Network Function Virtualization: Concepts and Applicability in 5G Networks. R. Chayapathi, S. F. Hassan, P. Shah, Network Functions Virtualization (NFV) with a Touch of SDN. Ulteriore documentazione tecnica, articoli scientifici, standard e specifiche tecniche potranno essere indicati durante il corso per l'approfondimento di argomenti specifici.

Codice insegnamento 37597

ANTENNAS AND RF SUBSYSTEMS 1° anno · 1° semestre · 9 CFU · IINF-02/A · 0 file

Lo scopo dell’insegnamento è fornire allo studente le conoscenze fondamentali della Radiazione Elettromagnetica e delle Antenne usate nei Sistemi di Telecomunicazioni e in Elettronica.Dopo aver superato l’esame lo…

Scheda dell'insegnamento

Obiettivi formativi

Lo scopo dell’insegnamento è fornire allo studente le conoscenze fondamentali della Radiazione Elettromagnetica e delle Antenne usate nei Sistemi di Telecomunicazioni e in Elettronica.Dopo aver superato l’esame lo studente avrà acquisito competenze sia di tipo teorico che operativo. Avrà profonda conoscenza dei Metodi e dei Modelli (sia analitici che numerici) per la caratterizzazione di molteplici tipi di Antenna e avrà sviluppato abilità pratiche nell’utilizzo di CAD Elettromagnetico e strumentazione di laboratorio.La prima parte del Modulo tratta la modellazione di giunzioni a microonde e di alcuni dispositivi usati nei circuiti a microonde. La seconda parte, più estesa, affronta la modellazione della Radiazione Elettromagnetica e delle Antenne.Argomenti di questo Modulo includono:- metodi matematici per la modellazione della radiazione elettromagnetica;- antenne a filo;- antenne a microstriscia;- antenne ad apertura;- schiere di antenne;- giunzioni passive a microonde;- esercitazioni e laboratorio: modellazione numerica, realizzazione e caratterizzazione strumentale di un dispositivo a microonde o un’antenna.

Programma

Introduzione alle antenne: parametri principali delle antenne, diagramma di radiazione, densità di potenza irradiata, intensità di radiazione, direttività, concetto di apertura ed altezza efficace, polarizzazione, impedenza d'ingresso, resistenza di radiazione, guadagno, efficienza di radiazione, larghezza del fascio, larghezza di banda, campo vicino e campo lontano, formula di Friis, equazioni duali per le sorgenti elettriche e magnetiche.Adattamento di antenne: adattamento in potenza ed uniformità, coefficiente di riflessione e di disadattamento.Antenne a filo: dipolo infinitesimo, campo vicino, campo lontano, direttività, radiazione da distribuzione di correnti arbitrarie, dipolo di lunghezza finita, dipolo a mezz'onda. Impedenza d'antenna: considerazioni teoriche e sperimentali, metodo dei momenti, equazione integrale di Hallen, dipoli accoppiati, impedenza mutua, filo di corrente difronte a piano metallico, antenne a monopolo, dipolo ripiegato, antenna biconica, dipolo corto. Balun, T-match, gamma-match.Array di antenne : array lineare, circolare e planare, moltiplicazione dei diagrammi, array monodimensionale uniforme, array broad side, array end fire, diagramma di radiazione, direttività, larghezza del fascio, direzione dei nulli, fattore di array.Array parassiti: antenna Yagi-Uda.Antenne indipendenti in frequenza ed autocomplementari: antenna log-periodica ed antenna a spirale.Antenne a microstriscia: patch rettangolare.Antenne ad apertura: radiazione da apertura planare, metodo della trasformata di Fourier, metodo del teorema di equivalenza, radiazione da apertura rettangolare, apertura con illuminazione uniforme, apertura con variazione lineare di fase, apertura tapered, irradiazione da guida d'onda rettangolare aperta, antenne a tromba, antenne E-horn, H-horn e piramidale.Antenne a riflettore: antenne a riflettore parabolico, efficienza di apertura, direttività, introduzione alle antenne paraboliche offset, sistemi di antenna a doppio riflettore, sistemi a doppio riflettore sagomato.Antenne come scatteratori, sistemi di Identificazione a Radio Frequenza, modo struttura, modo antenna.Circuiti a microonde: potenza, energia, attenuazione dei modi in guida d'onda, perdite nei conduttori, impedenza superficiale, cavo coassiale, strutture guidanti planari, microstrisce, introduzione alle cavità risonanti, giunzioni a microonde, giunzioni reciproche e senza perdite, matrice di scattering, giunzioni ad una porta e a due porte.Esercitazioni: progettazione ed analisi di modelli di antenne mediante CAD elettromagnetico.Attività di laboratorio: realizzazione dei dispositivi progettati durante le esercitazioni; misura del return loss, insertion loss, di antenne e circuiti a microonde.

Sono propedeutiche la teoria dei campi elettromagnetici, delle linee di trasmissione, delle guide d'onda, delle onde piane e dei circuiti elettrici.

Lezioni teoriche (60% del tempo) vengono alternate ad esercitazioni di laboratorio ed esercitazioni numeriche in aula (30%) con la finalità di acquisire, oltre alla conoscenza e comprensione teorica degli argomenti trattati, sia la capacità di capire e risolvere problemi anche complessi con l’aiuto dei CAD elettromagnetici che l’abilità pratica con la strumentazione del laboratorio.Al fine di stimolare la capacità di elaborare relazioni tecnico/scientifiche e il lavoro in team, è richiesta la produzione di una tesina/report riguardante lo sviluppo e la misura del dispositivo progettato lavorando in piccoli gruppi.Per favorire il contatto con la realtà lavorativa ed applicativa, l’insegnamento è spesso completato con seminari di esperti provenienti preferibilmente dal mondo dell’industria e con visite presso aziende o enti che sviluppano o fanno uso di antenne e dispositivi a microonde.

Modalità d'esame

L’accertamento del processo di apprendimento viene effettuato con continuità durante lo svolgimento delle lezioni, delle esercitazioni e delle attività di laboratorio. Gli studenti sono coinvolti in discussioni e proposte di strategie durante le lezioni teoriche e per lo svolgimento del lavoro di tesina. In base al livello di preparazione percepito il docente può adattare i contenuti dell’insegnamento.Accertamento dei risultati di apprendimento: l'esame è scritto e orale. Vengono assegnate 3 domande a cui lo studente risponde avvalendosi di carta e penna ovvero della lavagna. E' parte integrante dell’esame la presentazione e la discussione del lavoro di tesina di cui è richiesta una relazione scritta. Nella relazione lo studente dovrà illustrare criticamente le scelte fatte e i risultati ottenuti.L’esame è rivolto alla valutazione della padronanza degli argomenti trattati sia dal punto di vista teorico che dal punto di vista operativo. Sono elementi di indagine:- il livello di conoscenza acquisito dei diversi modelli d’antenna e dispositivi a microonde (30% del voto finale);- la capacità di operare con grafici, tabelle, parametri e modelli sia analitici che numerici (30%);- la capacità di impostare la risoluzione di problemi tipici di Ingegneria delle Telecomunicazioni ed Elettronica (10%).Il lavoro e l’esposizione della tesina hanno un peso del 30% sulla valutazione finale.L’attribuzione del voto rifletterà i seguenti quattro livelli di preparazione- sufficiente: conoscenza base dei modelli d’antenna e dei dispositivi a microonde;- adeguata: abilità critica nell’analisi dei modelli e una basilare capacità operativa;- buona: raggiungimento di un buon livello della capacità operativa;- approfondita: padronanza del formalismo matematico, saper fare connessioni e saper impostare la risoluzione di problemi elettromagnetici complessi.

Testi di riferimento

Robert Collin, "Antennas and Radiowave Propagation", McGraw-Hill;Costantine Balanis, "Antenna Theory: Analysis and Design", Wiley & Son;David Pozar, "Microwave Engineering", Wiley;

Codice insegnamento 35843

ARTIFICIAL INTELLIGENCE 1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file

Obiettivi formativi del modulo Lo scopo dell'insegnamento è quello di fornire allo studente la possibilità di comprendere i concetti di base relativi all’intelligenza artificiale, a partire da una introduzione, per poi…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivi formativi del modulo Lo scopo dell'insegnamento è quello di fornire allo studente la possibilità di comprendere i concetti di base relativi all’intelligenza artificiale, a partire da una introduzione, per poi proseguire con un excursus storico, fino alla definizione e all’utilizzo di agenti intelligenti, ricerca euristica e ricerca predittiva. Saranno inoltre studiati i concetti di base relativi alla rappresentazione della conoscenza, al ragionamento probabilistico, al ragionamento probabilistico nel tempo ed al reinforcement learning.

Programma

  • Introduzione: Che cos'è l'IA, i fondamenti dell'intelligenza artificiale, la storia dell'intelligenza artificiale, lo stato dell'arte, i rischi e i vantaggi dell'IA (4 ore). - Agenti intelligenti: agenti e ambienti, comportamento corretto: il concetto di razionalità, la natura degli ambienti, la struttura degli agenti (4 ore). - Rappresentazione della conoscenza: ingegneria ontologica, categorie e oggetti, eventi (6 ore). - Quantificazione dell'incertezza: agire in condizioni di incertezza, notazione di base della probabilità, inferenza utilizzando distribuzioni congiunte complete, indipendenza, regola di Bayes e suo utilizzo, modelli Naive Bayes (6 ore). - Ragionamento probabilistico: rappresentazione della conoscenza in un dominio incerto, semantica delle reti bayesiane, inferenza approssimativa per le reti bayesiane (4 ore). - Ragionamento probabilistico nel tempo: tempo e incertezza, inferenza nei modelli temporali, modelli di Markov nascosti (6 ore). - Reinforcement Learning: Learning from Rewards, Passive Reinforcement Learning, Active Reinforcement Learning, Generalization in Reinforcement Learning, Policy Search, Apprenticeship and Inverse Reinforcement Learning, Applications of Reinforcement Learning (6 ore). - Heuristic Search (6 ore). - Predictive Search (6 ore). - Bootstrapping Predictive search (6 ore).

Conoscenza di base di strutture dati e programmazione.

Lezioni ed esercizi con la partecipazione attiva degli studenti.

Modalità d'esame

La valutazione dell'apprendimento comprende: - un esame scritto (50%); - homework relativi a Heuristic Search, Predictive Search, Bootstrapping Predictive search (25%); - homework relativo alla restante parte del corso (25%). Il voto finale dello studente è calcolato come media ponderata dei punteggi ottenuti nelle tre parti sopra menzionate. Per quanto riguarda l'esame scritto, ad ogni domanda è assegnato un punteggio massimo. Il voto finale dello studente viene calcolato sommando i punteggi ottenuti per ciascuna domanda. Nello specifico, gli studenti dovranno rispondere a domande teoriche relative all'introduzione (10%), agli agenti intelligenti (15%), alla rappresentazione della conoscenza (15%), alla quantificazione dell'incertezza (15%), al ragionamento probabilistico (15%), al ragionamento probabilistico nel tempo (15%) e all'apprendimento per rinforzo (15%). Se il compito scritto dello studente contiene elementi poco chiari, incoerenti o che impediscono in altro modo al docente di effettuare una valutazione obiettiva, il docente può chiedere allo studente di discutere tali aspetti oralmente. Per quanto riguarda l'homework relativo alla restante parte del corso, esso verrà assegnato durante il corso e dovrà essere consegnato tre giorni prima dell'esame scritto. Dopo l'esame scritto, gli studenti avranno l'opportunità di discutere oralmente i loro compiti.

Testi di riferimento

Per questo corso non è previsto alcun libro di testo ufficiale. Tuttavia, di seguito è riportato un elenco (non esaustivo) di libri consigliati (le diapositive del corso potrebbero essere basate su materiali tratti da alcuni di essi): LIBRI GENERALI: - Russell, Norvig, 2021 - Artificial Intelligence: A Modern Approach, 4th ed. (https://aima.cs.berkeley.edu/global-index.html) - Aggarwal, 2021 - Artificial Intelligence: A Textbook (http://www.charuaggarwal.net) - Frankish, Ramsey (2014) - The Cambridge Handbook of Artificial Intelligence (https://www.cambridge.org/core/books/cambridge-handbook-of-artificial-intelligence/3DCB2E04739722A99EDE86B7A34A30E3) Libri sull'intelligenza artificiale simbolica e incentrata sull'agente: - Poole, Mackworth, 2023 - Artificial Intelligence: Foundations of Computational Agents, 3rd ed. (https://artint.info/3e//html/ArtInt3e.html) LIBRI SUL MACHINE LEARNING: - Aggarwal, 2023 - Neural Networks and Deep Learning - A Textbook, 2nd ed. (http://www.charuaggarwal.net) - Mitchell, 1997 - Machine Learning (https://www.cs.cmu.edu/~tom/mlbook.html)

Codice insegnamento 35820

ARTIFICIAL INTELLIGENCE FOR MEDICAL IMAGING 1° anno · 2° semestre · 6 CFU · INF/01 · 0 file

L’insegnamento esplorerà le fondamentali tecniche automatiche di Intelligenza Artificiale (AI) per l’acquisizione, il processamento, l’analisi e la interpretazione dei dati da Medical Imaging (MI). Tra i argomenti…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento esplorerà le fondamentali tecniche automatiche di Intelligenza Artificiale (AI) per l’acquisizione, il processamento, l’analisi e la interpretazione dei dati da Medical Imaging (MI). Tra i argomenti trattati figurano anche i principali database pubblici di dati MI utili per addestrare, validare e testare le tecniche automatiche e per poterne fare confronti incrociati. L’insegnamento ambisce a fornire gli aspetti teorici e pratici, specifici per il MI.

Programma

Panoramica sulle principali metodiche di MI; Panoramica sulle tecniche di AI nell’image processing; Accesso ai maggiori database pubblici di dati da MI; Applicazione di tecniche AI allo smart sampling: campionamento adattivo e ricostruzione delle immagini; AI applicato alla riduzione del rumore e degli artefatti; AI applicato nella interpretazione e quantificazione delle immagini biomediche; Processo di validazione delle tecniche AI per il MI; Presentazione di alcuni casi di studio; Qualità, regolamentazione e questioni Etiche.

Programmazione di sistemi informatici, familiarità con strategie di AI, familiarità con le principali tecniche di image processing (un corso specifico di image processing sarebbe preferibile). Consigliata la conoscenza dell’ambiente Matlab.

Non è prevista una verifica formale dei prerequisiti richiesti, ma tale valutazione verrà fatta durante il processo formativo. Le attività di insegnamento saranno principalmente lezioni sugli argomenti trattati, con esempi che richiamano applicazioni specifiche del corso di studi. Domande e discussioni con gli studenti saranno finalizzate a stimolare e, contestualmente, a controllare il processo di apprendimento. Esempi pratici verranno forniti, risolti e discussi collegialmente.

Modalità d'esame

La prova d’esame consisterà in una prova orale di 4-5 domande (durata massima 1 ora) avente lo scopo di accertare il livello di conoscenza sulle proprietà principali del MI (20% del voto finale) e sulle tecniche di AI specifiche per l’MI (30% del voto finale), di accertare la capacità nell'applicare tali tecniche (30% del voto finale) e l’abilità di fornire soluzione a problemi aperti (20% del voto finale) Non sono previste prove intermedie. L’esame servirà ad accertare il raggiungimento degli obiettivi. I criteri per la valutazione saranno: il livello di conoscenza degli argomenti, le capacità di applicarli a nuovi scenari, la chiarezza e la completezza delle argomentazioni utilizzate.

Testi di riferimento

Libro di testo dal titolo: Artificial Intelligence in Medical Imaging: opportunities, applications and risks. E.R. Ranschaert, S. Morozov, P.R. Algra, Springer, 2019. Dispense integrative preparate dal docente.

Codice insegnamento 37913

BIOELETTROMAGNETISMO COMPUTAZIONALE PER LA BIOMEDICA 1° anno · 1° semestre · 6 CFU · IIET-01/A · 0 file

Gli obiettivi del corso sono quelli di fornire allo studente le conoscenze di base per affrontare e risolvere problemi di bioelettromagnetismo computazionale. Durante il corso verranno esaminate le tecniche numeriche più…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi del corso sono quelli di fornire allo studente le conoscenze di base per affrontare e risolvere problemi di bioelettromagnetismo computazionale. Durante il corso verranno esaminate le tecniche numeriche più idonee a risolvere problemi di: 1) dosimetria numerica a seguito di esposizioni a sorgenti elettromagnetiche (EM), sia in bassa (LF) che alta frequenza (RF); 2) progettazione di applicazioni biomedicali facenti uso di campi EM.

Programma

1. INTRODUZIONE: Richiami sulle equazioni differenziali parziali (PDEs), richiami di elettromagnetismo, richiami sulla teoria della conduzione del calore. 2. MODELLI NUMERICI DEL CORPO UMANO: 2.1. Caratterizzazione EM dei tessuti biologici e loro dispersione in frequenza. 2.2. Caratterizzazione termica dei tessuti biologici, vascolarizzazione sanguigna. 3. PROBLEMI EM NEL BIOELETTROMAGNETISMO: 3.1. Dosimetria numerica in bassa frequenza (LF): problemi di risoluzione con approssimazione elettro-quasi-statica (EQS), problemi di risoluzione con approssimazione magneto-quasi-statica (MQS), metodo del potenziale scalare alle differenze finite (SPFD). 3.2. Dosimetria numerica a radiofrequenza (RF): metodo delle differenze finite nel dominio del tempo (FDTD), metodo delle differenze finite nel dominio del tempo per mezzi dispersivi (FD2TD), metodo degli elementi finiti (FEM). 4. PROBLEMI TERMICI NEL BIOELETTROMAGNETISMO: 4.1. Introduzione alla dosimetria termica. 4.2. Risoluzione numerica dell'equazione del biocalore (BHE): modelli continui di BHE, modelli discreti vascolari di BHE. 5. STRUMENTI NUMERCI NEL BIOELETTROMAGNETISMO:5.1. Introduzione ai software commerciali: Sim4Life, COMSOL Multiphysics. 5.2. Strumenti numerici Ad-Hoc: codici numerici in Matlab e Python. High Performance Computing (HPC) in Life Science.6. APPLICAZIONI BIOELETTROMAGNETICHE: 6.1. Applicazioni in bassa frequenza: Deep brain stimulation (DBS), Transcranial direct current stimulation (tDCS), Transcranial magnetic stimulation (TMS), Magnetoterapia, dispositivi impiantabili medici attivi (AIMDs). 6.2. Applicazioni in alta frequenza: Microwave breast imaging (MBI), Applicazioni termiche: radioterapia, ipertermia.

Sono richieste le conoscenze di base di fisica tecnica, campi elettromagnetici e calcolo scientifico.

Le attività di insegnamento saranno costituite da: - lezioni frontali e discussioni partecipate in classe; - esercitazioni numeriche comprendenti compiti a casa ed in classe e stesura di codici; - tesine di gruppo in un sistema cooperativo.

Modalità d'esame

L'esame consiste in due prove distinte: una discussione di una tesina relativa alla risoluzione di un problema bioelettromagnetico ed una prova orale. Il voto finale è calcolato considerando il peso delle diverse parti: tesina (50%), esame orale (50%). L’attribuzione del voto rifletterà i seguenti quattro livelli di preparazione: - sufficiente: conoscenza base delle tecniche numeriche per applicazioni bioelettromagnetiche; - adeguata: acquisizione di una basilare abilità di risoluzione delle tecniche numeriche per applicazioni bioelettromagnetiche; - buona: raggiungimento di una buona capacità di risoluzione delle tecniche numeriche per applicazioni bioelettromagnetiche; - approfondita: raggiungimento di una piena padronanza nell'utilizzo di tecniche numeriche per applicazioni bioelettromagnetiche.

Testi di riferimento

1. M. O. Sadiku, Numerical Techniques in Electromagnetics. 2nd Edition CRC Press, 2001. 2. V. De Santis. Models and Methods for Bioelectromagnetic Applications. PhD Thesis, 2010. 3. R Trobec, B. Slivnik, P. Bulic, B. Robic. Introduction to Parallel Computing. Springer, 2018.

Codice insegnamento 37951

CLINICAL TRIAL AND NEUROIMAGING 1° anno · 1° semestre · 6 CFU · PHYS-06/A · 0 file

------------------------------------------------------------ Modulo: DB0145 - CLINICAL TRIALS (mutua dall'attività formativa CLINICAL TRIALS - DB0145 del CdS BIOTECNOLOGIE MEDICHE E FARMACEUTICHE - B4DR)…

Scheda dell'insegnamento

Obiettivi formativi

------------------------------------------------------------ Modulo: DB0145 - CLINICAL TRIALS (mutua dall'attività formativa CLINICAL TRIALS - DB0145 del CdS BIOTECNOLOGIE MEDICHE E FARMACEUTICHE - B4DR) ------------------------------------------------------------ The aim of this module is to provide knowledge and expertise to correctly design, read and manage a clinical trial. In details, on successful completion of this module the student should: - know the phases and methods of drug discovery: from laboratory to clinical practice; - know and use biomedical information sources; - know the rules and regulatory aspects of clinical trials; - be able to design a clinical trial. - critically read, interpret, and comment on the results of a clinical trial; - be able to evaluate the quality of clinical trials. ------------------------------------------------------------ Modulo: DM0623 - NEUROIMAGING (mutua dall'attività formativa NEUROIMAGING - DM0623 del CdS NEUROSCIENCES - F4SR) ------------------------------------------------------------ l’insegnamento concorre all’obiettivo formativo del CdS di fornire quelle conoscenze che sono utili per costruire il profilo professionale. Il corso ha lo scopo di introdurre lo studente all’imaging digitale, manipolazione di immagini, estrazione di dati quantitative e loro visualizzazione. Fornirà inoltre le nozioni fondamentali, la capacità di comprensione e le capacità operative relative ai principi e metodi del Neuroimaging (USI, MRI, CT, SPECT, PET, fNIRS, MEG). Il corso approfondirà la conoscenza delle principali metodologie di imaging del cervello e degli agenti di contrasto utilizzati, con enfasi per la risonanza magnetica e dimostrazioni pratiche nel laboratorio di imaging di risonanza magnetica (MRI).

Programma

------------------------------------------------------------ Modulo: DB0145 - CLINICAL TRIALS (mutua dall'attività formativa CLINICAL TRIALS - DB0145 del CdS BIOTECNOLOGIE MEDICHE E FARMACEUTICHE - B4DR) ------------------------------------------------------------ Contents - Stages of clinical research. - Classification of clinical trials. - Clinical trial planning (scientific background and rationale; choice of centers and data collection; the research protocol). - Clinical trial aspects (participants, inclusion criteria, enrollment, enrollment ethics, primary and secondary outcomes, use of subjective clinical parameters as outcome measures, follow-up). - Analysis and interpretation of data from a clinical trial. - Regulation of clinical research (ethics committees, regulatory bodies, privcy, conflicts of interest). - Quality of clinical trials (validity, clinical relevance, applicability, societal value). Laboratory and practical class: - Use of online biomedical sources - Critical analysis of documents from a real clinical trial - Use of online sources of Regulatory Bodies ------------------------------------------------------------ Modulo: DM0623 - NEUROIMAGING (mutua dall'attività formativa NEUROIMAGING - DM0623 del CdS NEUROSCIENCES - F4SR) ------------------------------------------------------------ Caratteristiche delle immagini digitali e relativi metodi di analisi/elaborazione. Principi di analisi e sintesi di Fourier (serie, trasformata). Strumenti di calcolo numerico (Excel) e di elaborazione immagini (ImageJ). Fit di dati con Excel. Principi di Neuroimaging con ultrasuoni (USI), risonanza magnetica nucleare (MRI morfologico, diffusione, funzionale), tomografia computerizzata (CT), tomografia ad emissione di singolo fotone (SPECT), tomografia ad emissione di positroni (PET), imaging funzionale nel vicino infrarosso (fNIRS), magnetoencefalografia (MEG). Proprietà ed efficacia di mezzi di contrasto per Neuroimaging con risonanza magnetica.

------------------------------------------------------------ Modulo: DB0145 - CLINICAL TRIALS (mutua dall'attività formativa CLINICAL TRIALS - DB0145 del CdS BIOTECNOLOGIE MEDICHE E FARMACEUTICHE - B4DR) ------------------------------------------------------------ The students are required to know the fundamental basis of biostatistics ------------------------------------------------------------ Modulo: DM0623 - NEUROIMAGING (mutua dall'attività formativa NEUROIMAGING - DM0623 del CdS NEUROSCIENCES - F4SR) ------------------------------------------------------------ Conoscenza di base del programma di Fisica Generale e Applicata CL triennale Biologia e Biotecnologie. Conoscenza di base di Excel.

------------------------------------------------------------ Modulo: DB0145 - CLINICAL TRIALS (mutua dall'attività formativa CLINICAL TRIALS - DB0145 del CdS BIOTECNOLOGIE MEDICHE E FARMACEUTICHE - B4DR) ------------------------------------------------------------ Lectures conducted by presentation slides with both text and images, and active learning. Reading and interpretation of scientific articles related to clinical trials for analysis of results. Interactive lectures on searching online biomedical sources and regulatory documents. Attendance is strongly suggested. Learning methods can be adapted on the basis of any indications from the University Commission for Disability. ------------------------------------------------------------ Modulo: DM0623 - NEUROIMAGING (mutua dall'attività formativa NEUROIMAGING - DM0623 del CdS NEUROSCIENCES - F4SR) ------------------------------------------------------------ L’attività di apprendimento si svolge attraverso lezioni teoriche frontali, esercitazioni al PC, tutorial sull’uso di base di fogli elettronici tipo Excel, seminari tematici, esperienze nel laboratorio di risonanza magnetica.

Modalità d'esame

------------------------------------------------------------ Modulo: DB0145 - CLINICAL TRIALS (mutua dall'attività formativa CLINICAL TRIALS - DB0145 del CdS BIOTECNOLOGIE MEDICHE E FARMACEUTICHE - B4DR) ------------------------------------------------------------ ORAL ASSESSMENT. The exam consists of at least 3 oral questions related to different topics covered in the course. The student must provide evidence of the acquired knowledge and understanding of the major aspects underlining the design and management of clinical trials. For the evaluation of the achievement of the learning objectives, the assignment of the mark will reflect the following levels of preparation: < 18 insufficient: Fragmentary and superficial knowledge of the topics, deficient presentation; 18 – 20 sufficient: Sufficient but superficial knowledge of the essential topics, sufficient but with uncertainties presentation; 21 – 23 fair: Appropriate but not in-depth knowledge of the topics, ability to present the topics in a simple way; 24 – 26 good: Knowledge of the topics appropriate and broad, ability to present the topics in an articulated way; 27 – 29 very good: Accurate and in-depth knowledge of the topics, very good capacity for analysis and synthesis, and correct presentation; 30-30 cum laude, excellent: Very broad, complete and in-depth knowledge of the topics, excellent ability in analysis, synthesis, mastery of presentations. The introductory section of the course (Stages of clinical research) will count for about 10% on the final grade while the topics related to clinical trial will count for 80% on the final grade. For the laboratory and practical class there is not a formal assessment but during the exam the student is required to know the potential and the limits of the covered of online biomedical sources (10% of the final grade). The use of clear and correct scientific language will be also evaluated. The assignment of the mark will reflect the evaluation of the achievement of the learning objectives of the entire integrated course although partial evaluations of the acquired knowledge will be possible. The final mark of the integrated course is the mathematical average of the outcomes of the individual modules weighted on the corresponding credit point values (CFU). The learning assessment can be adjusted on the basis of any indication from the University Disability Commission. ------------------------------------------------------------ Modulo: DM0623 - NEUROIMAGING (mutua dall'attività formativa NEUROIMAGING - DM0623 del CdS NEUROSCIENCES - F4SR) ------------------------------------------------------------ L’accertamento del processo di apprendimento si basa su: 1) Prova pratica (15/30 punti) durante lo svolgimento del corso: Excel, ImageJ e analisi dei dati MRI. 2) Prova orale (15/30 punti) sulla discussione di un articolo scientifico di Neuroimaging. I criteri per la valutazione di quest’ultima saranno il livello di conoscenza dei principi fisici ed applicativi del Neuroimaging presentati nel corso, la capacità di applicarli in un contesto biomedico, l’appropriatezza del linguaggio scientifico utilizzato, la chiarezza e completezza delle spiegazioni.

Testi di riferimento

------------------------------------------------------------ Modulo: DB0145 - CLINICAL TRIALS (mutua dall'attività formativa CLINICAL TRIALS - DB0145 del CdS BIOTECNOLOGIE MEDICHE E FARMACEUTICHE - B4DR) ------------------------------------------------------------ Professor's material. Any textbooks for selected topics will be recommended during the lessons ------------------------------------------------------------ Modulo: DM0623 - NEUROIMAGING (mutua dall'attività formativa NEUROIMAGING - DM0623 del CdS NEUROSCIENCES - F4SR) ------------------------------------------------------------ L. Kirkup, “Data Analysis for Physical Scientists: Featuring Excel®”, 2nd edition, Cambridge University Press (2012) [Chaps: 1, 2, 3, 4, 5, 6]. R.C. Gonzales, R.E. Woods, “Digital Image Processing”; Prentice Hall. [Chaps: 1, 2, 3, 4]. P. Tofts, “Quantitative MRI of the Brain”, Wiley, 2003. H. Op De Beeck and C. Nakatani, “Introduction to Human Neuroimaging”, Cambridge Fundamentals of Neuroscience in Psychology (2019).

Codice insegnamento 41874

CLOUD ARCHITECTURE AND SERVICES: ADVANCED 1° anno · 2° semestre · 3 CFU · IINF-03/A · 0 file

Il corso si pone l’obiettivo di fornire le conoscenze e le abilità minime necessarie alla gestione di sistemi di cloud computing e alla progettazione di servizi tramite gli stessi. Si desidera rendere lo studente…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si pone l’obiettivo di fornire le conoscenze e le abilità minime necessarie alla gestione di sistemi di cloud computing e alla progettazione di servizi tramite gli stessi. Si desidera rendere lo studente capace di esprimere un giudizio sulla qualità dei servizi erogati dall’architettura di riferimento, permettendogli di progettare nuove soluzioni, ove necessario, allineante agli standard attuali. Il corso ambisce a sviluppare il giudizio critico dello studente verso queste nuove tecnologie, analizzato pregi e difetti delle architetture esistenti. L’obiettivo è raggiunto analizzando le tecnologie alla base delle architetture cloud (e.g., virtualizzazione di macchine, memorie e reti), i modelli dati innovativi (e.g., modelli noSQL), ed utilizzando le diverse modalità di erogazione dei servizi offerte dal cloud (e.g., IaaS, PaaS, SaaS, etc.). Sono inoltre presentate le maggiori problematiche di sicurezza e privacy. Questi aspetti sono studiati, dove possibile, tenendo come riferimento le architetture delle principali soluzioni commerciali (e.g., Amazon Web Service, etc.). Gli obiettivi formativi sono parte delle finalità formative del Corso di Studi, in quanto la coerenza del corso di laurea in Ingegneria Informatica è stata verificata e armonizzata in fase di progettazione dello stesso. In particolare, l’insegnamento concorre alle competenze caratterizzanti comuni ai due curricula, specificatamente per quanto riguarda le metodologie di progettazione di servizi cloud. RISULTATI DI APPRENDIMENTO - Learning Objectives (LO) Al termine dell’insegnamento, lo/a studente/ssa sarà in grado di: LO1 - CONOSCERE e COMPRENDERE il paradigma del cloud computing, il processo di progettazione di servizi cloud, le relative metodologie, i framework di sviluppo, i parametri di valutazione delle proposte progettuali, nonché – per ognuno di questi aspetti - le variabili che ne influenzano la scelta LO2 - APPLICARE TALI CONOSCENZE alla progettazione di servizi cloud che tengano conto dei contesti d’uso, delle caratteristiche dell’utente e dei suoi compiti, e delle piattaforme tecnologiche LO3 - VALUTARE CRITICAMENTE l’adeguatezza delle soluzioni proposte LO4 - DISCUTERE le giustificazioni progettuali ed ESPORRE i concetti in modo scientificamente corretto e rigoroso sia oralmente che per iscritto LO5 - APPRENDERE IN MODO AUTONOMO ed ESPORRE testi di approfondimento correlati ai temi di progetti LO6 - APPLICARE TALI CONOSCENZE ai progetti assegnati

Programma

Modulo 1 – Panoramica dei concetti cloud (3h): lo scopo di questo modulo è introdurre gli studenti al cloud computing e cosa possono offrire i servizi cloud. Vengono presentati anche alcuni provider cloud (ad es. Amazon Web Services (AWS)) Modulo 2 – Cloud Economics and Billing (2h): lo scopo di questo modulo è introdurre gli studenti ai vantaggi aziendali per il passaggio al cloud. Il modulo inizia spiegando la filosofia dei prezzi dei servizi cloud e il concetto generale di costo totale di proprietà. Questi concetti sono importanti da comprendere per gli studenti perché potrebbero aver bisogno di fare affidamento su di essi nelle loro carriere come professionisti del cloud. Modulo 3 – Panoramica dell'infrastruttura cloud (2,5 ore): lo scopo di questo modulo è introdurre l'infrastruttura cloud. Modulo 4 – Cloud Security (2,5h): lo scopo di questo modulo è introdurre l'approccio alla sicurezza cloud e alcuni concetti correlati (ad es. Modello di responsabilità condivisa, protezione dei dati) Modulo 5 – Networking e Content Delivery (3h): lo scopo di questo modulo è introdurre gli studenti ai servizi fondamentali di cloud networking e content delivery, incluso il Virtual Private Cloud (VPC). Modulo 6 – Compute (2h): lo scopo di questo modulo è introdurre molti dei servizi di calcolo offerti dai servizi cloud. Facendo riferimento ad AWS, questi servizi includono Amazon Elastic Compute Cloud (Amazon EC2), AWS Lambda, AWS Elastic Beanstalk, Amazon Elastic Container Service (Amazon ECS), Amazon Elastic Container Registry (ECR) e Amazon Elastic Kubernetes Service. Modulo 7 – Archiviazione (2h): Lo scopo di questo modulo è introdurre gli studenti alle varie opzioni per l'archiviazione dei dati nel cloud. Il modulo descrive quattro diverse tecnologie di archiviazione. Il modulo si concentra sui servizi di archiviazione descritti in modo che gli studenti possano decidere quale servizio di archiviazione utilizzare per i vari casi d'uso. Lo storage è uno dei principali servizi cloud ed è importante che gli studenti comprendano i vantaggi e gli svantaggi di ciascuna tecnologia. Il modulo si conclude con un'attività che offre agli studenti l'opportunità di applicare ciò che hanno appreso a uno scenario del mondo reale. Modulo 8 – Database (3h): Lo scopo di questo modulo è introdurre gli studenti a quattro dei servizi di database più comunemente usati. Il modulo descrive quattro diversi servizi di database. Il modulo si concentra sui servizi di database descritti in modo che gli studenti possano decidere quale servizio di database utilizzare per i vari casi d'uso. I database sono uno dei servizi cloud principali ed è importante che gli studenti comprendano i vantaggi e gli svantaggi di ciascun servizio. Il modulo si conclude con un'attività che offre agli studenti l'opportunità di applicare ciò che hanno appreso a uno scenario del mondo reale. Modulo 9 - Architettura cloud (3 ore): lo scopo di questo modulo è introdurre gli studenti alla progettazione e alla costruzione di architetture cloud secondo le best practies (ad es. Well-Architected Framework Design Principles, Security, Reliability, Performance Efficiency, Cost Optimization, Reliability & High Availability). Modulo 10 – Scaling automatico e monitoraggio (2h): Lo scopo di questo modulo è introdurre gli studenti ai servizi fondamentali che possono essere utilizzati insieme per costruire architetture dinamiche e scalabili utilizzando Load Balancing, Scaling Architecture.

Lo studente che accede a questo corso ha una conoscenza generica tecnica IT (Information Technologies), possiede nozioni di algoritmi e sistemi di gestione dei dati (DBMS). Una conoscenza di base di protocolli e reti di comunicazioni è consigliata.

Lezioni frontali con l'utilizzo di slide che vengono fornite agli studenti. Esercitazioni con e senza calcolatore. Agli studenti che non frequentano con regolarità e continuità viene assegnato un programma di progetti individuali con verifiche programmate.

Modalità d'esame

L’esame consiste in una prova scritta e/o pratica della durata di 2 ore in cui lo studente è tenuto a rispondere a domande aperte (LO1 a LO4) e all'elaborazione di un progetto (LO5 e LO6), volte all'accertamento dell’acquisizione e della corretta comprensione degli argomenti trattati nel corso, atti a valutare i risultati di apprendimento, con particolare attenzione a LO2, LO3, LO4 e LO6. Il voto finale, espresso in trentesimi, terrà conto dell’esattezza e della qualità delle risposte (70%), dell’abilità d’esposizione (10%) e della capacità di motivare adeguatamente affermazioni, analisi e giudizi (20%). L’attribuzione del voto rifletterà i seguenti livelli di preparazione: SUFFICIENTE: sufficiente conoscenza e comprensione dei contenuti del corso. Sufficiente capacità di applicare le conoscenze di tali contenuti. Difficoltà nell’apprendimento autonomo. Qualche difficoltà nell’argomentazione e nella comunicazione. Qualche difficoltà nel collegamento tra i contenuti del corso. ADEGUATA: discreta conoscenza e comprensione dei contenuti del corso. Discreta capacità di applicare le conoscenze di tali contenuti. Sufficiente capacità di apprendimento autonomo e sufficiente capacità di applicare i suoi risultati. Sufficienti capacità argomentative e di esposizione. Sufficiente capacità di collegamento tra i contenuti del corso. BUONA: buona conoscenza e comprensione dei contenuti del corso. Buona capacità di applicare le conoscenze di tali contenuti. Buona capacità di apprendimento autonomo e buona capacità di applicare i suoi risultati. Buone capacità di argomentazione e comunicazione. Adeguata capacità di collegamento tra i contenuti del corso. APPROFONDITA: ottima conoscenza e comprensione dei contenuti del corso. Ottima capacità di applicare le conoscenze di tali contenuti. Buona capacità di apprendimento autonomo e ottima capacità di applicare i suoi risultati. Ottime capacità di argomentazione e comunicazione. Ottima capacità di collegamento tra i contenuti del corso.

Testi di riferimento

Maarten van Steen and Andrew S. Tanenbaum, Distributed Systems: Principles and Paradigms - 3rd Edition, CreateSpace Independent Publishing Platform. ISBN: 978-1543057386. Freely available from the author's site. George Coulouris, Jean Dollimore, Tim Kindberg and Gordon Blair, Distributed Systems: Concepts and Design - Fifth Edition, Addison Wesley, 2011. Arshdeep Bahga, Vijay Madisetti, "Cloud Computing Solutions Architect: A Hands-On Approach", 2019. Dan Marinescu, "Cloud Computing: Theory and Practice, Second Edition", Morgan Kaufmann, 2018. I seguenti articoli approfondiscono ed integrano gli argomenti trattati a lezione; la loro lettura è raccomandata: A. Rotem-Gal-Oz, "Fallacies of distributed computing explained" M. van Steen and A.S. Tanenbaum, "A brief introduction to distributed systems", Computing, vol. 98, no. 10, pp. 967-1009, 2016. S. Vinoski, "Rediscovering distributed systems", IEEE Internet Computing, Vol. 18, No. 2, Mar.-Apr. 2014. J. Hodges, "Notes on distributed systems for young bloods", 2013. P. Maddox, "Testing a distributed system", ACM Queue, 2015. Introduzione al Cloud Computing M. Armbrust et al., "Above the clouds: A Berkeley view of cloud computing", EECS Department, University of California Berkeley Technical Report No. UCB/EECS-2009-28, Feb. 2009. (pdf) P. Mell, T. Grance, "The NIST definition of cloud computing", Sept. 2011. (pdf) S.A. Baset, "Cloud SLAs: Present and future", SIGOPS Oper. Syst. Rev., Vol. 46, No. 2, pp. 57-66, July 2012. (pdf) N. Herbst, R. Krebs, G. Oikonomou, G. Kousiouris, A. Evangelinou, A. Iosup, S. Kounev, "Ready for rain? A View from SPEC Research on the future of cloud metrics", SPEC Research Group - Cloud Working Group, Standard Performance Evaluation Corporation (SPEC), Technical Report SPEC-RG-2016-0, 2016. (pdf) R. Buyya et al., "A manifesto for future generation Cloud Computing: Research directions for the next decade", ACM Comput. Surv., Vol 51, No. 5, 2019. (pdf) Architetture dei Sistemi Distribuiti P.T. Eugster, P.A. Felber, R. Guerraoui, A.-M. Kermarrec, "The many faces of publish/subscribe", ACM Computing Surveys, Vol. 35, No. 2, pp. 114-131, June 2003. (pdf) H. Balakrishnan, M.F. Kaashoek, D. Karger, R. Morris, I. Stoica, "Looking up data in P2P systems", Communications of the ACM, Vol. 46, No. 2, pp. 43-48, Feb. 2003. (pdf) I. Stoica, R. Morris, D. Liben-Nowell, D.R. Karger, M.F. Kaashoek, F, Dabek, H. Balakrishnan, "Chord: a scalable peer-to-peer lookup protocol for Internet applications", IEEE/ACM Trans. Netw., Vol. 11, No. 1, pp. 17-32, Feb. 2003. (pdf) J.O. Kephart, D.M. Chess, "The vision of autonomic computing", IEEE Computer, Vol. 36, No. 1, Jan. 2003. (pdf) D. Weyns, B. Schmerl, V. Grassi, S. Malek, R. Mirandola, C. Prehofer, J. Wuttke, J. Andersson, H. Giese, K. Göschka, "On patterns for decentralized control in self-adaptive systems", In Software Engineering for Self-Adaptive Systems II, 2013. (pdf) Virtualizzazione K. Hwang, J. Dongarra, G.C. Fox, "Virtual machines and virtualization of clusters and data centers", chapter 3 of Distributed and Cloud Computing, Morgan Kaufmann, 2011. (pdf) J.E. Smith, R. Nair, "The architecture of virtual machines", IEEE Computer, pp. 32-38, May 2005. (pdf) OS-level virtualization D. Bernstein, "Containers and cloud: from LXC to Docker to Kubernetes", IEEE Cloud Computing, Vol. 1, No. 3, pp. 81-84, Sept. 2014. (pdf) C. Pahl, "Containerisation and the PaaS Cloud", IEEE Cloud Computing, Vol. 2, No. 3, pp. 24-31, May 2015. S. Yegulalp, "What is Docker? The spark for the container revolution", InfoWorld, 2019. Architetture a microservizi e serverless J. Lewis, M. Fowler, "Microservices", 2014. (html) P. Jamshidi, C. Pahl, N. C. Mendonça, J. Lewis and S. Tilkov, "Microservices: The Journey So Far and Challenges Ahead", IEEE Software, Vol. 35, No. 3, 2018. P. Castro, V. Ishakian, V. Muthusamy, A. Slominski, "The Rise of Serverless Computing", Communications of the ACM, Vol. 62, No. 12, pp. 44-54, Dec. 2019. E. Jonas et al., "Cloud Programming Simplified: A Berkeley View on Serverless Computing", Technical Report No. UCB/EECS-2019-3, Feb. 2019. M. Roberts, "Serverless Architectures", 2018.

Codice insegnamento 39007

CLOUD ARCHITECTURE AND SERVICES: FUNDAMENTALS 1° anno · 2° semestre · 3 CFU · IINF-03/A · 0 file

Il corso si pone l’obiettivo di fornire le conoscenze e le abilità minime necessarie alla gestione di sistemi di cloud computing e alla progettazione di servizi tramite gli stessi. Si desidera rendere lo studente…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si pone l’obiettivo di fornire le conoscenze e le abilità minime necessarie alla gestione di sistemi di cloud computing e alla progettazione di servizi tramite gli stessi. Si desidera rendere lo studente capace di esprimere un giudizio sulla qualità dei servizi erogati dall’architettura di riferimento, permettendogli di progettare nuove soluzioni, ove necessario, allineante agli standard attuali. Il corso ambisce a sviluppare il giudizio critico dello studente verso queste nuove tecnologie, analizzato pregi e difetti delle architetture esistenti. L’obiettivo è raggiunto analizzando le tecnologie alla base delle architetture cloud (e.g., virtualizzazione di macchine, memorie e reti), i modelli dati innovativi (e.g., modelli noSQL), ed utilizzando le diverse modalità di erogazione dei servizi offerte dal cloud (e.g., IaaS, PaaS, SaaS, etc.). Sono inoltre presentate le maggiori problematiche di sicurezza e privacy. Questi aspetti sono studiati, dove possibile, tenendo come riferimento le architetture delle principali soluzioni commerciali (e.g., Amazon Web Service, etc.). Gli obiettivi formativi sono parte delle finalità formative del Corso di Studi, in quanto la coerenza del corso di laurea in Ingegneria Informatica è stata verificata e armonizzata in fase di progettazione dello stesso. In particolare, l’insegnamento concorre alle competenze caratterizzanti comuni ai due curricula, specificatamente per quanto riguarda le metodologie di progettazione di servizi cloud. RISULTATI DI APPRENDIMENTO - Learning Objectives (LO) Al termine dell’insegnamento, lo/a studente/ssa sarà in grado di: LO1 - CONOSCERE e COMPRENDERE il paradigma del cloud computing, il processo di progettazione di servizi cloud, le relative metodologie, i framework di sviluppo, i parametri di valutazione delle proposte progettuali, nonché – per ognuno di questi aspetti - le variabili che ne influenzano la scelta LO2 - APPLICARE TALI CONOSCENZE alla progettazione di servizi cloud che tengano conto dei contesti d’uso, delle caratteristiche dell’utente e dei suoi compiti, e delle piattaforme tecnologiche LO3 - VALUTARE CRITICAMENTE l’adeguatezza delle soluzioni proposte LO4 - DISCUTERE le giustificazioni progettuali ed ESPORRE i concetti in modo scientificamente corretto e rigoroso sia oralmente che per iscritto LO5 - APPRENDERE IN MODO AUTONOMO ed ESPORRE testi di approfondimento correlati ai temi di progetti LO6 - APPLICARE TALI CONOSCENZE ai progetti assegnati

Programma

Modulo 1 – Panoramica dei concetti cloud (3h): lo scopo di questo modulo è introdurre gli studenti al cloud computing e cosa possono offrire i servizi cloud. Vengono presentati anche alcuni provider cloud (ad es. Amazon Web Services (AWS)) Modulo 2 – Cloud Economics and Billing (2h): lo scopo di questo modulo è introdurre gli studenti ai vantaggi aziendali per il passaggio al cloud. Il modulo inizia spiegando la filosofia dei prezzi dei servizi cloud e il concetto generale di costo totale di proprietà. Questi concetti sono importanti da comprendere per gli studenti perché potrebbero aver bisogno di fare affidamento su di essi nelle loro carriere come professionisti del cloud. Modulo 3 – Panoramica dell'infrastruttura cloud (2,5 ore): lo scopo di questo modulo è introdurre l'infrastruttura cloud. Modulo 4 – Cloud Security (2,5h): lo scopo di questo modulo è introdurre l'approccio alla sicurezza cloud e alcuni concetti correlati (ad es. Modello di responsabilità condivisa, protezione dei dati) Modulo 5 – Networking e Content Delivery (3h): lo scopo di questo modulo è introdurre gli studenti ai servizi fondamentali di cloud networking e content delivery, incluso il Virtual Private Cloud (VPC). Modulo 6 – Compute (2h): lo scopo di questo modulo è introdurre molti dei servizi di calcolo offerti dai servizi cloud. Facendo riferimento ad AWS, questi servizi includono Amazon Elastic Compute Cloud (Amazon EC2), AWS Lambda, AWS Elastic Beanstalk, Amazon Elastic Container Service (Amazon ECS), Amazon Elastic Container Registry (ECR) e Amazon Elastic Kubernetes Service. Modulo 7 – Archiviazione (2h): Lo scopo di questo modulo è introdurre gli studenti alle varie opzioni per l'archiviazione dei dati nel cloud. Il modulo descrive quattro diverse tecnologie di archiviazione. Il modulo si concentra sui servizi di archiviazione descritti in modo che gli studenti possano decidere quale servizio di archiviazione utilizzare per i vari casi d'uso. Lo storage è uno dei principali servizi cloud ed è importante che gli studenti comprendano i vantaggi e gli svantaggi di ciascuna tecnologia. Il modulo si conclude con un'attività che offre agli studenti l'opportunità di applicare ciò che hanno appreso a uno scenario del mondo reale. Modulo 8 – Database (3h): Lo scopo di questo modulo è introdurre gli studenti a quattro dei servizi di database più comunemente usati. Il modulo descrive quattro diversi servizi di database. Il modulo si concentra sui servizi di database descritti in modo che gli studenti possano decidere quale servizio di database utilizzare per i vari casi d'uso. I database sono uno dei servizi cloud principali ed è importante che gli studenti comprendano i vantaggi e gli svantaggi di ciascun servizio. Il modulo si conclude con un'attività che offre agli studenti l'opportunità di applicare ciò che hanno appreso a uno scenario del mondo reale. Modulo 9 - Architettura cloud (3 ore): lo scopo di questo modulo è introdurre gli studenti alla progettazione e alla costruzione di architetture cloud secondo le best practies (ad es. Well-Architected Framework Design Principles, Security, Reliability, Performance Efficiency, Cost Optimization, Reliability & High Availability). Modulo 10 – Scaling automatico e monitoraggio (2h): Lo scopo di questo modulo è introdurre gli studenti ai servizi fondamentali che possono essere utilizzati insieme per costruire architetture dinamiche e scalabili utilizzando Load Balancing, Scaling Architecture.

Lo studente che accede a questo corso ha una conoscenza generica tecnica IT (Information Technologies), possiede nozioni di algoritmi e sistemi di gestione dei dati (DBMS). Una conoscenza di base di protocolli e reti di comunicazioni è consigliata.

Lezioni frontali con l'utilizzo di slide che vengono fornite agli studenti. Esercitazioni con e senza calcolatore. Agli studenti che non frequentano con regolarità e continuità viene assegnato un programma di progetti individuali con verifiche programmate.

Modalità d'esame

L’esame consiste in una prova scritta e/o pratica della durata di 2 ore in cui lo studente è tenuto a rispondere a domande aperte (LO1 a LO4) e all'elaborazione di un progetto (LO5 e LO6), volte all'accertamento dell’acquisizione e della corretta comprensione degli argomenti trattati nel corso, atti a valutare i risultati di apprendimento, con particolare attenzione a LO2, LO3, LO4 e LO6. Il voto finale, espresso in trentesimi, terrà conto dell’esattezza e della qualità delle risposte (70%), dell’abilità d’esposizione (10%) e della capacità di motivare adeguatamente affermazioni, analisi e giudizi (20%). L’attribuzione del voto rifletterà i seguenti livelli di preparazione: SUFFICIENTE: sufficiente conoscenza e comprensione dei contenuti del corso. Sufficiente capacità di applicare le conoscenze di tali contenuti. Difficoltà nell’apprendimento autonomo. Qualche difficoltà nell’argomentazione e nella comunicazione. Qualche difficoltà nel collegamento tra i contenuti del corso. ADEGUATA: discreta conoscenza e comprensione dei contenuti del corso. Discreta capacità di applicare le conoscenze di tali contenuti. Sufficiente capacità di apprendimento autonomo e sufficiente capacità di applicare i suoi risultati. Sufficienti capacità argomentative e di esposizione. Sufficiente capacità di collegamento tra i contenuti del corso. BUONA: buona conoscenza e comprensione dei contenuti del corso. Buona capacità di applicare le conoscenze di tali contenuti. Buona capacità di apprendimento autonomo e buona capacità di applicare i suoi risultati. Buone capacità di argomentazione e comunicazione. Adeguata capacità di collegamento tra i contenuti del corso. APPROFONDITA: ottima conoscenza e comprensione dei contenuti del corso. Ottima capacità di applicare le conoscenze di tali contenuti. Buona capacità di apprendimento autonomo e ottima capacità di applicare i suoi risultati. Ottime capacità di argomentazione e comunicazione. Ottima capacità di collegamento tra i contenuti del corso.

Testi di riferimento

Maarten van Steen and Andrew S. Tanenbaum, Distributed Systems: Principles and Paradigms - 3rd Edition, CreateSpace Independent Publishing Platform. ISBN: 978-1543057386. Freely available from the author's site. George Coulouris, Jean Dollimore, Tim Kindberg and Gordon Blair, Distributed Systems: Concepts and Design - Fifth Edition, Addison Wesley, 2011. Arshdeep Bahga, Vijay Madisetti, "Cloud Computing Solutions Architect: A Hands-On Approach", 2019. Dan Marinescu, "Cloud Computing: Theory and Practice, Second Edition", Morgan Kaufmann, 2018. I seguenti articoli approfondiscono ed integrano gli argomenti trattati a lezione; la loro lettura è raccomandata: A. Rotem-Gal-Oz, "Fallacies of distributed computing explained" M. van Steen and A.S. Tanenbaum, "A brief introduction to distributed systems", Computing, vol. 98, no. 10, pp. 967-1009, 2016. S. Vinoski, "Rediscovering distributed systems", IEEE Internet Computing, Vol. 18, No. 2, Mar.-Apr. 2014. J. Hodges, "Notes on distributed systems for young bloods", 2013. P. Maddox, "Testing a distributed system", ACM Queue, 2015. Introduzione al Cloud Computing M. Armbrust et al., "Above the clouds: A Berkeley view of cloud computing", EECS Department, University of California Berkeley Technical Report No. UCB/EECS-2009-28, Feb. 2009. (pdf) P. Mell, T. Grance, "The NIST definition of cloud computing", Sept. 2011. (pdf) S.A. Baset, "Cloud SLAs: Present and future", SIGOPS Oper. Syst. Rev., Vol. 46, No. 2, pp. 57-66, July 2012. (pdf) N. Herbst, R. Krebs, G. Oikonomou, G. Kousiouris, A. Evangelinou, A. Iosup, S. Kounev, "Ready for rain? A View from SPEC Research on the future of cloud metrics", SPEC Research Group - Cloud Working Group, Standard Performance Evaluation Corporation (SPEC), Technical Report SPEC-RG-2016-0, 2016. (pdf) R. Buyya et al., "A manifesto for future generation Cloud Computing: Research directions for the next decade", ACM Comput. Surv., Vol 51, No. 5, 2019. (pdf) Architetture dei Sistemi Distribuiti P.T. Eugster, P.A. Felber, R. Guerraoui, A.-M. Kermarrec, "The many faces of publish/subscribe", ACM Computing Surveys, Vol. 35, No. 2, pp. 114-131, June 2003. (pdf) H. Balakrishnan, M.F. Kaashoek, D. Karger, R. Morris, I. Stoica, "Looking up data in P2P systems", Communications of the ACM, Vol. 46, No. 2, pp. 43-48, Feb. 2003. (pdf) I. Stoica, R. Morris, D. Liben-Nowell, D.R. Karger, M.F. Kaashoek, F, Dabek, H. Balakrishnan, "Chord: a scalable peer-to-peer lookup protocol for Internet applications", IEEE/ACM Trans. Netw., Vol. 11, No. 1, pp. 17-32, Feb. 2003. (pdf) J.O. Kephart, D.M. Chess, "The vision of autonomic computing", IEEE Computer, Vol. 36, No. 1, Jan. 2003. (pdf) D. Weyns, B. Schmerl, V. Grassi, S. Malek, R. Mirandola, C. Prehofer, J. Wuttke, J. Andersson, H. Giese, K. Göschka, "On patterns for decentralized control in self-adaptive systems", In Software Engineering for Self-Adaptive Systems II, 2013. (pdf) Virtualizzazione K. Hwang, J. Dongarra, G.C. Fox, "Virtual machines and virtualization of clusters and data centers", chapter 3 of Distributed and Cloud Computing, Morgan Kaufmann, 2011. (pdf) J.E. Smith, R. Nair, "The architecture of virtual machines", IEEE Computer, pp. 32-38, May 2005. (pdf) OS-level virtualization D. Bernstein, "Containers and cloud: from LXC to Docker to Kubernetes", IEEE Cloud Computing, Vol. 1, No. 3, pp. 81-84, Sept. 2014. (pdf) C. Pahl, "Containerisation and the PaaS Cloud", IEEE Cloud Computing, Vol. 2, No. 3, pp. 24-31, May 2015. S. Yegulalp, "What is Docker? The spark for the container revolution", InfoWorld, 2019. Architetture a microservizi e serverless J. Lewis, M. Fowler, "Microservices", 2014. (html) P. Jamshidi, C. Pahl, N. C. Mendonça, J. Lewis and S. Tilkov, "Microservices: The Journey So Far and Challenges Ahead", IEEE Software, Vol. 35, No. 3, 2018. P. Castro, V. Ishakian, V. Muthusamy, A. Slominski, "The Rise of Serverless Computing", Communications of the ACM, Vol. 62, No. 12, pp. 44-54, Dec. 2019. E. Jonas et al., "Cloud Programming Simplified: A Berkeley View on Serverless Computing", Technical Report No. UCB/EECS-2019-3, Feb. 2019. M. Roberts, "Serverless Architectures", 2018.

Codice insegnamento 39006

COMBINATORICS AND CRYPTOGRAPHY 1° anno · 2° semestre · 6 CFU · MATH-02/A · 0 file

Obiettivi formativi. Il corso ha lo scopo di fornire 1) Nozioni di aritmetica, di teoria dei campi finiti e di teoria delle funzioni Booleane alla base degli algoritmi classici della crittografia simmetrica e della…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivi formativi. Il corso ha lo scopo di fornire 1) Nozioni di aritmetica, di teoria dei campi finiti e di teoria delle funzioni Booleane alla base degli algoritmi classici della crittografia simmetrica e della crittografia asimmetrica. 2) Alcuni algoritmi classici della crittografia simmetrica e della crittografia asimmetrica. Tali obiettivi sono parte delle finalità formative del corso di studi, in quanto la coerenza interna del corso di laurea triennale in Matematica è stata verificata e armonizzata in fase di progettazione dello stesso.

Programma

Gli argomenti trattati sono: - Panoramica sulla crittografia. - Aritmetica elementare - Campi finiti e loro costruzione - Funzioni Booleane e loro proprietà - Crittografia a chiave pubblica, esempi di crittosistemi a chiave pubblica, problemi matematici collegati. - Crittografia simmetrica, esempi di crittosistemi simmetrici, applicazione delle funzioni Booleane alla crittografia simmetrica

Aritmetica modulare; definizione e nozioni di base dei gruppi, come sottogruppi normali, gruppi quozienti, teoremi di isomorfismo; nozioni di base dell’anello dei polinomi, come sue proprietà algebriche fondamentali, divisione tra polinomi, irriducibilità dei polinomi, radici di polinomi.

Lezioni frontal

Modalità d'esame

Accertamento del raggiungimento degli obiettivi formativi: prova orale in cui le domande coprono tutti gli argomenti trattai nel corso. I criteri per la valutazione saranno: il livello di conoscenza degli argomenti trattati durante il corso, capacità di applicarli e/o riconoscerli in altre situazioni, il linguaggio scientifico utilizzato, la chiarezza e completezza delle argomentazioni. L’attribuzione del voto rifletterà i seguenti livelli di preparazione: - sufficiente: conoscenza degli aspetti di base della teoria dei campi finiti e delle funzioni Booleane e comprensione delle loro interazioni e delle loro applicazioni nella crittografia. - adeguata: conoscenza degli aspetti di base della teoria dei campi finiti e delle funzioni Booleane e comprensione delle loro interazioni e delle loro applicazioni nella crittografia; saper enunciare correttamente e dimostrare i risultati fondamentali presentati a lezione - buona: conoscenza degli aspetti di base della teoria dei campi finiti e delle funzioni Booleane e comprensione delle loro interazioni e delle loro applicazioni nella crittografia; saper enunciare correttamente e dimostrare i risultati fondamentali presentati a lezione; saper applicare i risultati presentati a lezione allo studio delle tecniche di crittografia descritte durante il corso. - approfondita: conoscenza degli aspetti di base della teoria dei campi finiti e delle funzioni Booleane e comprensione delle loro interazioni e delle loro applicazioni nella crittografia; saper enunciare correttamente e dimostrare i risultati fondamentali presentati a lezione; saper applicare i risultati presentati a lezione allo studio delle tecniche di crittografia descritte durante il corso; saper interpretare ed analizzare i problemi matematici e applicativi alla base degli schemi crittografici studiati.

Testi di riferimento

1) Trappe and Washington, "Introduction to Cryptography with Coding Theory", second edition, Pearson Pretince Hall, 2006; 2) Smart, "Cryptography made simple", Information Security and Cryptography, Springer, 2016; 3) Heys, "A Tutorial on Linear and Differential Cryptanalysis", https://www.engr.mun.ca/~howard/PAPERS/ldc_tutorial.pdf 4) Lidl and Niederreteir, "Introduction to Finite Fields and Their Applications", Cambridge University Press, 1986; 5) Canteaut, "Lecture Notes on Cryptographic Boolean Functions", https://www.rocq.inria.fr/secret/Anne.Canteaut/poly.pdf

Codice insegnamento 38999

DEEP NEURAL NETWORKS 1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file

Le reti neurali artificiali (ANN), o semplicemente reti neurali (NN), sono un modello computazionale di apprendimento automatico (machine learning) ispirato alla struttura e al funzionamento delle reti neurali biologiche…

Scheda dell'insegnamento

Obiettivi formativi

Le reti neurali artificiali (ANN), o semplicemente reti neurali (NN), sono un modello computazionale di apprendimento automatico (machine learning) ispirato alla struttura e al funzionamento delle reti neurali biologiche presenti nel cervello animale. Una rete neurale è costituita da unità o nodi interconnessi, denominati neuroni artificiali, che riproducono in modo semplificato i neuroni cerebrali; tali unità sono collegate tra loro da archi che simulano le sinapsi del cervello.All'interno di una rete neurale, i neuroni artificiali sono organizzati in "livelli" di elaborazione. Ciascuno di questi livelli, comunemente definito "layer" (strato), è costituito da un insieme di singoli neuroni che operano in parallelo per analizzare i dati in ingresso, elaborarli e trasmetterli al livello successivo. Nel caso delle reti neurali profonde ("Deep Neural Network" o DNN), il termine "profondo" indica semplicemente la presenza di numerosi strati sovrapposti. Le DNN costituiscono l'ossatura architettonica del deep learning e sono alla base di innovazioni moderne quali l'intelligenza artificiale (IA) generativa, i modelli linguistici di grandi dimensioni (LLM), l'IA agentica e i sistemi autonomi.Questo corso offre un approfondimento completo sulle DNN, combinando teoria ed esercitazioni pratiche. Partiremo dalle architetture di rete neurale più semplici e fondamentali, ovvero il perceptron (una rete composta da un singolo neurone) e la sua evoluzione nel perceptron multistrato (MLP), in cui i perceptron sono organizzati in più strati. Successivamente, esamineremo modelli di rete neurale più complessi e moderni, tra cui le reti neurali convoluzionali (CNN), le reti neurali ricorrenti (RNN) e i Transformer. Tutti i modelli saranno contestualizzati nell'ambito delle principali applicazioni odierne basate sull'IA, spaziando dalla computer vision all'elaborazione del linguaggio naturale (NLP) e alla traduzione automatica.

Programma

Ottimizzazione non lineare e aspetti computazionali delle reti neurali standard [12 ore]: - Ottimizzazione non lineare: introduzione all'ottimizzazione; algoritmi di ottimizzazione senza vincoli; tecniche di regolarizzazione. - Aspetti computazionali delle reti neurali standard: problema dell'addestramento delle reti neurali; procedura di backpropagation; algoritmi di addestramento. Architetture avanzate di reti neurali [36h]:- Reti neurali feedforward standard. - Reti neurali convoluzionali (CNN) e loro applicazione alla visione artificiale. - Reti neurali ricorrenti (RNN) e loro applicazione all'elaborazione del linguaggio naturale (NLP) e alla traduzione automatica. - Meccanismo di attenzione e Transformer, e loro applicazione a modelli linguistici di grandi dimensioni (LLM) e intelligenza artificiale generativa. - Cenni di intelligenza artificiale agentica.

Non sono previsti prerequisiti formali.Tuttavia, è vivamente consigliato possedere almeno una conoscenza di base del machine learning.

Lezioni frontali e collaborazione attiva. Sono incluse sessioni teoriche e di laboratorio pratiche.

Modalità d'esame

Pre-valutazione: nessuna pre-valutazione formale. Il possesso dei prerequisiti viene verificato tramite valutazione formativa.Valutazione formativa: effettuata attraverso l'interazione tra docente e studenti durante le lezioni.Valutazione intermedia: sì. Valutazione globale. L'esame consisterà in: 1. Una prova scritta con domande sugli argomenti teorici del corso (tutti gli argomenti trattati durante le lezioni, escluse le esercitazioni pratiche). La prova includerà domande aperte, alcune che richiederanno risposte molto brevi (1-2 frasi) e altre che richiederanno risposte più dettagliate (1-2 paragrafi), nonché esercizi. - La prova scritta è suddivisa in 2 parti: Parte I su tutti gli argomenti trattati durante le lezioni di ottimizzazione non lineare e aspetti computazionali delle reti neurali standard e Parte II su tutti gli argomenti trattati durante le lezioni sulle architetture di reti neurali avanzate. 2. Un progetto da svolgere offline, che verrà discusso il giorno dell'esame orale (vedi Punto 3). Il progetto è individuale per ogni studente e consisterà in un'attività di programmazione relativa agli argomenti trattati nel corso. 3. Un esame orale, che avrà come scopo principale la discussione del progetto. Inoltre, potranno essere poste ulteriori domande sugli argomenti del corso, al fine di approfondire la valutazione complessiva. Valutazione: - Ogni prova (scritta, progetto, orale) riceverà un voto individuale su 30 (eventualmente con lode). - Come per la prova scritta, ogni parte (Parte I e Parte II) riceverà un voto individuale in trentesimi (eventualmente con lode). Il voto finale della prova scritta corrisponderà (approssimativamente) a una media ponderata dei voti individuali ottenuti in ciascuna parte, con pesi pari a 1/3 per la Parte I e 2/3 per la Parte II. - Il voto complessivo finale (risultante da tutte le prove, scritta, progetto e orale) corrisponderà (approssimativamente) a una media ponderata dei voti individuali ottenuti in ciascuna prova, con pesi pari a 4/6 per la prova scritta, 1/6 per il progetto e 1/6 per la prova orale.

Testi di riferimento

Non è previsto un libro di testo ufficiale per questo corso.Tuttavia, ecco un elenco (non esaustivo) di testi consigliati (le slide del corso potrebbero basarsi su materiale tratto da alcuni di essi): - Prince, 2023 – Understanding Deep Learning (https://udlbook.github.io/udlbook/). - Goodfellow, Bengio, Courville, 2016 – Deep Learning (https://www.deeplearningbook.org). - Grippo, Sciandrone, 2021 – Introduction to Methods for Nonlinear Optimization. - Russell, Norvig, 2021 - Artificial Intelligence: A Modern Approach, 4th ed. (https://aima.cs.berkeley.edu/global-index.html). - Aggarwal, 2023 – Neural Networks and Deep Learning - A Textbook, 2nd ed. (http://www.charuaggarwal.net).

Codice insegnamento 37945

DIGITAL COMMUNICATIONS 1° anno · 2° semestre · 9 CFU · IINF-03/A · 0 file

Il corso si colloca nel primo anno del CdS e fornisce le conoscenze di base sulle comunicazioni digitali che rappresentano un prerequisito essenziale per molti degli insegnamenti successivi. Inoltre, introduce le basi…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si colloca nel primo anno del CdS e fornisce le conoscenze di base sulle comunicazioni digitali che rappresentano un prerequisito essenziale per molti degli insegnamenti successivi. Inoltre, introduce le basi per la progettazione di ricevitori adattativi e per la co-decodifica di canale, temi sui quali si sviluppano i tre percorsi previsti. L'approccio formale dal punto di vista matematico rappresenta un altro elemento abilitante per il resto del percorso di studi, indipendentemente dall'indirizzo. Alla fine del corso, gli studenti avranno acquisito le nozioni e di base e avanzate relativamente alle modulazioni numeriche, alle tecniche di ricezione adattative (stima di canale ed equalizzazione di canale), di codifica e decodifica di canale e OFDM.

Programma

  • Introduzione al Corso - Elementi di Teoria dell’Informazione •Sorgenti discrete senza memoria •Misura della quantità di informazione •Entropia dell’alfabeto di sorgente •Codifica dell’alfabeto di sorgente •Canali di comunicazione •Capacità di un canale discreto senza memoria •Equivocazione e probabilità di errore •Misura dell’informazione nel continuo •Capacità del canale Gaussiano a banda limitata -Elementi di Teoria della Decisione •Decisione ottima: un segnale reale + rumore •Decisione ottima: M segnali reali + rumore •Decisione ottima per segnali complessi -Trasmissione di forme d’onda su canale Gaussiano • Schemi di Modulazione Numerica •Modulazione senza memoria e demodulazione coerente •Modulazione passa-banda senza memoria a demodulazione incoerente •Modulazione con memoria e demodulazione coerente -Schemi di modulazione numerica •Pulse Amplitude Modulaition (PAM) •Amplitude Shift keying (ASK) •Phase Shift keying (PSK) •Combined Amplitude and Phase Modulations (AM-PM) •Quadrature Amplitude Modulation (QAM) •Frequency Shift Keying (FSK) •Minimum Shift Keying (MSK) •Continuous Phase Modulation (CPM) •Ortogonal Frequency Division Multiplexing (OFDM) -Il canale radiomobile•Il canale gaussiano stazionario in senso lato a scattering incorrelato •Caratterizzazione a banda stretta: inviluppo del segnale ricevuto •Trasmissioni Numeriche sul Canale Radiomobile •Tecniche di diversità nei canali tempo varianti -Ricevitori adattativi ed equalizzazione di canale •Cenni sul canale wireless •Ricevitore adattativo: Identificazione di Canale •Ricevitore adattativo: Equalizzazione di Canale -Codifica di canale •Trasmissione affidabile con forme d'onda codificate •Codici a blocchi •Codici convoluzionali

Questo corso richiede la conoscenza dei concetti base dell'analisi matematica, della teoria della probabilità e delle nozioni dei Corsi di Analisi ed Elaborazione dei Segnali e Fondamenti di Comunicazioni.

L'apprendimento avviene attraverso lezioni teoriche alternate ad esercitazioni. Nell'ambito del corso sono anche proposti argomenti monografici di approfondimento, che lo studente potrà sviluppare autonomamente ed eventualmente utilizzare anche ai fini dell'esame.

Modalità d'esame

La valutazione del livello di preparazione raggiunto dallo studente sarà effettuata, in primo luogo, verificando la capacità di tradurre le nozioni teoriche acquisite in semplici esempi di progettazione. L'esame consisterà in una prova orale, ovvero in un colloquio il cui obiettivo sarà la verifica della comprensione dei concetti forniti nell'ambito del corso e del loro inquadramento organico. Particolare importanza sarà attribuita alla capacità dello studente di effettuare collegamenti tra i diversi argomenti esaminati e di valutarne l'impatto in un sistema di telecomunicazione reale.

Testi di riferimento

Dispense del docente S. Benedetto, E. Biglieri, V. Castellani, Digital Transmission Theory, Prentice- Hall International Editions, 1987; J. G. Proakis, Digital Communications 4th edition, Mc Graw Hill.

Codice insegnamento 35841

DIGITAL ELECTRONIC SYSTEMS 1° anno · 1° semestre · 9 CFU · IINF-01/A · 0 file

L’obiettivo di questo corso è quello di concentrarsi sui fondamenti della logica booleana e sulle sue implicazioni pratiche necessarie per costruire la fattibilità dei moderni sistemi elettronici digitali sia per le…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo di questo corso è quello di concentrarsi sui fondamenti della logica booleana e sulle sue implicazioni pratiche necessarie per costruire la fattibilità dei moderni sistemi elettronici digitali sia per le ICT che per le applicazioni industriali. Particolare attenzione è rivolta ai metodi e alle metodologie per la modellizzazione, la descrizione, la formalizzazione e lo sviluppo di importanti progetti chiave, nonché ai loro risultati pratici come raccolta di automi a stati finiti.Per completare con successo questo corso, lo studente dovrebbe:- avere una profonda conoscenza dell’algebra booleana applicata, metodi di sintesi applicati a sistemi sia combinatori che sequenziali (automi a stati finiti);- essere in grado di sviluppare un progetto semplice ma significativo di un sistema elettronico digitale;- comprendere e spiegare la logica e lo schema a blocchi elettronici per un sistema digitale semplice ma significativo;- dimostrare abilità nel partizionamento modulare top-down di un sistema digitale;- essere in grado di leggere e comprendere altri testi su argomenti correlati;- dimostrare la capacità di comunicare i risultati delle opere tecniche in modo chiaro e coerente, con la generazione di documentazione sistematica e significativa per qualsiasi sistema digitale progettato e assemblato;- avere conoscenza e comprensione dei concetti fondamentali adottati per una progettazione modulare dall’alto verso il basso di sistemi digitali, utilizzando una serie di modelli di automi a stati finiti;- dimostrare la capacità di definire e selezionare strategie appropriate per risolvere i problemi relativi alla loro attuazione fisica.

Programma

Gli argomenti del corso includono: Introduzione al sistema digitale: sistemi digitali, logica combinatoria e sequenziale, macchina a stati finiti (FSM) e suoi modelli (Mealy e Moore), sistema sincrono e asincrono, reale implementazione del sistema digitale (circuiti SSI e MSI; sistemi PLD e FPGA; sistemi a microprocessore). Sistemi combinatori: algebra booleana, funzioni di commutazione e porte, tabelle di verità e progettazione combinatoria, implicanti e implicati, somma di prodotti e prodotti di somme, mappe e metodi per minimizzare le funzioni booleane (mappe di Karnaugh, algoritmo Quine-McCluskey), progettazioni minimali e robuste. Blocchi MSI: encoder, decodificatori, multiplexer, demultiplexer, comparatori. Sistemi e codici di numerazione binari. Sistemi di numerazione binaria, ottale ed esadecimale. Codici. Numeri negativi con segno e modulo, complemento a 1, complemento a 2. Applicazione all’aritmetica binaria. Sistemi sequenziali: Flip-Flop, tipi Flip-Flop: FF SR, FF SRE, FF JK, FF Master-Slave, FF T, FF D. Semplici sistemi sequenziali: contatori asincroni; sequenziatore sincrono, registri a scorrimento (PIPO, PISO, SIPO e SISO); set di registro; analisi di reti sequenziali. Diagrammi di temporizzazione. Macchina a stati finiti e sua descrizione: diagramma di transizione di stato, tabella PS/NS; Diagramma di flusso (Algorithmic State Machine, ASM) e sua applicazione a contatori, sequenziatori e controllo di registri. Hardware aritmetico: sommatori di base (half e full), ripple adder, CLA, Carry skip adder, subtractor, ALU; Moltiplicatori: algoritmico (sum loop), seriale e parallelo; Moltiplicatore di Wallace, algoritmo di Booth. Register Transfer Model: esempi di analisi, progettazione e sintesi di unità di controllo (basate su FSM con descrizione ASM) per blocco aritmetico e hardware per smart register. Introduzione alla logica programmabile (HW + SW): Approccio algoritmico per la progettazione di blocchi HW; dal set di macchine Moore all’architettura a microprocessore; sistemi selezionabili e programmabili; Architettura VN, architettura Harvard, architetture ad hoc. Cenni sull'architettura di microprocessori, microcontrollori, processore di segnali digitali (DSPor), computer a scheda singola (SBC), passi e strumenti per lo sviluppo di una progettazione a logica programmata, integrazione HW e SW.

Lo studente deve sapere: i fondamenti dell’algebra e dell’algebra booleana, i fondamenti della rappresentazione dell’informazione e della transcodifica tra diverse rappresentazioni.

Lezioni teoriche, esercitazioni ed esercitazioni/progetti di laboratorio. Possibilità di erogazione, di lezioni in modalità remota (fino ad un massimo del 15% delle ore complessive).

Modalità d'esame

L’esame consisterà in una prova scritta relativa a un progetto di elettronica digitale e in una discussione orale su almeno due argomenti del corso. In alternativa, si possono sostenere 2 esami scritti parziali durante il corso, riservati agli studenti che seguono il corso, seguiti da una discussione orale finale.

Testi di riferimento

  • J. D. Daniels: Digital Design from Zero to One, J. Wiley. - M.M. Mano - C.K. Kime: Fondamenti di progettazione logica e computer - Prentice Hall. - G. Donzellini, L. Oneto, D. Ponta, D. Anguita, “Introduction to digital systems design”, Springer. - Presentazioni (slides) e appunti in classe organizzati/preparati/scritti dal docente.

Codice insegnamento 35842

DIGITAL SIGNAL PROCESSING WITH PROGRAMMABLE HW DESIGN 1° anno · 2° semestre · 6 CFU · IINF-03/A · 0 file

Obiettivi Formativi: L’insegnamento concorre all’obiettivo formativo del Corso di Studi di fornire allo studente le conoscenze di elaborazione dei segnali e competenze sulle tecnologie di sviluppo e, nello specifico,…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivi Formativi: L’insegnamento concorre all’obiettivo formativo del Corso di Studi di fornire allo studente le conoscenze di elaborazione dei segnali e competenze sulle tecnologie di sviluppo e, nello specifico, in riferimento a delle soluzioni di elaborazione del segnale digitale implementate su hardware programmabile. Risultati di Apprendimento: Al termine del percorso lo studente dovrà dimostrare di aver maturato i seguenti Risultati di Apprendimento (RdA): RdA1: conoscenza e capacità di esposizione dei metodi per l'elaborazione del segnale digitale; RdA2: conoscenza delle principali tecnologie e metodologie di sviluppo, e capacità di progettazione di sistemi di elaborazione del segnale digitale; RdA3: capacità di sviluppo di sistemi di elaborazione del segnale digitale su hardware programmabile; RdA4: abilità nella gestione delle diverse soluzioni disponibili in funzione del problema da risolvere.

Programma

Processamento del Segnale Digitale (3CFU): - Segnali tempo discreto nel dominio del tempo, segnali tempo discreto nel dominio della frequenza; - Sistemi tempo discreto, trasformate discrete a lunghezza finita, sistemi tempo discreto LTI; - Strutture principali dei filtri digitali, progettazione di filtri digitali IIR, progettazione dei filtri digitali di tipo FIR. Progettazione e sviluppo di sistemi di elaborazione del segnale digitale su hardware programmabile (3CFU): - Concetti di base (throughput, latenza, pipelining), logica programmabile e logica configurabile, rappresentazione dei dati, panoramica sulle tecnologie VLSI, architetture di hardware configurabile (PLD, CPLD, FPGA), flusso di progetto; - Linguaggi di descrizione hardware (fondamenti di VHDL); - Strumenti CAD e implementazione su FPGA.

Teoria dei segnali Teoria dell'Informazione Elettronica dei Sistemi Digitali 1

Lezioni frontali con l'utilizzo di slide che vengono fornite agli studenti. Esercitazioni con e senza calcolatore. Sessioni di laboratorio con strumenti CAD e implementazioni su FPGA.

Modalità d'esame

Accertamento del raggiungimento degli obiettivi formativi: Il processo di valutazione interessa la parte teorica e implementativa. L’accertamento sulla parte teorica avviene mediante esame orale, consistente in 3 domande, mirato ad accertare la conoscenza delle nozioni di elaborazione del segnale digitale. Le competenze di sviluppo implementativo vengono valutate attraverso la discussione di una tesina e di un’eventuale domanda sulla panoramica delle tecnologie VLSI. L’attribuzione del voto rifletterà i seguenti livelli di preparazione: - sufficiente: conoscenza dei metodi per l'elaborazione del segnale digitale, acquisizione delle nozioni di base relative alle differenti tecnologie VLSI, e capacità di sviluppo architetturale (RdA1 e RdA2); - adeguata: acquisizione delle competenze di base relative allo sviluppo di sistemi di elaborazione del segnale digitale su hardware programmabile (RdA3); - buona: consolidata capacità di gestione dell'intero flusso di progetto per lo sviluppo di sistemi di elaborazione del segnale digitale su hardware programmabile (RdA3); - approfondita: gestione critica delle soluzioni discusse nel corso al fine di risolvere problemi avanzati (RdA4).

Testi di riferimento

Sanjit K. Mitra, Digital Signal Processing, A computer Based Approach, McGraw-Hill International Edition. 4th edition Alan V. Oppenheim, Ronald W. Schafer, Discrete-time Signal Processing, Prentice Hall Signal Processing Series. Alan V. Oppenheim Series Editor, 2nd edition U. Meyer-Baese, Digital Signal Processing with Field Programmable Gate Arrays, Springer, 3rd edition.

Codice insegnamento 37745

ENVIRONMENTAL IMPACT OF EM FIELDS 1° anno · 1° semestre · 9 CFU · IIET-01/A · 0 file

Obiettivi del corso sono quelli di fornire allo studente: - le conoscenze di base sulla sicurezza elettromagnetica e sugli effetti biologici dei campi elettromagnetici; - la conoscenza e comprensione delle tecniche…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivi del corso sono quelli di fornire allo studente: - le conoscenze di base sulla sicurezza elettromagnetica e sugli effetti biologici dei campi elettromagnetici; - la conoscenza e comprensione delle tecniche analitiche, numeriche, e sperimentali per valutare i livelli di campo elettromagnetico; - la conoscenza delle tecniche di mitigazione delle sorgenti di campi elettromagnetici. ​​​​​​​

Programma

Richiamo sui campi elettromagnetici: campi a bassa e alta frequenza, campi vicini e lontani, tecniche numeriche e sperimentali, schermatura. Leggi e regolamenti: leggi nazionali e internazionali, norme tecniche, raccomandazioni e linee guida sulla sicurezza EMF e gli effetti sulla salute. Sorgenti di campi elettromagnetici a bassa frequenza: linee elettriche e sistemi, elettronica di potenza, linee ferroviarie elettrificate, veicoli elettrici. Sorgenti di frequenza intermedie di campi elettromagnetici: trasferimento di potenza wireless, applicazioni industriali. Sorgenti ad alta frequenza di campi elettromagnetici: stazioni radio base e telefoni cellulari, sistemi di trasmissione, radar, sistemi di comunicazione personale, RFID, dispositivi medici. Tecniche numeriche e sperimentali di valutazione dei campi elettromagnetici: misure in bassa ed alta frequenza, misure a banda stretta e banda larga. Effetti biologici dei campi elettromagnetici: effetti a bassa frequenza, effetti ad alta frequenza, dosimetria numerica e sperimentale.

Nessuna propedeuticità. Conoscenza dei fondamenti di elettrotecnica, elettronica e campi elettromagnetici sono importanti

Le attività di insegnamento saranno costituite da: - lezioni frontali e discussioni partecipate in classe; - esercitazioni numeriche comprendenti compiti a casa ed in classe; - esercitazioni sperimentali in laboratorio o sul campo; - tesine di gruppo in un sistema cooperativo.

Modalità d'esame

L’esame consiste in una prova orale tesa ad accertare: - la preparazione teorica; - il rigore logico; - la capacità di risolvere problemi, applicando le conoscenze acquisite. L’attribuzione del voto rifletterà i seguenti livelli di preparazione: - sufficiente: comprensione basilare delle teoria e degli esercizi; - buona: comprensione piena della teoria e degli esercizi; - ottima: saper applicare quanto appreso dalla teoria e risoluzione di problemi. Tesina su un argomento emergente opzionale, ma fortemente consigliata.

Testi di riferimento

Leggi, regolamenti, normative tecniche nazionali ed internazionali saranno fornite dal docente, oltre alle slides delle varie lezioni.

Codice insegnamento 35838

FURTHER TRAINING AND INTERNSHIP 1° anno · 6 CFU · 0 file
ICT SECURITY 1° anno · 2° semestre · 6 CFU · IINF-03/A · 0 file

L'insegnamento ha lo scopo di illustrare le nozioni base della sicurezza ICT e le tecniche per analizzare la sicurezza delle piattaforme ICT.Verrannno fornite le competenze per analizzare un sistema ICT, riconoscere…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento ha lo scopo di illustrare le nozioni base della sicurezza ICT e le tecniche per analizzare la sicurezza delle piattaforme ICT.Verrannno fornite le competenze per analizzare un sistema ICT, riconoscere eventuali problematiche di sicurezza e ricavare dati utili alla messa in sicurezza di questo.

Programma

Introduzione alla Sicurezza ICT (12 ore)Sicurezza delle Reti (12 ore)Sicurezza nelle Applicazioni Web (12 ore)Sicurezza del Software (12 ore)

Conoscenze basilari di Informatica

Il corso prevede lezioni frontali sui fondamenti teorici della sicurezza ICT ed esercitazioni pratiche su casi di studio ed esempi applicativi.

Modalità d'esame

Prove pratiche durante il corso e esame scritto con domande sul programma del corso con discussione orale opzionale

Testi di riferimento

  • Slides del docente - D. Stuttard, M. Pinto: The Web Application Hacker's Handbook: Finding and Exploiting Security Flaws: Discovering and Exploiting Security Flaws 2nd edition, Wiley 2011, ISBN-10 : 1118026470, ISBN-13 : 978-1118026472 - S. Davidoff, J. Ham: Network Forensics: Tracking Hackers Through Cyberspace, Prentice Hall 2012, ISBN-10 : 0132564718 ISBN-13 : 978-0132564717

Codice insegnamento 36945

INDUSTRIAL INTERNET OF THINGS 1° anno · 2° semestre · 6 CFU · IINF-03/A · 0 file

L'obiettivo di questo modulo è fornire l'insieme fondamentale di concetti e tecniche che riguardano le comunicazioni negli scenari industriali.​​​​​​​

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo di questo modulo è fornire l'insieme fondamentale di concetti e tecniche che riguardano le comunicazioni negli scenari industriali.​​​​​​​

Programma

Concetti di base sulle reti di telecomunicazioni. Il modello ISO/OSI e il networking basato su TCP/IP. Protocolli di accesso multipli, programmati vs. accesso basato sulla contesa. Principali aspetti dei sistemi radiomobili e loro evoluzioni. Controller area networks (CAN bus). Standard cablati per l'automazione industriale (inclusi HART e Fieldbus). Standard wireless per l'automazione industriale (inclusi WirelessHART e 802.15.4). Comunicazioni veicolari e V2X. 5G industriale e comunicazioni ultra affidabili a bassa latenza (URLLC). Progettazione cross-layer di comunicazione e controllo. Laboratorio di comunicazioni industriali

Sebbene i prerequisiti formali non siano definiti, il corso richiede la conoscenza dei concetti di base della teoria dei segnali e dell'elaborazione dei segnali e dei fondamenti dei sistemi di comunicazione e dell'internetworking.

Lezioni frontali e sessioni pratiche al computer e in laboratorio.

Modalità d'esame

Esame orale con domande su tutto il programma del corso. Preparazione di una relazione su uno degli esperimenti di laboratorio svolti a lezione. Il voto finale conseguito è calcolato considerando un peso pari al 60% alla prova orale e 40% alla relazione.L’attribuzione del voto rifletterà i seguenti livelli di preparazione: < 18 insufficiente: Conoscenze frammentarie e superficiali dei contenuti, errori nell’applicare i concetti, esposizione carente. 18 – 20: Conoscenze dei contenuti sufficienti ma generali, esposizione semplice, incertezze nell’applicazione di concetti teorici. 21 – 23: Conoscenze dei contenuti appropriate ma non approfondite, capacità di applicare i concetti teorici, capacità di presentare i contenuti in modo semplice. 24 – 25: Conoscenze dei contenuti appropriate ed ampie, discreta capacità di applicazione delle conoscenze, capacità di presentare i contenuti in modo articolato. 26 – 27: Conoscenze dei contenuti precise e complete, buona capacità di applicare le conoscenze, capacità di analisi, esposizione chiara e corretta. 28 – 29: Conoscenze dei contenuti ampie, complete ed approfondite, buona applicazione dei contenuti, buona capacità di analisi e di sintesi, esposizione sicura e corretta.​​​​​​​ 30 - 30 e lode: Conoscenze dei contenuti molto ampie, complete ed approfondite, capacità ben consolidata di applicare i contenuti, ottima capacità di analisi, di sintesi e di collegamenti interdisciplinari, padronanza di esposizione

Testi di riferimento

Testo raccomandato: Bogdan M. Wilamowski & J. David Irwin. Industrial Communication Systems (The Industrial Electronics Handbook). 2nd edition. CRC Press, 2011. Altri testi: Henning Trsek. Isochronous wireless network for real-time communication in industrial automation. Springer, 2016. Nurul Huda Mahmood, Nikolaj Marchenko, Mikael Gidlund, & Petar Popovski. Wireless Networks and Industrial IoT. Springer, 2021. Dispense prodotte dai docenti saranno disponibili per gli studenti

Codice insegnamento 40641

ITALIAN LANGUAGE FOR FOREIGNERS (LEVEL A1) 1° anno · 1° semestre · 3 CFU · 0 file

Il corso ha lo scopo di fornire allo studente la conoscenza della lingua italiana a livello A1 (principiante). Il corso si concentrerà sui quattro aspetti della comunicazione: saper ascoltare, parlare, leggere,…

Scheda dell'insegnamento

Obiettivi formativi

Il corso ha lo scopo di fornire allo studente la conoscenza della lingua italiana a livello A1 (principiante). Il corso si concentrerà sui quattro aspetti della comunicazione: saper ascoltare, parlare, leggere, scrivere ad un livello base. Lo scopo dell’insegnamento è, inoltre, rendere in grado gli studenti di: - sviluppare la competenza linguistica richiesta per comunicare in italiano ad un livello A1; - sviluppare la consapevolezza della natura della lingua e dell’apprendimento linguistico; - sviluppare competenze trasferibili; - costruire una solida base delle competenze, della lingua e delle attitudini necessarie per l'avanzamento al lavoro o per ulteriori studi, sia in italiano che in un'altra area disciplinare.

Programma

Gli studenti dovranno dimostrare di conoscere e capire le aree tematiche di seguito elencate che forniscono contesti di acquisizione del vocabolario e lo studio della grammatica e delle sue strutture. AMBITI LESSICALI - abbigliamento e accessori; - colori; - paesi, nazionalità e lingue; - cultura, tradizioni e festività; - istruzione; - famiglia e amici; - sentimenti ed emozioni; - cibi e bevande; - interessi, sport e attività; - lavoro; - misure per esempio taglia, forma, peso; - numeri (cardinali, ordinali) and soldi; - stanze e arredamento; - negozi e luoghi; - indicazioni stradali; - il corpo umano e la salute e.g. parti del corpo, salute e malattia; - espressioni di tempo e.g. dire l’ora, data, giorni della settimana, mesi, stagioni; - viaggi e trasporti; - il tempo. SIILLABO FUNZIONALE - Accettare/ ringraziare; - fare domanda per lavoro; - chiedere informazioni personali; - chiedere permesso; - fare acquisti, chiedere il prezzo; - descrivere persone e oggetti; - esprimere opinioni; - dare istruzioni; - salutare e presentarsi; - invitare; rifiutare un invito; - dare consigli; - fare una richiesta, un’offerta; - parlare di gusti, preferenze; - parlare della routine quotidiana. SILLABO DELLE STRUTTURE MORFOSINTATTICHE - Suoni and spelling; - nomi: genere e numero; - nomi con plurale irregolare; - articolo determinativo; - articolo indeterminativo; - aggettivi, primo e secondo gruppo, posizione degli aggettivi; - aggettivi possessivi; - il Lei di cortesia; - pronomi soggetto. - pronomi diretti e indiretti; -preposizioni semplici e articolate; - interrogativi; - avverbi; - presente indicative dei verbi regolari e irregolari; - verbi modali e il verbo sapere.

Nessun pre-requisito richiesto

Lezioni frontali. Il metodo di insegnamento è basato sull’approccio comunicativo che si avvale di situazioni di vita reale per comunicare. Quando gli apprendenti sono coinvolti in una comunicazione reale, verranno utilizzate le loro strategie naturali di acquisizione linguistica e ciò gli permetterà di apprendere l’uso della lingua. Consolidamento ed estensione di forme e strutture grammaticali. Estensione del vocabolario, lettura di testi autentici tratti da libri di testo, giornali e Internet. Compiti scritti. Comprensione della lettura. Interazione orale: discussione su contenuti legati alla vita quotidiana. Attività di ascolto. Compiti a casa.

Modalità d'esame

L'esame consiste in una prova scritta e in una prova orale. Per sostenere la prova orale è necessario superare la prova scritta (voto minimo 18/30). La prova scritta si compone di 4 parti: - ascoltare, comprendere e rispondere a domande riguardanti un breve testo orale (domande vero/falso; risposte a scelta multipla). - leggere, comprendere e rispondere a domande riguardanti un breve testo; (domande a scelta multipla e corrispondenti, nonché domande che richiedono risposte brevi). - attività ed esercizi di grammatica e vocabolario (riempire gli spazi vuoti ecc.) - scrivere un breve messaggio, compilare un modulo, scrivere una e-mail, una lettera ecc. Esame orale: La parte orale consiste in conversazioni su argomenti quotidiani, opinioni e sentimenti.

Testi di riferimento

"Dieci A1" - Alma edizioni, Firenze 2019. “New Italian grammar in practice”, Alma edizioni, Firenze 2015.

Codice insegnamento 38940

LABORATORY OF SDR AND IOT 1° anno · 2° semestre · 6 CFU · ING-INF/03 · 0 file

Learning Objective This module aims to provide the fundamental set of concepts, techniques and standards related to modern wireless communications. On successful completion of this module, the student should understand…

Scheda dell'insegnamento

Obiettivi formativi

Learning Objective This module aims to provide the fundamental set of concepts, techniques and standards related to modern wireless communications. On successful completion of this module, the student should understand i) the fundamental characteristics of Software Defined Radio, ii) the implementation of the wireless communication terminal with modern digital techniques, and iii) the set of relevant standardized systems for wireless communications in Internet-of-Things paradigms and, for some, implementation of the relative physical layer. Learning Outcomes The student is educated to tackle design and operation problems, learn to study and solve signal problems (e.g. spectrum analyzer, signal processing, etc.), and model and realize a real radio transceiver. The module is tightly connected with the modules of Digital Communications, Digital Electronics, Embedded Systems, Wireless Communication and Digital Signal Processing and Multimedia.

Programma

  • Radio monitoring - Software Defined Radio: introduction and overview on architectures, technologies and applications; design flow and platform. - Hardware and software in SDR system (e.g. GNU Radio and Matlab) and evaluation of the software and hardware report and risk analysis. - Practical experiences from transmission and receiver of basic waveform to study and realize a standard physical layer.

The student should be aware of the fundamentals of digital communications systems, telecommunication and wireless communication.

Lectures, exercises, practical sessions in simulation and real test-beds, invited talks by industry speakers, and thematic workshops. On successful completion of this module, the student should - have a solid knowledge of advanced theory and techniques for digital transmissions over wireless channels, standard architectures and protocols of modern wireless networks; - have knowledge and understanding of design methods for wireless links and networks; - understand and explain the complete path from the specification of system requirements, choice of wireless technology, and development of an appropriate system model step to SW development on a target platform; - demonstrate skill in analyzing problems, elaborate appropriate written documentation and oral presentations of problems, solutions, and validation methods; - demonstrate the capacity for reading and understanding any textbooks and scientific papers on specific matters, with particular emphasis on research-oriented literature and documents that describes standard systems.

Modalità d'esame

The exam is articulated in 3 steps: - The first is the oral part of the exam consists of 3 questions concerning the main topics discussed in the course and is focused to ascertain the knowledge and the understanding of Software Defined Radio approach. - The second part is the laboratory report is expected to contain results of a practical lab session to measure (or verify) together with a critical assessment of the results obtained with the SDR platform it will have available. - The third part is the Final project (group) work: cooperation with other exams within the TLC master program and also with mobility programs is encouraged. Small and large-scale experimental setups are available. The final score is determined on the basis of the different part of the exam: - 40% Laboratory and homework, - 30% oral and - 30% Final project work.

Testi di riferimento

Course material provided by the teacher in the form of slides and handouts; Scientific articles; Some on-line resources: https://www.gnuradio.org http://www.ieee.org

Codice insegnamento 37748

MACHINE LEARNING FOR SMART CITIES AUTOMATION 1° anno · 1° semestre · 6 CFU · IINF-04/A · 0 file

Modulo di “Identificazione dei sistemi e analisi dei dati” L’obiettivo di questo modulo è di avviare gli studenti allo studio delle tecniche di analisi dei dati e di stima stocastica, e in particolar modo di…

Scheda dell'insegnamento

Obiettivi formativi

Modulo di “Identificazione dei sistemi e analisi dei dati” L’obiettivo di questo modulo è di avviare gli studenti allo studio delle tecniche di analisi dei dati e di stima stocastica, e in particolar modo di identificazione dei modelli di sistemi dinamici e della stima dello stato mediante tecniche di filtraggio. Al completamento del corso lo studente sarà in grado di formulare e analizzare problemi di stima e di identificazione di modelli dinamici sulla base di misure affette da rumore stocastico, e di proporre diversi tipi di soluzioni. Inoltre, sarà in grado di proporre soluzioni a problemi di analisi e compressione dei dati, e di riconoscimento di pattern. Le conoscenze acquisite in questo insegnamento andranno ad aumentare le competenze e le abilità dello studente nelle attività di modellistica, simulazione e progetto di sistemi di controllo, nonché nell’analisi dei dati. Modulo di “Machine Learning”: L'obiettivo di questo modulo è fornire le motivazioni, le definizioni e le tecniche per l'acquisizione e la manipolazione dei dati provenienti da sistemi di automazione in rete, al fine di derivare, mediante tecniche di Machine Learning, modelli predittivi, ed utilizzare tali modelli per gestire risorse in modo dinamico ed ottimo.

Programma

Modulo di “Identificazione dei sistemi e analisi dei dati” - Richiami di algebra lineare: vettori, matrici, sottospazi. Quattro sottospazi fondamentali associati a una matrice, pseudo-inversa, proiezioni. Richiami di Calcolo delle Probabilità: eventi, variabili aleatorie, distribuzioni di probabilità, momenti di variabili aleatorie; la distribuzione Gaussiana multivariabile; probabilità condizionata e condizionamento, indipendenza tra eventi e tra variabili aleatorie. Calcolo del valore atteso condizionato nel caso gaussiano. Lo spazio di Hilbert delle variabili aleatorie con varianza finita; valore atteso condizionato e proiezione. - La decomposizione ai valori singolari di una matrice e la sua relazione con pseudo-inversa e quattro sottospazi fondamentali associati alla matrice. Fattorizzazione QR. Prime applicazioni all'analisi dei dati e alla compressione dei dati: approssimazione a basso rango di una matrice, teorema di Eckart–Young–Mirsky. - Soluzioni approssimate e a norma minima per sistemi lineari sovradeterminati e sottodeterminati tramite il metodo dei minimi quadrati ordinari. Interpretazione geometrica dei minimi quadrati. Applicazioni al fitting dei dati: stima di funzioni lineari e non lineari dai dati mediante regressione. - Teoria della stima: concetti base sulla stima, fenomeni reali e i loro modelli, raccolta dei dati, set di dati per l'addestramento e il test, validazione del modello. Stima di minima varianza dell’errore e valore atteso condizionato nel caso generale e nel caso Gaussiano; stima ottima e subottima mediante proiezioni. Stima di massima probabilità a posteriori e stima di massima verosimiglianza. Stima dei parametri di una distribuzione; esempi gaussiani. Stima di Markov. - Richiami sui sistemi dinamici lineari: modelli tempo-invarianti; risposta impulsiva e matrice di trasferimento. Proprietà strutturali (osservabilità, controllabilità), stabilità. - Sistemi dinamici stocastici e filtro di Kalman: rumore bianco e modello di generazione del segnale; sistemi stocastici lineari a tempo discreto; processi di innovazione dello stato e dell’uscita; le equazioni ricorsive dello stimatore ottimo (filtro di Kalman); calcolo ricorsivo della covarianza dell'errore di stima e del guadagno del filtro (equazioni di Riccati). Predittore ottimo; interpolatore ottimo mediante lo stato esteso. Cenno sui sistemi stocastici a tempo continuo con osservazioni discrete. Cenni alla soluzione stazionaria delle equazioni e al filtro di Kalman stazionario. Stima dello stato nei sistemi non lineari: il filtro di Kalman esteso. Note sulla stima parametrica dei sistemi stocastici con la massima verosimiglianza. - Risultati classici nell'identificazione dei sistemi: panoramica dei metodi basati sull’errore di predizione (PEM) per modelli in forma ingresso-uscita (Box-Jenkins, ARMAX, ARX). Soluzione ai minimi quadrati per modelli ARX. - Identificazione ai sottospazi: il metodo Ho-Kalman per la realizzazione deterministica di risposte impulsive. Ho-Kalman rivisitato (ingressi generali, rumore di misura). Metodi ai sottospazi: l'algoritmo MOESP per sistemi con uscita corrotta da rumore bianco. Riduzione dell'ordine di un modello mediante realizzazione troncata. Modulo Machine Learning: Questo modulo copre i fondamenti di tecniche di analisi dei dati, di Machine Learning e di Model Predictive Control per il monitoraggio e la gestione di sistemi di automazione in rete. Si forniranno innanzitutto le nozioni di base di tecniche, basate su Machine Learning, sfruttate per estrarre un modello predittivo di un sistema. Quindi, si forniranno le nozioni di base della teoria del controllo ottimo, quali la definizione e interpretazione di un problema di ottimizzazione con funzione di costo quadratica e vincoli affini e quadratici, la conoscenza delle tecniche e tools esistenti per la soluzione e la loro complessità computazionale, e l’integrazione dei modelli predittivi su descritti come vincoli di tali problemi di ottimizzazione. Infine, si mostrerà con esempi simulativi in Matlab come applicare le tecniche introdotte nel corso ai problemi di modellazione e controllo di sistemi di automazione in rete. Nel dettaglio, il modulo è organizzato come segue: Introduzione su raccolta e pre-processamento dati, su classi di modelli, funzioni di costo, esercitazioni su Matlab. Elementi di ottimizzazione convessa, richiami di controllo ottimo, (approfondimenti di) Model Predictive Control, esercitazioni su Matlab. Introduzione al Machine Learning, percettrone, Support Vectors Machines. Modelli e tecniche di regressione: AutoRegressive eXogenous (ARX) models, Regression trees, Random forests, esercitazioni su Matlab. Elementi di Artificial Neural Networks, esercitazioni su Matlab. Algoritmi di identificazione e MPC basati su modelli ottenuti da tecniche di Machine Learning, esercitazioni Matlab. Esercitazioni su Matlab con applicazione su data-set reali: costruzione di modelli predittivi e loop di controllo.

Matematica: teoria della probabilità, analisi matriciale, calcolo integro-differenziale. Informatica: fondamenti di programmazione. Automatica: conoscenze delle tecniche di analisi e controllo di sistemi lineari e non lineari. Modulo machine learning: Teoria dei Sistemi, Analisi ed Elaborazione dei segnali

Modulo di “Identificazione dei sistemi e analisi dei dati” - Lezioni frontali di teoria; - Attività relative all’applicazione della teoria a situazioni pratiche: proposizione di esercizi e problemi da svolgere in classe. Modulo Machine Learning: Lezioni teoriche, esercitazioni Matlab

Modalità d'esame

Modulo di “Identificazione dei sistemi e analisi dei dati” All’inizio del corso: verifica informale dei prerequisiti mediante discussione e domande in classe. In itinere: proposta di esercizi e problemi da svolgere e risolvere in classe, nel corso delle lezioni. Esame finale:colloquio orale composto da: (A) domande volte a verificare la comprensione dei contenuti del corso; (B) proposte di problemi e situazioni pratiche atti a valutare la capacità degli studenti di applicare le metodologie apprese. Le parti (A) e (B) concorrono, rispettivamente, per circa il 70% e il 30% alla formazione del voto finale. L’attribuzione del voto rifletterà i seguenti livelli di preparazione: sufficiente (18-23): lo studente conosce le tematiche svolte nel corso, ma non in modo approfondito (non è pronto nei collegamenti e nell’applicazione delle metodologie, ha una conoscenza superficiale dei passaggi matematici); adeguata/buona (24-27): buona conoscenza delle tematiche svolte nel corso, sa fare collegamenti e sa motivare, del tutto o in parte, le metodologie apprese. Sa applicare le metodologie apprese se indirizzato; approfondita (28-30 L): conoscenza approfondita delle tematiche svolte nel corso, sa fare collegamenti, sa motivare efficacemente le metodologie e le sa applicare in modo autonomo a problemi specifici. Modulo Machine Learning: La verifica dell’apprendimento è costituita da una prova orale e dalla discussione di una tesina preparata dallo studente e i cui argomenti saranno preventivamente concordati con il docente. Il voto finale dipenderà per l'80% dalla prova orale e per il 20% dalla discussione della tesina. L’attribuzione del voto rifletterà i seguenti tre livelli di preparazione: - sufficiente: conoscenza base delle definizioni formali, degli algoritmi e delle metodologie trattati nel corso; - buona: conoscenza avanzata delle definizioni formali, degli algoritmi e delle metodologie trattati nel corso; capacità di impostare formalmente un problema di controllo relativo ad una rete di telecomunicazioni; - eccellente: conoscenza avanzata, con approfondimenti tecnici, delle definizioni formali, degli algoritmi e delle metodologie trattati nel corso; capacità di impostare formalmente un problema di controllo relativo ad una rete di telecomunicazioni, e di confrontare e scegliere in modo adeguato le varie tecniche in modo coerente al problema specifico.

Testi di riferimento

Modulo di “Identificazione dei sistemi e analisi dei dati” - M. Dalla Mora, A. Germani, C. Manes: Introduzione alla Teoria dell'Identificazione dei Sistemi; EUROMA-La Goliardica (1997). - M. Verhaegen, V. Verdult: Filtering and System Identification; Cambridge University Press (2012). - Balakrishnan, A.V. Kalman Filtering Theory. Optimization Software, Inc .(1984). Modulo Machine Learning: - Slides del corso. - Book 1: Christopher M. Bishop. Pattern Recognition And Machine Learning - Springer-Verlag New York 2006 - Book 2: Trevor Hastie, Robert Tibshirani and Jerome Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Series In Statistics, 2009 - Book 3: Richard S. Sutton and Andrew G. Barto. Reinforcement Learning: An Introduction. MIT Press, Cambridge, MA, 2018

Codice insegnamento 37750

MEASUREMENTS FOR TELECOMMUNICATIONS 1° anno · 2° semestre · 6 CFU · IMIS-01/B · 0 file

Lo scopo dell’insegnamento è fornire allo studente: - le conoscenze dei principi di base e delle metodologie seguite nella Misurazione delle grandezze fisiche più importanti che definiscono le prestazioni di un…

Scheda dell'insegnamento

Obiettivi formativi

Lo scopo dell’insegnamento è fornire allo studente: - le conoscenze dei principi di base e delle metodologie seguite nella Misurazione delle grandezze fisiche più importanti che definiscono le prestazioni di un generico Sistema di Telecomunicazione, delle sue parti costituenti e la qualità dei segnali da esso trattati; - le conoscenze dei principi di funzionamento che governano la più comune strumentazione di Misura presente nel settore TLC ed i relativi parametri di qualità. Alla fine del Corso, dopo aver superato l’esame finale, lo studente sarà in grado di individuare il corretto processo di misura, l’adeguata metodologia di Misura e l’appropriata strumentazione di misura per la valutazione delle prestazioni o della conformità a specifiche sia del Sistema di Telecomunicazione che delle sue principali parti costituenti.

Programma

Fondamenti di Teoria della Misura. Definizione dell’architettura generale di un Sistema di Telecomunicazione e misura dei parametri operativi di maggior interesse. Misurazione di parametri prestazionali di Blocchi Funzionali di un Sistema di Telecomunicazione: Ricevitore, Trasmettitore, Amplificatori, Oscillatori, Alimentatori. Classificazione delle categorie di segnale alle interfacce interne ed esterne del Sistema di Telecomunicazione e misura dei loro parametri nel dominio del tempo e nel dominio della frequenza. Strumentazione di misura: Oscilloscopio, Analizzatore di Spettro, Analizzatore di Reti, Analizzatore di Modulazione, Multimetri digitali e Wattmetri RF.

Analisi Matematica I e II , Calcolo delle Probabilità, Fisica I e II, Analisi ed elaborazione dei segnali.

Lezioni e discussion in classe; esercitazioni sugli argomenti di lezione; esercitazioni di laboratorio; stesura di relazioni di misura.

Modalità d'esame

La valutazione dell’apprendimento è effettuata con tre verifiche parziali contenenti domande riguardanti gli argomenti di programma studiati durante lo svolgimento del corso, ed un esame orale a fine corso. La votazione finale è ottenuta attribuendo pari peso a tutte le prove.

Testi di riferimento

Appunti forniti dal docente durante lo sviluppo del corso; R.A. Witte: Spectrum and Network Measurements Note Applicative Keysight Technologies Note Applicative Rohde Schwarz

Codice insegnamento 35837

NETWORK ALGORITHMS 1° anno · 2° semestre · 6 CFU · MATH-06/A · 0 file

Il corso fornisce gli elementi fondamentali per l'analisi teorica, la progettazione e la valutazione sperimentale degli algoritmi per problemi di ottimizzazione su reti.

Scheda dell'insegnamento

Obiettivi formativi

Il corso fornisce gli elementi fondamentali per l'analisi teorica, la progettazione e la valutazione sperimentale degli algoritmi per problemi di ottimizzazione su reti.

Programma

Parte 1: Problemi di flusso su reti: introduzione e definizioni.Problemi di Massimo Flusso: il problema di impaccamento di cammini. Teorema Max-Flow/Min-Cut. Algoritmi basati su cammini aumentanti: algoritmo di Ford e Fulkerson e algoritmo di Edmonds e Karp. Parte 2: Algoritmo preflow push.Problemi di flusso con richiesta minima. Applicazioni dei problemi di Massimo Flusso. Problemi di taglio minimo su grafi non orientati e applicazioni. Misure di centralità. Clustering e algoritmi per le strutture di comunità (clique e k-clique). Parte 3: Problemi di Flusso a Costo Minimo: definizioni e applicazioni. Condizioni di ottimalità.Problemi di cammino minimo con pesi qualsiasi. Simplesso su reti. Applicazioni dei problemi di flusso a costo minimo.

Conoscenze di base di: Matematica discreta, Programmazione Lineare, Algoritmi e Strutture dati, Complessità Computazionale. Conoscenza elementare di Python

Lezioni frontali, svolgimento di esercizi in classe, sessioni collaborative di problem solving in Python

Modalità d'esame

Accertamento del processo di apprendimento Il processo di apprendimento è stimolato e supportato attraverso esercitazioni tenute sistematicamente dal docente. Esempi concreti e implementazioni sono assegnati agli studenti per la realizzazione sotto la supervisione del docente. Al termine di ciascuna parte del corso si svolge una prova di valutazione. Accertamento del raggiungimento degli obiettivi formativi ​​​​​​​Il voto finale è costituito dalla media pesata (20-40-40) delle valutazioni delle prove intermedie. Lo studente che non supera (o che non svolge) le prove intermedie, deve effettuare una prova scritta contenente 3 domande teoriche e 4/5 esercizi relativi a tutto il programma del corso. L’attribuzione del voto rifletterà i seguenti livelli di preparazione. Sufficiente: conoscenza basilare degli argomenti del corso e comprensione dei modelli e degli algoritmi. Adeguata: buona conoscenza degli argomenti del corso e capacità di modellare problemi elementari di ottimizzazione su reti. Buona: conoscenza approfondita degli argomenti del corso e capacità di individuare modelli e algoritmi efficienti per problemi di ottimizzazione su reti. Approfondita: capacità di modellare problemi avanzati di ottimizzazione su reti e di proporre soluzioni algoritmiche efficaci.

Testi di riferimento

Cunningham, Pulleyblank, Schrijver, Combinatorial Optimization, Wiley, 1998. Ahuja, Magnanti, Orlin, Network Flows, Prentice Hall, 1993.

Codice insegnamento 37908

OBJECT-ORIENTED PROGRAMMING 1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file

Il corso ha l’obiettivo di fornire una preparazione sul paradigma orientato agli oggetti (OO) attraverso l’uso del linguaggio di programmazione Java. Durante le lezioni, verranno introdotti i principali concetti del…

Scheda dell'insegnamento

Obiettivi formativi

Il corso ha l’obiettivo di fornire una preparazione sul paradigma orientato agli oggetti (OO) attraverso l’uso del linguaggio di programmazione Java. Durante le lezioni, verranno introdotti i principali concetti del paradigma OO, come incapsulamento, polimorfismo e genericità.

Programma

Introduzione ai concetti base della programmazioneConcetti generali del paradigma OOIncapsulamento e information hidingClassi, costruttori, variabili membro, metodi, packageModificatori di accessoEreditarietàPolimorfismoInterfacceGenericsEccezioniCollezioni JavaMVC Design Pattern

Utilizzo elementare del computer.

Lezioni frontali ed esercitazioni continue con complessità incrementale. Lavoro in team per lo sviluppo di un progetto software.

Modalità d'esame

L’esame consiste in due parti: lo sviluppo di un progetto in Java e una prova orale in cui tutti i membri del gruppo presentano e discutono il progetto, rispondendo anche ad alcune domande sui concetti introdotti nel corso.N.B. I progetti devono essere inviati via e-mail al docente almeno 4 giorni prima della discussione in sede d’esame. La mail deve includere i nominativi dei componenti del gruppo per permettere una valutazione preliminare, che potrebbe comportare una richiesta di revisione del progetto.La prova orale mira a verificare:1. Il livello di conoscenza del paradigma di programmazione orientata agli oggetti (OO) e del linguaggio Java da parte dei vari componenti del gruppo.2. L’abilità nella risoluzione di problemi e nella corretta implementazione delle idee proposte nel progetto.Dettagli della prova orale:Durata: 15-20 minuti.Contenuto: Domande sugli argomenti del corso, a partire dai costrutti utilizzati nel progetto, e su come implementare eventuali modifiche.Criteri di valutazione:Correttezza e completezza del progetto, e utilizzo corretto dei concetti fondamentali presentati nel corso.Livello di conoscenza degli argomenti trattati nel corso, e capacità di ragionamento su tali argomenti.Chiarezza espositiva delle scelte progettuali, e capacità critiche acquisite dallo studente.Un gruppo può chiedere di sostenere nuovamente la prova orale per discutere una versione rivista del progetto con l’obiettivo di migliorare la valutazione finale.

Testi di riferimento

Consigliati:- Robert Sedgewick, Kevin Wayne. Introduction to Programming in Java: An Interdisciplinary Approach, Second Edition. Addison-Wesley Professional, 2017.- Downey, Allen B., and Chris Mayfield. Think Java: How to think like a computer scientist. O'Reilly Media, 2019.- Eck, David J. Introduction to Programming Using Java Version 9.0, JavaFX Edition. 2022.

Codice insegnamento 40642

ADVANCED ICT SECURITY 2° anno · 6 CFU · IINF-03/A · 0 file

L'insegnamento ha lo scopo di illustrare le nozioni medio-avanzate della sicurezza ICT e le tecniche per analizzare la sicurezza delle piattaforme ICT. Dopo aver superato l'esame, lo studente sarà in grado di…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento ha lo scopo di illustrare le nozioni medio-avanzate della sicurezza ICT e le tecniche per analizzare la sicurezza delle piattaforme ICT. Dopo aver superato l'esame, lo studente sarà in grado di analizzare un sistema ICT, riconoscere eventuali problematiche di sicurezza utilizzare strumenti per la messa in sicurezza di questo.

Programma

  • Course Introduction & Linux Recap- Security-oriented Linux Networking- Tunnels, Bridging & Pivoting- WiFi Security- Container Security- VPNs- Mobile Security overview- Web Security Recap- Advanced Attack Techniques- Advanced SQLi- Content Security Policies- De-Serialization attacks- Software Security Recap & Binary Formats- Boot2Root Challenges- Exploitation (BOF and Countermeasures)- Format Strings Vulnerabilities- Ret2LibC, ROP & Additional topics- Cryptography Recap- Encryption & Authentication- Elliptic Curve Cryptography- Attacks to Cryptographic Protocols

Nozioni di ambienti Unix/Linux, Programmazione in linguaggio C, Programmazione in linguaggio Python. Conoscenza dei principali stack protocollari di rete e del Web. Nozioni di crittografia. E' fortemente consigliato aver seguito il corso ICT Security (DT-0349)

Lezioni frontali, esercitazioni pratiche in classe

Modalità d'esame

L'esame orale, composto di domande sui principali contenuti del corso è mirato ad accertare la conoscenza dei contenuti e la capacità ragionamento acquisita dalla studente. (LO: 1, 2, 3). L'esame pratico, composto di una serie di esercizi (challenge), mira ad accertare la capacità dello studente ad applicare le capacità acquisite in un contesto operativo. (LO: 2). Il voto finale è calcolato considerando un peso del 50% della prova orale e un 50% della prova pratica. (LO: 1, 2, 3). L'attribuzione del voto rifletterà i seguenti quattro criteri di valutazione: - Sufficiente: conoscenza di base degli argomenti teorici e competenze elementari nell’affrontare problemi pratici di cybersecurity. - Adeguata: comprensione discreta dei concetti teorici e buone capacità nella risoluzione di problemi pratici legati alla cybersecurity. - Buona: solida capacità di applicare i contenuti del corso a scenari reali di cybersecurity e buona padronanza degli aspetti teorici. - Approfondita: conoscenza approfondita degli argomenti trattati nel corso ed eccellente abilità nell'affrontare problemi pratici complessi in ambito cybersecurity.

Testi di riferimento

  • Slide del docente (riferimento principale) - Testi opzionali: 1) S. Davidoff, J. Ham: Network Forensics: Tracking Hackers Through Cyberspace 2) D. Stuttard, M. Pinto: The Web Application Hacker's Handbook: Finding and Exploiting Security Flaws: Discovering and Exploiting Security Flaws (2nd edition) 3) Sikorski, Honig: Practical Malware Analysis: The Hands-On Guide to Dissecting Malicious Software 4) Anley,Heasman,Lindner,Richarte: The Shellcoder's Handbook Discovering and Exploiting Security Holes, 2nd Edition

Codice insegnamento 39665

BIOMEDICINE DATA ANALYSIS AND PROCESSING FOR DIGITAL HEALTH 2° anno · 6 CFU · MEDS-26/A · 0 file

Scopo del corso è fornire allo studente nozioni fondamentali sulla struttura e funzione di macromolecole biologiche (DNA-RNA-proteine), il ruolo delle mutazioni geniche e delle alterazioni epigenetiche nelle patologie…

Scheda dell'insegnamento

Obiettivi formativi

Scopo del corso è fornire allo studente nozioni fondamentali sulla struttura e funzione di macromolecole biologiche (DNA-RNA-proteine), il ruolo delle mutazioni geniche e delle alterazioni epigenetiche nelle patologie (e.g. cancro) e la conoscenza dei principali metodi/tecnologie high-throughput in grado di generare big data nell'ambito delle scienze della vita.

Programma

Nozioni di base sulla struttura e funzione degli acidi nucleici (5 ore). Mutazioni geniche e alterazioni di natura epigenetica (5 ore). Nozioni di base sulla struttura e funzione delle proteine (4 ore). Patogenesi del cancro: concetti fondamentali (4 ore). Metodi high-throughput per l’analisi del DNA, RNA e proteine: DNA microarray (4 ore), real-time PCR per l’analisi del miRNoma (5 ore), metodi e piattaforme per Next Generation Sequencing (5 ore), reverse phase protein microarray (3 ore), spettrometria di massa (3 ore). Principali applicazioni di database in uso per l’analisi di mutazioni geniche, con riferimento specifico ai meccanismi alla base del cancro (e.g. cosmic, clinvar) (3 ore), database per microRNA/geni target (e.g. miRbase, microRNA.org) (3 ore), Kegg pathway database (1 ora), dataset e risorse on-line per l’analisi dei big data (e.g. GEO, TCGA, CCLE, ENCODE) (3 ore).

Nozioni di base (scuola superiore) di biologia, chimica, biochimica e fisica.

Lezioni frontali, domande e discussioni durante la lezione, esercizi con strumenti per analisi bioinformatica.

Modalità d'esame

In itinere: domande e discussioni in classe Esame orale: almeno tre domande sugli argomenti trattati, finalizzate ad accertare la conoscenza dei temi trattati e relative applicazioni nonché la capacità di collegamento e argomentazione dello studente con linguaggio appropriato. Valutazione finale: -Insufficiente (˂18/30): conoscenza lacunosa dei contenuti, esposizione carente, scarsa capacità di integrare le conoscenze con le metodologie diagnostiche, insufficiente capacità di valutazione critica. -Sufficiente (18/30-20/30): conoscenza superficiale degli argomenti trattati nel corso, incertezze nell’esposizione, capacità di applicare le conoscenze acquisite appena sufficiente, limitata autonomia di valutazione critica. -Discreta (21/30-24/30): conoscenza discreta dei contenuti dell’insegnamento, discreta capacità di applicare le conoscenze acquisite, terminologia accettabile, parziale autonomia di valutazione critica. -Buona (25/30-27/30): adeguata conoscenza dei diversi argomenti trattati nel corso, buona capacità di applicare le conoscenze acquisite, proprietà di linguaggio appropriata e buona autonomia di valutazione critica. -Approfondita (28/30-30/30): ottima conoscenza degli argomenti trattati, padronanza della materia con spiccata capacità di sintesi e di analisi, anche a livello interdisciplinare, ottima proprietà di linguaggio e autonomia di valutazione critica. -Eccellente (30 e lode): eccellente conoscenza degli argomenti trattati e padronanza della materia, con rilevante capacità di sintesi e di analisi, proprietà di linguaggio puntuale e fluida esposizione, notevole autonomia di valutazione critica, anche a livello interdisciplinare. Le modalità di verifica possono essere adeguate sulla base di eventuali indicazioni della commissione di ateneo per la disabilità. La valutazione del Corso Integrato avverrà contestualmente, considerando le votazioni riportate nei singoli insegnamenti.

Testi di riferimento

Materiale per lo studio fornito dal Docente. Articoli scientifici/review sugli argomenti trattati.Testi da consultare per approfondimenti: Molecular diagnostics, third edition, G.P. Patrinos Editor, Academic Press, 2017 Molecular diagnostics 12 test that changed everything, W.E. Highsmith Editor, Humana Press, 2014 MicroRNA. Expression, detection and therapeutic strategies. J. Mulligan Editor. NOVA. 2011.

Codice insegnamento 42105

DESIGN OF ACCESS, METRO, AND CORE NETWORKS 2° anno · 6 CFU · IINF-03/A · 0 file

Lo scopo del corso è quello di fornire una panoramica delle metodologie di design e delle soluzioni tecnologiche per i segmenti di accesso, metro e core delle reti di telecomunicazioni.Alla fine del corso lo studente…

Scheda dell'insegnamento

Obiettivi formativi

Lo scopo del corso è quello di fornire una panoramica delle metodologie di design e delle soluzioni tecnologiche per i segmenti di accesso, metro e core delle reti di telecomunicazioni.Alla fine del corso lo studente dovrebbe: - avere conoscenza e capacità di comprensione delle differenti tecnologie e problematiche di rilievo per i diversi segmenti di rete. – dimostrare capacità di classificare problemi ed applicare strumenti algoritmici in relazione alla natura dei requisiti dei servizi supportati dalle reti - dimostrare capacità di leggere e capire altri testi sugli argomenti correlati

Programma

Il corso è rivolto a studenti interessati ad una comprensione generale del design delle reti di telecomunicazioni con particolare focus sull’utilizzo delle reti in fibra ottica a supporto della rete mobile 5G. Verranno illustrati i recenti trend delle tecnologie di rete e l’impatto delle reti di nuova generazione sullo sviluppo di nuovi servizi e modelli di business.5G Overview: 5G New Radio overview, Radio Access Network Architecture, 5G Functional Split, 5G Core Network, Control and user plane separation.Optical Access Networks: Passive Optical Networks, Active Optical Networks, dynamic bandwidth assignment, mobile fronthaulMetro Networks: Optical Transport Networks, Routing and Wavelength Assignment, Fixed-grid optical networksCore Networks: Flex-grid optical networks, Spatial Division Multiplexed NetworksNetwork Reliability: Reliability strategies in radio and optical access networks, reliability strategies in optical transport networks.Network Slicing: Introduction to Network Slicing, Slice Isolation, Radio Access Network Slicing, Slicing in Optical Transport Networks, coordinated management of network slicing in optical and wireless domains, reliable slicing.Multi-Access Edge Computing: Introduction to Multi-access edge computing, MEC service area formation, application mobility algorithms encompassing knowledge on the 5G network topology/status, joint handover decision considering the availability of content, content connectivity.Network design and simulation tools: Discrete event simulations, NS-3 simulation, Vienna 5G Simulator, Net2Plan.Sessioni di laboratorio (hands-on guidati)

Sono richieste conoscenze di base in ambito networking ed optical communications.

Lezioni frontali con l'utilizzo di slide che vengono fornite agli studentiEsercitazioni con e senza calcolatore

Modalità d'esame

L’esame orale, composto di 3 domande sui principali contenuti del corso, è mirato ad accertare la conoscenza di tecnologie e problemi di rilievo nei segmenti di accesso, metro e core della rete e la capacità di associare ai requisiti cui il design della rete deve rispondere i segmenti di rilievo e gli strumenti algoritmici più adatti.L’esame prevede inoltre l’analisi di un lavoro scientifico di rilievo attraverso cui lo studente dovrà dimostrare la capacità di comprendere, utilizzando gli strumenti acquisiti durante il corso, metodologie innovative di risoluzione di problemi di design e valutare criticamente i risultati ottenibili attraverso soluzioni presenti nello stato dell’arte. Il voto finale conseguito è calcolato considerando i seguenti pesi per le componenti della prova: 70% prova orale; 30% relazione.

Testi di riferimento

[1] Mukherjee, Biswanath. Optical WDM networks. Springer Science & Business Media, 2006.[2] Fitzek, Frank HP, Fabrizio Granelli, and Patrick Seeling, eds. Computing in Communication Networks: From Theory to Practice. Academic Press, 2020.

Codice insegnamento 37751

EMBEDDED SYSTEMS 2° anno · 6 CFU · IINF-05/A · 0 file

L'obiettivo di questo corso è quello di fornire l'insieme fondamentale di concetti e tecniche relativi all' "Ingegneria dei sistemi dedicati HW/SW". Di fatto, presenta le principali problematiche legate alla…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo di questo corso è quello di fornire l'insieme fondamentale di concetti e tecniche relativi all' "Ingegneria dei sistemi dedicati HW/SW". Di fatto, presenta le principali problematiche legate alla progettazione di dispositivi elettronici HW/SW dedicati (cioè, specifici per l'applicazione) che sono anche tipicamente "embedded" (ovvero integrati in un sistema eterogeneo più complesso) e/o con vincoli in tempo reale. In tale contesto, il corso richiama le principali tecnologie HW/SW, fornendo anche una visione unificata (tipicamente basata su modelli) di tutti i concetti coinvolti.Tali obiettivi formativi sono parte delle finalità formative del corso di studi, in quanto la coerenza del corso di laurea in Ingegneria Informatica è stata verificata e armonizzata in fase di progettazione dello stesso. In particolare, l’insegnamento concorre alle competenze caratterizzanti il curriculum Computer Engineering, specificatamente per quanto riguarda le tecnologie HW/SW.

Programma

Introduzione: obiettivi e struttura del corso, caratteristiche generali dei sistemi integrati, principali problemi di progettazione. Tecnologie: visione unificata delle tecnologie HW di base (ASIC, FPGA), componenti HW (processori, memorie, timer, interfacciamento, comunicazione), concetti avanzati del sistema operativo e interazione HW/SW. Architettura: sistemi su board, sistemi su chip, sistemi di rete/distribuiti. Casi studio.

Conoscenze di base di informatica, elettronica digitale, sistemi operativi, architetture dei calcolatori e sviluppo di software.

Lezioni frontali, casi di studio, homelab, tutorial, seminari.

Modalità d'esame

L’esame è articolato in tre parti. La prima riguarda lo svolgimento dei cosiddetti Homelab, di fatto dei tutorial da seguire prendendo eventualmente in prestito dei kit di sviluppo, che hanno l'obiettivo di mettere in pratica i principali concetti teorici visti durante il corso. Questa parte vale fino a 9 punti. La seconda riguarda una prova scritta teorica che vale fino a 12 punti. La terza riguarda una prova pratica (programmazione in C per microcontrollori) che vale fino a 12 punti. La somma dei punteggi parziali rappresenta il voto finale che, per essere sufficiente, deve essere maggiore o uguale 18. Se tale somma è maggiore di 30 il voto finale è "30 e lode". L’attribuzione del voto rifletterà i seguenti quattro livelli di preparazione: - sufficiente: conoscenza base delle tecnologie, delle metodologie e dei relativi strumenti di sviluppo - adeguata: acquisizione di una basilare abilità di progettazione di sistemi dedicati HW/SW - buona: acquisizione di una buona abilità di progettazione di sistemi dedicati HW/SW raggiungimento e della capacità di valutazione di scelte progettuali alternative - approfondita: acquisizione di una buona abilità di progettazione di sistemi dedicati HW/SW raggiungimento, della capacità di valutazione di scelte progettuali alternative e della capacità di lavorare attivamente e collaborare in un team.NOTA: per l'esame da 9 CFU è previsto, come integrazione rispetto a quanto sopra, lo svoglimento di un progetto su tematiche da concordare e, una volta completato, da discutere con il docente. Il progetto non assegna ulteriori punti am è funzionale all'ottenimento dei 3 CFU extra.

Testi di riferimento

Embedded System Design: A Unified HW/SW Introduction. F. Vahid, T. Givargis.

Codice insegnamento 35823

FINAL DISSERTATION 2° anno · 12 CFU · 0 file
OPTICAL COMMUNICATIONS 2° anno · 6 CFU · IINF-02/A · 0 file

Con riferimento agli obiettivi formativi del corso di studio, lo scopo dell’insegnamento di Optical Communications è fornire allo studente: - la conoscenza delle nozioni fondamentali delle moderne tecniche nel campo…

Scheda dell'insegnamento

Obiettivi formativi

Con riferimento agli obiettivi formativi del corso di studio, lo scopo dell’insegnamento di Optical Communications è fornire allo studente: - la conoscenza delle nozioni fondamentali delle moderne tecniche nel campo della trasmissione numerica, in particolare nell’ambito delle reti fotoniche; - le abilità necessarie ad integrare metodi analitici per l'analisi di sistemi ottici in un ambiente flessibile di simulazione numerica. Il principale obiettivo del corso di Optical Communications è fornire agli studenti i fondamenti delle comunicazioni ottiche in fibra.

Programma

Introduzione all'ottica in fibra Modulazione e rivelazione Modi di una fibra Canale AWGN, segnali QAM, e probabilità d'errore Dispersione cromatica e compensazione Effetti nonlineari Trasmettitori ottici Ricevitori ottici WDM e reti Amplificatori ottici, guadagno e rumore Ricevitore ottico coerente digitale

Allo studente è richiesto di conoscere: - i fondamenti dell'elettromagnetismo classico ed in particolare le equazioni di Maxwell; - i fondamenti della teoria dei segnali e delle comunicazioni digitali. E' auspicabile una conoscenza basilare della propagazione guidata dei segnali elettromagnetici e della programmazione in Matlab.

La modalità di lezione predominante è basata sull'utilizzo della lavagna digitale, che viene utilizzata per tutte le lezioni di natura analitica. I contenuti più descrittivi vengono illustrati con l'ausilio di presentazioni in Power-Point. La simulazione dei sistemi e sottosistemi considerati viene implementata in Matlab durante esercitazioni in classe dedicate, nelle quali il codice di base viene discusso in dettaglio, così da mettere gli studenti in condizioni di svilupparlo indipendentemente. Le lezioni sono ricche di interazioni con gli studenti, ai quali si chiede di intervenire in risposta a quesiti tecnici e per fornire riscontri sui contenuti discussi.Tutto il materiale delle lezioni viene messo a disposizione degli studenti sulla piattaforma Microsoft Teams.Le lezioni sono integrate da un certo numero di attività di laboratorio, per la prima volta nell'A.A. 2026-2027.​​​​​​​

Modalità d'esame

Agli studenti è data la possibilità di svolgere durante il corso degli homework (anche collaborativi) finalizzati a consolidare la conoscenza degli argomenti svolti a lezione (tipicamente uno sui modi in fibra, uno sulla dispersione cromatica, uno sul canale AWGN, uno sul metodo split-step di Fourier). Inoltre, ogni studente può presentare uno dei propri homework in classe a lezione. Gli studenti possono inoltre sviluppare un progetto finale incentrato sull'implementazione di un link ottico in Matlab, così da integrare le principali aree tematiche del corso (generazione di segnale, trasmissione, e ricezione). E' obbligatorio un esame orale al termine del corso, durante il quale vengono accertate le conoscenze maturate dallo studente. Tipicamente l'esame orale comprende tre domande principali, in modo da coprire le principali aree tematiche del corso, accompagnate da domande secondarie stimolate dalle risposte dello studente. Gli homework ed il progetto finale contribuiscono ad esonerare lo studente che li abbia svolti correttamente dalla verifica degli aspetti implementativi degli argomenti trattati, nonché da quella di talune derivazioni analitiche che sono fortemente integrate nella fase di simulazione - circa il 30% dei contenuti del corso. Nell’attribuzione del voto si fa riferimento alla seguente scala di valutazione dell’apprendimento: < 18 (insufficiente): Conoscenze frammentarie e superficiali dei contenuti, errori nell’applicare i concetti, esposizione carente 18-20: Conoscenze dei contenuti sufficienti ma generali, esposizione semplice, incertezze nell’applicazione di concetti teorici 21-23: Conoscenze dei contenuti appropriate ma non approfondite, capacità di applicare i concetti teorici, capacità di presentare i contenuti in modo semplice 24-25: Conoscenze dei contenuti appropriate ed ampie, discreta capacità di applicazione delle conoscenze, capacità di presentare i contenuti in modo articolato. 26-27: Conoscenze dei contenuti precise e complete, buona capacità di applicare le conoscenze, capacità di analisi, esposizione chiara e corretta 28-29: Conoscenze dei contenuti ampie, complete ed approfondite, buona applicazione dei contenuti, buona capacità di analisi e di sintesi, esposizione sicura e corretta. 30-30 e lode: Conoscenze dei contenuti molto ampie, complete ed approfondite, capacità ben consolidata di applicare i contenuti, ottima capacità di analisi, di sintesi e di collegamenti interdisciplinari, padronanza di esposizione

Testi di riferimento

Libro di testo di riferimento: Govind P. Agrawal, Fiber-optic communication systems - Fourth Edition , Wiley. 2010. http://eu.wiley.com/WileyCDA/WileyTitle/productCd-0470505117.html Libri di testo di supporto: 1) Fundamentals of Photonics Author(s):Bahaa E. A. Saleh, Malvin Carl Teich First published:14 August 1991 Print ISBN:9780471839651 |Online ISBN:9780471213741 |DOI:10.1002/0471213748 2) Nonlinear Fiber Optics (Fifth Edition) Author: Govind Agrawal, Academic Press, 2013, ISSN 15575837, ISBN 9780123970237, https://doi.org/10.1016/B978-0-12-397023-7.00021-8.

Codice insegnamento 37749

RADARS AND SENSING 2° anno · 6 CFU · IINF-02/A · 0 file

Il corso mira a fornire agli studenti i concetti fondamentali relativi alle tecnologie radar e alle principali applicazioni di sensing e telerilevamento elettromagnetico. L'insegnamento contribuisce agli obiettivi…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a fornire agli studenti i concetti fondamentali relativi alle tecnologie radar e alle principali applicazioni di sensing e telerilevamento elettromagnetico. L'insegnamento contribuisce agli obiettivi formativi del corso di studi nel fornire agli studenti adeguate conoscenze nell’ambito delle tecnologie di sensing, con particolare attenzione ai sistemi radar.

Programma

Principi di remote sensing: Introduzione ai concetti di sensing, interazioni elettromagnetiche;Applicazioni di remote sensing: panoramica sulle tecnologie di sensing e remote sensing, geometrie dei sistemi terrestri, aerei e satellitari, sensori attivi e passivi;Principi e fondamenti dei sistemi radar: descrizione operativa, architettura trasmettitore-ricevitore, parametri caratteristici, tecniche di processing;Applicazioni radar: utilizzo in ambiti applicativi quali automotive, remote sensing, sistemi di detection and ranging alternativi;Integrate Sensing and Communications: analisi delle architetture emergenti, integrazione della comunicazione in sistemi di sensing.

Lo studente dovrebbe aver acquisito dei fondamenti sui campi elettromagnetici e sulla propagazione elettromagnetica.

Le lezioni frontali si alterneranno ad esercitazioni pratiche di laboratorio svolte assieme al docente in ambiente Matlab.

Modalità d'esame

L'esame sarà svolto in forma orale e mediante progetto. Il voto finale sarà calcolato in base alla relazione del progetto (50%) e alla prova orale (50%). L’attribuzione del voto rifletterà i seguenti livelli di preparazione:Sufficiente: conoscenza di base dei contenuti e minima capacità di utilizzo pratico delle applicazioni radar e sensing;Buona: buona padronanza dei contenuti e capacità di applicare le nozioni acquisite in modo pratico;Ottima: ottimo livello di conoscenza dei contenuti ed elevata capacità di utilizzare in modo pratico e autonomo i concetti acquisiti su sensing e radar.

Testi di riferimento

Materiale fornito dal docente.Microwave Radar And Radiometric Remote Sensing, di Fawwaz T. Ulaby, David Long, Artech House, 2015, ISBN: 9780472119356.Fundamentals of Radar Signal Processing, di Mark A. Richards, McGraw Hill, 2022, ISBN: 9781260468717.Radar Signals, di Nadav Levanon, Eli Mozeson, Wiley – IEEE Press, 2004, ISBN: 9780471663089. Link: https://ieeexplore.ieee.org/book/5237180

Codice insegnamento 42106

RF DESIGN FOR IOT 2° anno · 9 CFU · IINF-02/A · 0 file

L'obiettivo dell’insegnamento è quello di introdurre lo studente ai metodi per la progettazione di strutture elettromagnetiche di tipo passivo, comunemente usate nei Sistemi di Telecomunicazione e nell'Elettronica.

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo dell’insegnamento è quello di introdurre lo studente ai metodi per la progettazione di strutture elettromagnetiche di tipo passivo, comunemente usate nei Sistemi di Telecomunicazione e nell'Elettronica.

Programma

Nel corso vengono trattati i principali metodi per la progettazione elettromagnetica di strutture d’interesse nelle telecomunicazioni e nelle altre applicazioni dell’elettromagnetismo. Nella prima parte si acquisiscono gli strumenti per la progettazione di giunzioni a microonde aventi un assegnato comportamento in frequenza. Nella seconda parte si studiano i metodi per la sintesi elettrica di schiere di antenne a prestazioni elevate e delle antenne ad apertura. Al termine del corso lo studente sarà in grado di: - progettare filtri e trasformatori d’impedenza a microonde, sia con tecniche analitiche che numeriche; - progettare particolari giunzioni a microonde (transizioni, discontinuità, accoppiatori, ecc.); - sintetizzare diagrammi di radiazione di antenne a schiera; - utilizzare pacchetti software per l’analisi e l’ottimizzazione di strutture elettromagnetiche. DETTAGLI PROGRAMMA: Trasformatori d’impedenza multisezione, sintesi binomiale e di Chebyshev. Reti equalizzatrici e loro limiti. Reti di adattamento a costanti concentrate. Giunzioni ibride a larga banda. Strutture periodiche, filtri a microonde. Sintesi di filtri mediante il metodo dei parametri immagine e il metodo della perdita d’inserzione. Metodi numerici per l’analisi e l’ottimizzazione di giunzioni a microonde (MoM, FDTD, FEM). Tecniche per la sintesi del fattore di array di un’antenna a schiera, cerchio di Shelkunoff, sintesi di Dolph-Chebyshev, di Woodward e di Elliott. Schiere di slot, schiere di patch.

Lo studente deve conoscere la Teoria dei Campi Elettromagnetici e avere basi adeguate sugli elementi radianti e sui circuiti passivi a microonde.

Lezioni teoriche vengono alternate a esercitazioni di laboratorio ed esercitazioni numeriche in aula.

Modalità d'esame

L'esame consiste in una prova orale durante la quale vengono posti 3 quesiti, aventi uguale peso nella attribuzione del voto finale. Gli studenti sono comunque invitati a svolgere un progetto, inerente gli argomenti trattati nel corso, che verrà valutato in luogo di uno dei quesiti prima citati. L’attribuzione del voto rifletterà i seguenti livelli di preparazione - sufficiente: conoscenza base degli argomenti OF1 and OF2; - adeguata: acquisizione di una basilare abilità di problem solving OF2 and OF3; - buona: capacità di ragionamento rigoroso e di comunicazione OF4; - approfondita: saper fare connessioni e leggere criticamente altri testi OF5.

Testi di riferimento

1) David M. Pozar, Microwave Engineering, Wiley, 2011 ISBN: 978-0-470-63155-3; 2) Robert E. Collin, Foundation for Microwave Engineering, second edition, McGraw-Hill, 1992; 3) Robert S. Elliott An Introduction to Guided Waves and Microwave Circuits, Prentice-Hall,1993; 4) Fred Gardiol, Microstrip Circuits, J. Wiley &Sons, 1994; 5) E. H. Fooks, R. A. Zakarevicius, Microwave Engineering using Microstrip Circuits, Prentice-Hall, 1990; 6) Robert E. Collin, Antennas and Radiowave Propagation, McGraw-Hill, 1985.

Codice insegnamento 35868

SOFTWARE ENGINEERING 2° anno · 9 CFU · IINF-05/A · 0 file

Lo scopo del corso è presentare gli aspetti fondamentali della modellazione, analisi e progettazione del software, con riferimento alle moderne tecniche di analisi e progettazione orientata agli oggetti e allo…

Scheda dell'insegnamento

Obiettivi formativi

Lo scopo del corso è presentare gli aspetti fondamentali della modellazione, analisi e progettazione del software, con riferimento alle moderne tecniche di analisi e progettazione orientata agli oggetti e allo sviluppo, iterativo, incrementale e agile. Vengono inoltre analizzate le diverse architetture sottostanti i sistemi da realizzare. In questo contesto vengono presentate problematiche e tecnologie inerenti alla realizzazione di sistemi distribuiti ad oggetti. Gli obiettivi formativi sono parte delle finalità formative del Corso di Studi, in quanto la coerenza del corso di laurea in Ingegneria Informatica è stata verificata e armonizzata in fase di progettazione dello stesso. In particolare, l’insegnamento concorre alle competenze caratterizzanti entrambi i curricula, specificatamente per quanto riguarda la progettazione del software: conoscenza di metodologie di design, sviluppo e realizzazione di sistemi software, incluse tecnologie, consolidate ed emergenti, per la gestione dell’intero ciclo di sviluppo, il monitoraggio della qualità, e la manutenibilità.

Programma

Ciclo di vita e processo di sviluppo di un sistema software. Sviluppo iterativo e incrementale. Unified Process (UP) Determinazione, specifica e analisi dei requisiti. Casi d'uso. Analisi orientata agli oggetti (OOA). Modello di dominio. Diagrammi di sequenza di sistema. Contratti delle operazioni. Progettazione orientata agli oggetti (OOD). Diagrammi di interazione. Diagrammi delle classi di progetto. Dalla progettazione orientata agli oggetti alla programmazione orientata agli oggetti. Principi di analisi e progettazione orientata agli oggetti. Pattern GRASP. Principi SOLID. Design patterns. Progettazione dell'architettura logica. Pattern architetturali. Unified Modeling Language (UML). CASE tools come strumenti di modellazione e round-trip engineering. Visual Paradigm for UML. Gestione della persistenza degli oggetti. Tecnologie ORM. ORM in Java: Hibernate.

Costituisce un prerequisito fondamentale di questo corso la conoscenza dei principi della programmazione ad oggetti e delle basi di dati. Si raccomanda la frequenza del corso di Programmazione per il web offerto alla triennale di Ingegneria dell’Informazione.

Lezioni frontali; Discussioni in classe su progetti software; Progetti; Lavoro di gruppo; Preparazione e realizzazione di presentazioni; Preparazione di report scritti.

Modalità d'esame

La prova finale consiste nella presentazione di un progetto realizzato da un team di studenti. Il progetto consiste nella specifica, l'analisi e la progettazione di un sistema software. Gli studenti devono applicare una metodologia agile allo sviluppo software e applicare i principi di progettazione orientata agli oggetti presentati durante il corso compresi i design patterns. Il report di progetto deve essere presentato e discusso dal team e rappresenta la fonte principale per la valutazione dei risultati ottenuti. Allo studente saranno rivolte domande finalizzate ad accertare il livello di conoscenza degli argomenti teorici trattati durante il corso. L’attribuzione del voto rifletterà i seguenti quattro livelli di preparazione:- Sufficiente: conoscenza di base delle tecniche e delle metodologie di progettazione, capacità di applicare le conoscenze e metodologie in modo semplice.- Adeguata: conoscenza dei contenuti appropriata ed ampia, discreta capacità di applicare le nozioni e le tecniche apprese alla soluzione di problemi. Capacità di presentare i contenuti in modo articolato.- Buona: conoscenza dei contenuti precisa e completa, capacità di analisi molto buona, esposizione sicura e corretta, capacità di applicare le nozioni e le tecniche apprese alla soluzione di problemi più che soddisfacente.- Approfondita: conoscenza completa e approfondita degli argomenti. Ottima capacità di analisi, esposizione precisa. Ottima capacità di applicare le nozioni e le tecniche apprese alla soluzione di problemi. Il punteggio finale è determinato sulla base delle due parti dell'esame: 75% per il progetto, 25% per la presentazione e la risposta a quesiti teorici.

Testi di riferimento

1.Applying UML and patterns – an introduction to object-oriented analysis and design and iterative development, Craig Larman. Third edition (2004) ISBN: 0131489062Prentice Hall. 2. Design Patterns: Elements of Reusable Object-Oriented Software, Erich Gamma, Richard Helm, Ralph Johnson, John Vlissides.Addison-Wesley Professional (2005).

Codice insegnamento 36926

STATISTICAL SIGNAL PROCESSING AND MULTIMEDIA 2° anno · 6 CFU · IINF-03/A · 0 file

Lo scopo del corso è quello di fornire le basi dell’elaborazione statistica del segnale con particolare riferimento alle codifiche multimediali.

Scheda dell'insegnamento

Obiettivi formativi

Lo scopo del corso è quello di fornire le basi dell’elaborazione statistica del segnale con particolare riferimento alle codifiche multimediali.

Programma

Ripasso sui segnali tempo continuo e processi aleatori. Fondamenti di elaborazione numerica dei segnali: segnali tempo discreto, segnali tempo discreto nel dominio della frequenca, sistemi tempo discreto, trasformata Z, sistemi LTI tempo discreto nel dominio trasformato, strutture realizzative di filtri numerici, progettazione di filtri FIR e IIR. Classificazione e rilevazione statistica: rilevazione binaria e maximum a posteriori detection (MAP); stima statistica: stimatore a massima verosimiglianza, errore quadratico medio, stimatore lineare, metodi del secondo ordine, filtraggio di processi aleatori. Elaborazione del segnale multimediale e codifica: processamento digitale del parlato, codifica ed elaborazione del segnale audio, codifica ed elaborazione delle immagini, codifica del segnale video. Esempi e applicazioni in ambienti di simulazione.

Lo studente deve avere un solido background di teoria dei segnali analogici, cenni di teoria dell'informazione e conoscenza di teoria della probabilità.

Lezioni frontali con l'utilizzo di slide che vengono fornite agli studenti. Esercitazioni con e senza calcolatore

Modalità d'esame

Esame orale con una domanda sulla parte di DSP e una sulla parte di SSP (50% del voto) Tesina sulla parte multimediale (50% del voto) L’attribuzione del voto rifletterà i seguenti livelli di preparazione: complete ed approfondite, buona applicazione dei contenuti, buona capacità di analisi e di sintesi, esposizione sicura e corretta. 30 - 30 e lode: Conoscenze dei contenuti molto ampie, complete ed approfondite, capacità ben consolidata di applicare i contenuti, ottima capacità di analisi, di sintesi e di collegamenti interdisciplinari, padronanza di esposizione.

Testi di riferimento

[1] Oppenheim, Alan V., and Ronald W. Schafer. Discrete-time Signal Processing. Englewood Cliffs: Prentice- Hall, 1989. [2] Kay, Steven M. Fundamentals of statistical signal processing: estimation theory. Prentice-Hall, Inc., USA. 1993. [3] Kay., Steven M. Fundamentals of statistical signal processing: detection theory. Prentice-Hall, Inc., USA. 1998. [4] Gray, R., & Davisson, L. An Introduction to Statistical Signal Processing. Cambridge: Cambridge University Press. 2004.

Codice insegnamento 37753

WIRELESS CHANNELS, MIMO AND BEAMFORMING 2° anno · 6 CFU · IINF-03/A · 0 file

Questo corso invita gli studenti ad esplorare le tecniche di modellazione dei canali di comunicazione wireless, fornendo le competenze necessarie per sviluppare ed ottimizzare la progettazione dei sistemi di…

Scheda dell'insegnamento

Obiettivi formativi

Questo corso invita gli studenti ad esplorare le tecniche di modellazione dei canali di comunicazione wireless, fornendo le competenze necessarie per sviluppare ed ottimizzare la progettazione dei sistemi di comunicazione sulle diverse bande attualmente allocate dalle regolamentazioni internazionali e per vari scenari e applicazioni attualmente contemplati negli standard. Si approfondiranno i fondamenti teorici sulla propagazione nei vari ambienti e scenari previsti per i moderni sistemi di telecomunicazioni, per canali statici e in mobilità, laddove analisi deterministiche lasciano il passo a strumenti di caratterizzazione statistica. Verranno analizzati i modelli standard utilizzati dagli organismi di standardizzazione per valutare le proposte dei sistemi di nuova generazione. Verrà fornita la competenza per progettare campagne di misure di canale mirate e per elaborare i dati raccolti al fine di derivare modelli di canale empirici. Infine, si presenteranno le tecniche di simulazione del canale di propagazione sulla base di modelli statistici.Si approfondiranno tematiche relative all'utilizzo di antenne multiple in trasmissione e ricezione (MIMO) e alle tecniche di beamforming, concentrandoci sulle tecniche di progettazione.

Programma

Part I - BACKGROUNDEnabling Technologies for 3GPP LTE-Advanced NetworksPropagation and Channel Modeling Principles Part II - RADIO CHANNELSIndoor, Outdoor, Outdoor-Indoor and Vehicular Channels Multi-User MIMO and Wideband Channels Part III - SIMULATION AND PERFORMANCERay-Tracing Modeling Propagation Models for Wireless Network PlanningSystem-Level Simulations with the IMT-Advanced Channel Model PART IV – WIRELESS BEAMFORMING CONCEPTS AND TECHNIQUESArray Signal Processing Narrowband vs Wideband Beamforming and Beam SteeringAdaptive Wideband BeamformingDesign of Fixed Wideband Beamformers Wideband Beamforming for Multipath Signals

È apprezzata, ma non necessaria, una conoscenza di base di Campi Elettromagnetici e di Antenne.

Il corso si articola in lezioni frontali, dedicate alla trattazione teorica e misure dei modelli di canale wireless, delle tecniche MIMO e del beamforming, ed esercitazioni pratiche, finalizzate all'applicazione dei concetti teorici alla risoluzione di problemi ed esempi di progettazione, con l'eventuale supporto di strumenti di simulazione.

Modalità d'esame

L'esame consiste in una prova scritta da svolgere in 75 minuti, con un esercizio numerico e due quesiti a risposta aperta. La prova orale è opzionale per il candidato o a discrezione del docente per eventuali approfondimenti e chiarimenti sulla prova scritta. La valutazione finale è calcolata su un totale di 31 punti, dove 31 corrisponde a 30/30 e Lode, come segue:Esercizio numerico: 15 punti; Quesiti a risposta aperta: 8 punti ciascuno.

Testi di riferimento

DE LA ROCHE, Guillaume; ALAYÓN-GLAZUNOV, Andrés; ALLEN, Ben. LTE-advanced and next generation wireless networks: channel modelling and propagation. John Wiley & Sons, 2012.LIU, Wei; WEISS, Stephan. Wideband beamforming: concepts and techniques. John Wiley & Sons, 2010.

Codice insegnamento 37746

WIRELESS COMMUNICATIONS 2° anno · 9 CFU · IINF-03/A · 0 file

The goal of this module is to provide the fundamental set of concepts, techniques and standards that relate to modern systems for wireless communications and networking: this is one of the major areas of competences of…

Scheda dell'insegnamento

Obiettivi formativi

The goal of this module is to provide the fundamental set of concepts, techniques and standards that relate to modern systems for wireless communications and networking: this is one of the major areas of competences of the master program. On successful completion of this module, the student should understand i) the fundamental characteristics of wireless channels and related statistical models, ii) modern digital techniques for high capacity and wide-band transmissions on the wireless channel, iii) the set of relevant standardized systems for wireless communications in the cellular domain up to 5G, broadband wireless access, ad-hoc networks, short range communications, wireless sensor networks and Internet-of-Things paradigms. The students are educated and trained to tackle both design and operation problems, and to acquire the ability to model and solve networking problems in both traditional (e.g. communications services, internet services, etc.) and novel application contexts (e.g. industrial automation, environmental monitoring, ITS, etc.). The module is tightly connected with the modules of Digital Communications, Digital Electronics, Embedded Systems, Propagation and modelling of communication channels, Digital Signal Processing and Multimedia, Advanced and Software Defined Networks, Laboratory of SDR and IoT.

Programma

Wireless systems: introduction and overview on architectures, technologies and applications; The wireless channel: from physical behaviour to statistical modelling; Relevant channel models: WSSUS, GWSSUS, spatio-temporal models and MIMO; Digital transmissions over the wireless channels: performance analysis, diversity, spatio-temporal processing, spread spectrum systems, MIMO; Multiple Access Techniques: FDMA, TDMA, CDMA, OFDM, OFDMA and SC-FDMA; Cellular mobile radio systems: the wireless interface of GSM, GPRS, EDGE, UMTS; HSDPA/HSUPA, LTE and 4G; Wireless Personal Area Networks, Wireless Sensor Networks and the IEEE 802.15.x standard set (Bluetooth and Zigbee); emerging standards for industrial automation (ISA, IETF) and inter-vehicular communications (IEEE 802.11p, Cellular V2X with PC5); Radio technologies for short-medium range, Radio Frequency Identification (RFiD) systems and energy-neutral networks; dense and heterogeneous networks, scalable OFDM, 5G and 6G wireless interface. Satellite systems for mobile communications and not terrestrial networks: main constellations and standardization efforts in 5G/6G. Applications to the connected car domain. Practical experiences with radio link simulation, network simulation and test-beds for WSN, MANETs, VANETs, and Software Defined Radio (SDR) (Embedded Systems and Lab of SDR and IoT).

The student should be aware of fundamentals of digital communications systems, telecommunication networks and internetworking.

Lectures, exercises, practical sessions in simulation and real test-beds, invited talks by industry speakers, thematic workshops. On successful completion of this module, the student should - have solid knowledge of advanced theory and techniques for digital transmissions over wireless channels, standard architectures and protocols of modern wireless networks; - have knowledge and understanding of design methods for wireless links and networks, as well as for wireless network planning and management; - understand and explain the complete path from specification of system requirements, choice of wireless technology, development and simulation of an appropriate system model for validation, and eventual step to SW development on a target platform; - demonstrate skill in analyzing problems, elaborate appropriate written documentation and oral presentations of problems, solutions, and validation methods; - demonstrate capacity for reading and understanding any textbooks and scientific papers on specific matters, with particular emphasis on research oriented literature and documents that describes standard systems.

Modalità d'esame

1) Internediate tests based on homeworks 2) Project (group) work: cooperation with other exams within the TLC master program (e.g. Embedded Systems, Advanced and Software Defined Networks, Digital Communications, Laboratory of SDR and IoT) and also with mobility programs are encouraged. Small and large scale experimental setups are available. Questions are posed during the exam: they refer to the project work and on a part of the overall course contents that has been agreed in advance.

Testi di riferimento

Traditional books (spread spectrum): [1] John G. Proakis, “Digital communications”, 3. ed. - New York, McGraw-Hill, [1995] [2] M.K. Simon, J.K. Omura, R.A. Scholtz, B.K. Levitt, “Spread Spectrum Communications Handbook”, New York, McGraw-Hill, 1994. [3] R. L. Peterson, R. E. Ziemer, D.E. Borth, “Introduction to Spread Spectrum Communications”, Englewood Cliffs, Prentice Hall, 1995. [4] A.J. Viterbi, “Principles of Spread Spectrum Communications”, Addison Wesley, 1995. Some specific books (Mobile radio): [5] A. Molisch, “Wireless Communications”, Prentice-Hall; [6] A. Goldsmith, “Wireless Communications”, Wiley; [7] “LTE – The UMTS Long Term Evolution From Theory to Practice”, by S. Sesia, I. Toufik, M. Baker editors, J. Wiley; [8] E. Dahlman, S. Parkvall, J. Skold, “4G, LTE-Advanced Pro and The Road to 5G”, Elsevier; [9] E. Dahlman, S. Parkvall, J. Skold, “5G NR: The Next Generation Wireless Access Technology”, Associated Press. Some on-line resources: http://www.etsi.org http://www.umts-forum.org http://www.3gpp.org http://www.ieee.org A complete set of transparencies is made available to the students.

Codice insegnamento 35869

Recensioni del corso

Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.

★

Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.