Corso di laurea

Computer Engineering, Cybersecurity And Artificial Intelligence

Università degli Studi di Cagliari · 29 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

Artificial Intelligence 1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file

Il corso, svolto in inglese, fornisce conoscenze di base su alcuni dei principali approcci e metodi dell'intelligenza artificiale di interesse per l'ingegneria dell'informazione, e sui relativi settori di applicazione.…

Scheda dell'insegnamento

Obiettivi formativi

Il corso, svolto in inglese, fornisce conoscenze di base su alcuni dei principali approcci e metodi dell'intelligenza artificiale di interesse per l'ingegneria dell'informazione, e sui relativi settori di applicazione. Gli obiettivi formativi in termini dei descrittori di Dublino sono i seguenti: Conoscenza e comprensione Lo studente conoscerà alcuni dei principali approcci, modelli e algoritmi dell'intelligenza artificiale nei seguenti ambiti: ricerca su grafi; rappresentazione della conoscenza e inferenza: linguaggi logici e modelli probabilistici (reti bayesiane); apprendimento automatico (machine learning). Capacità di applicare conoscenza e comprensione Lo studente sarà in grado di risolvere semplici problemi negli ambiti sopra indicati, e di implementare e sperimentare su calcolatore algoritmi per la loro risoluzione. Autonomia di giudizio Lo studente sarà in grado di valutare diversi metodi per la soluzione di semplici problemi negli ambiti sopra indicati, tenendo conto del compromesso tra complessità computazionale e qualità della soluzione, quest'ultima valutata con criteri quali accuratezza o ottimalità. Abilità comunicative Lo studente acquisirà la capacità di comunicare ed esprimere problematiche inerenti all'intelligenza artificiale, di evidenziare problemi e di proporre soluzioni.

Programma

  • Introduzione e cenni storici (1 ora) - Ricerca su grafi (lezioni: 8 ore; esercizi in aula: 3 ore) Formulazione di un problema di ricerca: spazio degli stati, operatori, obiettivo, costo della soluzione, albero di ricerca. Strategie di ricerca non informata: ricerca in ampiezza, in profondità, a costo uniforme; cenni ad altre strategie: ricerca limitata in profondità, ad approfondimento iterativo, bidirezionale. Strategie di ricerca informata "best-first": greedy search, A*; funzioni euristiche. Complessità computazionale degli algoritmi di ricerca. - Rappresentazione della conoscenza e inferenza: linguaggi logici (lezioni: 6 ore; esercizi in aula: 3 ore) Introduzione: linguaggi logici, inferenza. Logica proposizionale e logica dei predicati: sintassi e semantica. Inferenza nella logica proposizionale: algoritmi di model checking, risoluzione, forward chaining, backward chaining. - Rappresentazione della conoscenza e inferenza: modelli probabilistici, reti bayesiane (lezioni: 7 ore; esercitazioni: 2 ore) Richiami di teoria della probabilità. Reti bayesiane: struttura e interpretazione; algoritmi d'inferenza: inferenza esatta e approssimata (rejection sampling). - Introduzione e concetti generali riguardo all’apprendimento automatico (lezioni: 3 ore) Applicazioni dell'apprendimento automatico. Principali paradigmi di apprendimento automatico. Classificazione supervisionata. Capacità di generalizzazione. Overfitting. - Alberi di decisione (lezioni: 6 ore; esercitazioni: 1 ora) Struttura degli alberi di decisione. Algoritmi di apprendimento: algoritmi 'naive' e ID3. Pruning. - Valutazione delle prestazioni di un classificatore (lezioni: 1 ora) Metriche e grafici per la valutazione delle prestazioni: accuratezza, matrice di confusione, cenni alle curve ROC, precision e recall. Tecniche di stima delle prestazioni: re-substitution, hold-out, cross-validation. - Reti neurali (lezioni: 8 ore; esercitazioni: 1 ora; laboratorio: 3 ore) Cenni storici riguardo alle reti neurali. Il percettrone e l'algoritmo di apprendimento di Rosenblatt. Reti di tipo Multilayer-Feedforward; algoritmo di backpropagation. Implementazione di una rete neurale mediante la libreria Python scikit-learn. - Insiemi di classificatori (lezioni: 4 ore) Bias e varianza di un classificatore. Bagging, Random Forest, Boosting, AdaBoost. - Esercizi di riepilogo sull’apprendimento automatico (esercitazioni: 3 ore)

Elementi di matematica discreta (calcolo combinatorio), organizzazione e principi di funzionamento dei calcolatori, almeno un linguaggio di programmazione di alto livello.

Lezioni frontali: 44 ore. Esercitazioni in aula: 16 ore.

Modalità d'esame

L'esame consiste in una prova scritta, in un'eventuale prova orale a integrazione della prova scritta, se ritenuta necessaria dai docenti per una valutazione più adeguata della preparazione dello studente, e in un progetto. La prova scritta e l'eventuale prova orale consistono in domande a risposta aperta ed esercizi su tutti gli argomenti del corso. Il progetto può essere svolto individualmente o in gruppi di due studenti, e consiste nell'approfondimento di un metodo di intelligenza artificiale e nella sua applicazione a specifiche istanze di un problema, per esempio mediante un programma per calcolatore sviluppato dagli stessi studenti. Per superare l'esame sarà necessario raggiungere la sufficienza in entrambe le prove; il voto finale, espresso in trentesimi, sarà dato dalla somma dei voti conseguiti nelle due prove: fino a 20 punti per la prova scritta, fino a 10 punti per il progetto. Per raggiungere la sufficienza nella prova scritta lo studente dovrà dimostrare una conoscenza di base di tutti gli argomenti del corso; in particolare, dovrà essere in grado di modellare semplici problemi negli ambiti considerati nel corso usando metodi appropriati, dovrà conoscere gli aspetti essenziali dei principali approcci e algoritmi per la loro risoluzione, e dovrà saperli applicare a semplici istanze di tali problemi. Il voto della prova scritta, espresso in ventesimi, sarà determinato dal livello di conoscenza di approcci, metodi e algoritmi oggetto del corso, e dal livello di complessità dei problemi che lo studente sarà in grado di modellare e risolvere. Per raggiungere la sufficienza nel progetto lo studente dovrà dimostrare di possedere una sufficiente padronanza dei metodi e degli algoritmi oggetto della prova, la capacità di implementare al calcolatore semplici versioni di alcuni di tali algoritmi, e la capacità di applicarli per la risoluzione di specifiche istanze dei problemi in esame. Il voto del progetto, espresso in decimi, sarà determinato dal livello di complessità degli algoritmi che lo studente sarà in grado di implementare, e dalla capacità di analizzare e discutere i risultati della loro applicazione a specifiche istanze dei problemi in esame.

Testi di riferimento

S. Russell and P. Norvig, "Artificial Intelligence - A Modern Approach", 4th Ed., Pearson, 2021, o edizioni precedenti.

Codice insegnamento 19989

Computer Vision Technologies And Biometrics 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

L'obiettivo principale del corso è quello di fornire allo studente gli strumenti necessari a comprendere e manipolare i principi fondamentali della visione computerizzata e delle tecnologie biometriche, con riferimento…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo principale del corso è quello di fornire allo studente gli strumenti necessari a comprendere e manipolare i principi fondamentali della visione computerizzata e delle tecnologie biometriche, con riferimento alla videosorveglianza avanzata ed alla biometria comportamentale. Conoscenza e capacità di comprensione Lo studente conoscerà i fondamenti della visione computerizzata e delle tecnologie biometriche come scienza che studia la modellazione di oggetti fermi o in movimento e la loro interpretazione. Con riguardo alle tecnologie biometriche, la descrizione univoca delle persone attraverso la rappresentazione di caratteristiche fisiche e comportamentali, e le sue applicazioni nel dominio della cybersecurity e dell’intelligenza artificiale. Capacità di applicare la conoscenza e capacità di comprensione Lo studente sarà in grado di comprendere l'organizzazione e la logica del funzionamento di un sistema di visione computerizzata, in particolare biometrico, di sviluppare algoritmi finalizzati al riconoscimento degli oggetti, caratteristiche personali e comportamentali, l’osservazione e l’interpretazione di eventi in un’immagine o in un video. L’applicazione dei principi avverrà attraverso esercitazioni attraverso i linguaggi Matlab, Python e C. Autonomia di giudizio Lo studente saprà valutare sia l'adeguatezza di strumenti per la visione e biometrici in ambito professionale, che le strutture dati e gli approcci al loro trattamento per la soluzione di problemi di identificazione e autenticazione personale nonché di sicurezza fisica e logica. Abilità comunicative Lo studente sarà in grado di dialogare con specialisti nel settore della cybersecurity, dell’intelligenza artificiale, della videosorveglianza, e descrivere il procedimento risolutivo di problemi di sicurezza fisica e logica. Capacità di apprendere autonomamente Lo studente sarà in grado di apprendere metodologie avanzate e nuovi strumenti per la progettazione e l’analisi delle tecnologie biometriche, applicando con flessibilità i concetti forniti nel corso.

Programma

Introduzione alla visione computerizzata Moduli di un sistema di visione. Introduzione alle tecnologie biometriche Moduli di un sistema biometrico. Relazione tra biometria e visione computerizzata Analisi delle scene Sensori, immagini e video. Analisi di immagini e video. Algoritmi per l’elaborazione per analisi spaziale, frequenziale, e temporale. Impronte digitali. Moduli. Caratteristiche. Riconocimento di impronte digitali. Riconoscimento di falsi. Data set per l’analisi di impronte digitali. Volti ed iride. Espressioni facciali. Falsificazione di volto ed iride. Data set e sistemi di riconoscimento. Cenni ai sistemi multimodali per la visione e le tecnologie biometriche. Cenni a tecnologie biometriche: EEG, andatura, iride, retina, vene e tratti del palmo. Analisi di eventi anomali. Videosorveglianza avanzata. Crowd analysis ed interpretazione della scena. Group-behavioural analysis. Analisi dei flussi. Progetto di un sistema di video-sorveglianza. Generazione sintetica di dati per la visione e l’analisi di luoghi affollati.

Conoscenze programmazione Python, C/C++ o Matlab e fondamentali di “machine learning” e intelligenza artificiale.

Lezione frontale: 40 ore. Esercitazioni in laboratorio: 20 ore. Durante le lezioni frontali verranno anche proposti degli “homework”, piccoli esercizi di progettazione e programmazione di moduli esemplificativi dei temi affrontati da svolgere in privato per la preparazione allo svolgimento dell'esame.

Modalità d'esame

L’esame si sostiene con l’implementazione di un progetto di sistema di visione computerizzata o biometrico. A seguire una prova orale nella quale lo studente sarà tenuto ad illustrare il progetto sviluppato e rispondere alle domande della commissione sugli argomenti del progetto. CRITERI DI VALUTAZIONE 1. Valutazione del progetto (≈65% del voto finale) a) Aderenza e completezza • Rispetto dei requisiti stabiliti dal docente (funzionalità richieste, dataset, vincoli tecnici). • Copertura di tutte le fasi: progettazione, implementazione, esperimenti e discussione. b) Qualità dell’implementazione • Chiarezza, correttezza e struttura del codice/prototipo. • Capacità di integrare algoritmi noti di visione artificiale e biometria nel progetto. • Efficienza e gestione appropriata dei dati (dataset biometrici/di visione). c) Sperimentazione e analisi dei risultati • Uso di metriche adeguate per il compito assegnato (es. FAR/FRR, EER, accuracy, precision/recall, ecc.). • Qualità dei test e validità degli esperimenti. • Capacità di interpretare criticamente i risultati (punti di forza, limiti, possibili miglioramenti). d) Programmazione modulare • Uso corretto di funzioni, classi e moduli per garantire leggibilità e manutenibilità del codice. • Separazione delle responsabilità: distinzione chiara tra gestione dei dati, implementazione del modello e procedure di valutazione. • Riutilizzabilità e scalabilità dei componenti sviluppati. ________________________________________ 2. Esame orale (≈35% del voto finale) a) Difesa del progetto • Capacità di spiegare le scelte implementative, anche se il tema è stato assegnato. • Chiarezza espositiva e uso corretto del linguaggio tecnico. • Capacità di rispondere a domande critiche e di giustificare limiti o errori. b) Conoscenze teoriche • Padronanza dei fondamenti di visione artificiale e biometria (algoritmi, standard, metriche). • Collegamento tra teoria e pratica: spiegare perché determinate tecniche sono state applicate al caso di studio assegnato. c) Capacità di ragionamento • Dimostrare comprensione profonda, non semplice memorizzazione. • Saper discutere metodologie alternative o possibili estensioni del lavoro. • Consapevolezza degli aspetti etici, legali e applicativi (quando pertinenti).

Testi di riferimento

1) R. Szeliski, Computer Vision: Algorithms and Applications, Springer, ISBN 3030343715, https://link.springer.com/book/10.1007/978-3-030-34372-9, https://szeliski.org/Book/, 2022 2) A. Jain et al., Handbook of Biometrics, Springer, https://www.springer.com/gp/book/9780387710402 3) B. Bhanu and A. Kumar, Deep learning in biometrics, Springer, https://www.springer.com/gp/book/9783319616568 4) K. Saeed, New direction in behavioural biometrics, CRC Press, https://www.crcpress.com/New-Directions-in-Behavioral-Biometrics/Saeed/p/book/9781498784627 5) V. Murino et al., Group and crowd behavior for computer vision, Academic Press, https://www.sciencedirect.com/book/9780128092767/group-and-crowd-behavior-for-computer-vision#book-info

Codice insegnamento 22466

Critical Infrastructures For Innovative Power Distribution 1° anno · 2° semestre · 2 CFU · IIND-08/B · 0 file

*Conoscenza e capacità di comprensione conoscenza approfondita e comprensione degli aspetti teorici e modellistici delle smart grid *Conoscenza e capacità di comprensione applicate capacità di analizzare una smart grid…

Scheda dell'insegnamento

Obiettivi formativi

*Conoscenza e capacità di comprensione conoscenza approfondita e comprensione degli aspetti teorici e modellistici delle smart grid *Conoscenza e capacità di comprensione applicate capacità di analizzare una smart grid con riferimento alle problematiche di comunicazione e cybersecurity •Autonomia di giudizio capacità di valutare la corretta protezione di un sistema di comunicazione per le smart grid •Abilità comunicative capacità di intraprendere delle discussioni tecniche le comunicazioni e la sicurezza delle smart grid •Capacità di apprendere capacità di apprendimento continuo, mediante la corretta interpretazione della bibliografia scientifica di settore e della normativa tecnica.

Programma

Introduction to Smart Grids What Is a Smart Grid; Clean Energy; Energy Management; Consumer Participation in Energy Management: Grid Modernization; Smart Grid Domains and Their Interconnections; Objectives of the Smart Grid Communication (1 hour) Elements of Power Systems for Networking Practitioners Voltage, Current, Power, and Energy; Direct Current (DC) System, Alternating Current (AC) System; Power Generation; Transmission Systems; Distribution Systems; Faults, Circuit Breakers, Switches, and Reclosers. Distribution planning and operation (2 hours) Elements of Communication Networking for Power System Practitioners Elements of Data Communication Networks; Links and Nodes, Connection-Oriented and Connectionless Services, Elements of Packet Communication; Classification of Networks; Protocols and Protocol Layers; OSI Reference Model; Practical Protocol Layering in Network; Standards and Products; Networking Technologies; Protocol Emulation, Tunneling, Encapsulation, and Gateways; Networking Standards (2 hours) Conventional Applications in Utility Operations Distribution Management and Transmission Management; SCADA, Teleprotection; CCTV; Mobile workflow communication; Business voltage and data. (1 hours) Smart Grid Applications Advanced Metering Infrastructure (AMI; Smart Meter Measurements; Networking for AMI; Smart Meter Standards; Distribution Automation (DA); Networking for DA; Distributed generation; Distributed Storage; Electric Vehicles (EVs); Home Area Networks (HANs); Microgrids; Retail Energy Markets; Demand Response; Wide Area Situational Awareness and Synchrophasors; Synchrophasors; PMUs in Distribution Systems; Flexible AC Transmission System (FACTS9, Dynamic Line Rating (DLR) (3hours) Communication Network Architecture for the Smart Grid Architecture Framework: Core-Edge Architecture; Smart Grid Network Protocols; Smart Grid Domains and Smart Grid Communication Network; Wide Area Network; WAN Architecture; WAN over Network Service Provider Networking Service; Local Traffic Aggregation; Field Area Networks; Logical End-to-End Connectivity (A Few Examples) (3 hours) An Overview of Smart Grid Network Design Process An Overview of the Network Design Process; Network Traffic; Smart Grid Traffic; A Case Study: Smart Grid Bandwidth; Traffic Aggregation and Routing Architecture (1hours) Network Security Importance of Smart Grid Security: Regulations, Standards, and Best Practices; Smart Grid Security Architecture; Security Zones: Transmission Zone; Distribution SCADA Zone; Distribution Non-SCADA Zone; Interconnect Zone; Additional Security-Related Operations (2 hours) Smart Grid Data Management (1 hours) Exercises Planning a smartgrid; Operation of a Microgrid (4 hours) Le propedeuticità obbligatorie sono indicate nel Regolamento del Corso di Studi. Sono necessarie competenze di Fisica 1 e 2, Elettrotecnica, Elettronica generale, Impianti Elettrici. Conoscenze di base in comunicazioni, reti e cybersecurity sono utili. 20 ore di attività frontale così divise: n. 16 di lezioni frontali e 4 di esercitazioni in laboratorio mediante l'impiego di software specifici Metodi e tecniche di interazione didattica in presenza: 1) Interazione tra docente e studente: Dialogo in aula sollecitato dal docente. 2) Comunicazione attraverso l’uso della posta elettronica e delle news nel sito www.diee.unica.it. 3) Comunicazione verbale durante il ricevimento. 4) Riunioni Teams Interazione tra metodi e tecniche di insegnamento e di apprendimento: Combinazione di didattica frontale, guidata, interattiva e con l'utilizzo di strumenti informatici e dei diversi supporti d'aula (video-proiezione e lavagna). Metodi e tecniche di interazione didattica a distanza: Interazione tra docente e studente: Comunicazione tramite piattaforma TEAMS

Modalità d'esame

È prevista una prova orale finale costituita da una breve presentazione, della durata massima di 15 minuti, relativa a uno degli argomenti specifici affrontati durante il modulo. Gli argomenti oggetto della prova saranno indicati dal docente durante il corso. Lo studente dovrà approfondire l’argomento scelto attraverso l’analisi e la rielaborazione critica delle informazioni provenienti da più pubblicazioni scientifiche selezionate autonomamente. Alla presentazione seguiranno alcune domande di approfondimento sugli argomenti trattati. La valutazione terrà conto della conoscenza e comprensione dell’argomento, della capacità di selezionare, analizzare e mettere in relazione le informazioni provenienti da diverse pubblicazioni scientifiche, della capacità di rispondere alle domande di approfondimento e della chiarezza ed efficacia dell’esposizione. La valutazione di 18/30 è attribuita quando lo studente dimostra conoscenze e competenze almeno elementari sugli argomenti trattati e una sufficiente capacità di analisi ed esposizione. La valutazione di 30/30, con eventuale attribuzione della lode, è conferita quando lo studente dimostra una conoscenza approfondita degli argomenti, un’eccellente capacità di analisi e rielaborazione critica e un’esposizione chiara, rigorosa e autonoma.

Testi di riferimento

Communication Networks for Smart Grids: Making Smart Grid Real Kenneth C. Budka;Jayant G. Deshpande; Marina Thottan Springer Smart Grid: technology and applications Janaka Ekanayake; Kithsiri Liyanage;Jianzhong Wu; Akihiko Yokoyama; Nick Jenkins WILEY

Codice insegnamento 20540

Cybersecurity Technologies And Risk Management 1° anno · 1° semestre · 8 CFU · IINF-05/A · 0 file

Il corso di Cybersecurity Technologies and Risk Management ha l’obiettivo di fornire agli studenti una panoramica sulle vulnerabilità dei diversi componenti di un sistema informatico, le modalità con cui si realizzano…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Cybersecurity Technologies and Risk Management ha l’obiettivo di fornire agli studenti una panoramica sulle vulnerabilità dei diversi componenti di un sistema informatico, le modalità con cui si realizzano gli attacchi informatici e le tecniche di prevenzione, mitigazione e risposta in un’ottica di gestione del rischio. Oltre agli aspetti meramente tecnici, il corso fornisce anche una panoramica sulle motivazioni alla base degli attacchi informatici, e sull’evoluzione normativa nazionale e internazionale. Nel dettaglio, gli obiettivi formativi, declinati secondo i Descrittori di Dublino, e in accordo con gli obiettivi formativi del Corso di Laurea Magistrale, sono i seguenti. Conoscenza e comprensione: Lo studente, al termine del corso dovrà conoscere e comprendere: - le motivazioni alla base degli attacchi informatici, lo stato attuale e le prospettive future; - le tecniche di crittografia utilizzate per la riservatezza e la verifica di autenticità e di integrità; - gli strumenti messi a disposizione dai sistemi operativi per finalità di sicurezza e riservatezza; - le tecniche di attacco basate su social engineering e l’utilizzo di fonti di informazione aperte (open source intelligence); - gli approcci di progettazione che consentono il ripristino delle funzionalità di un sistema informatico a seguito di attacco e la continuità operativa; - le tecniche e gli strumenti di threat modeling che consentono di individuare le possibili vulnerabilità e di predisporre le relative correzioni; - i concetti base relativi alle tecniche di stima e gestione del rischio in ambito aziendale; - la misura del rischio relativo ad attacchi informatici; - le metodiche per la riduzione del rischio informatico; - le principali certificazioni di sicurezza per professionisti, per prodotti e per processi; - i concetti di base sulla protezione della privacy nella pubblicazione di microdati e tecniche di differential privacy Capacità di applicare conoscenza e comprensione Lo studente, al termine del corso, dovrà: - saper utilizzare le funzioni crittografiche e i protocolli di comunicazione cifrati - saper individuare il sistema operativo adatto e la sua configurazione in relazione ai requisiti di sicurezza relativi all’ambito applicativo di utilizzo; - saper utilizzare strumenti a supporto di attività di open source intelligence - saper costruire il modello di un sistema secondo le metodologie di threat modeling - saper stimare il rischio cui è soggetto un sistema informatico in relazione all’ambito in cui è inserito; - saper individuare le misure efficaci per la riduzione del rischio Autonomia di giudizio Lo studente, al termine del corso, dovrà saper analizzare un sistema informatico dal punto di vista delle possibili vulnerabilità di sicurezza e proporre le contromisure adeguate per la prevenzione, mitigazione e difesa dalla minaccia utilizzando metodologie basate sulla stima e gestione del rischio. Abilità comunicative Lo studente, al termine del corso, dovrà essere capace di illustrare in modo organico le principali vulnerabilità cui può essere soggetto un sistema informatico legandole alle possibili conseguenze al fine di proporre e motivare adeguatamente le modalità con cui prevenire o mitigare le minacce. Capacità di apprendimento Lo studente verrà guidato nella selezione delle numerose fonti informative disponibili prevalentemente su web, e nella individuazione delle informazioni rilevanti per i diversi scenari applicativi per poter seguire la continua evoluzione dello scenario degli attacchi informatici.

Programma

Lo scenario delle minacce informatiche (6h) Crittografia: strumenti e applicazioni (8h) Autenticazione (6h) Vulnerabilità dei sistemi informatici (3h) Malware (3h) Sicurezza dei Sistemi Operativi e dei Sistemi di Virtualizzazione (4h) Strumenti di Machine Learning per la Cybersecurity (6h) Social Engineering e Open Source Intelligence (6h) Privacy (6h) Elementi di stima e gestione del rischio (18h) Threat Modeling (4h) Stima e gestione del rischio da attacchi informatici (6h) Analisi di incidenti di sicurezza e ripristino delle funzionalità (6h) Certificazioni e standard (4h)

Lo studente dovrà possedere una solida conoscenza dei diversi componenti di un sistema informatico: Architettura dei calcolatori elettronici, Linguaggi di programmazione, Sistemi Operativi, Internet, Basi di Dati, Ingegneria del Software.

Il corso è organizzato con - lezioni frontali - esercitazioni su ciascun argomento del corso basate sull’utilizzo di strumenti professionali open source Il materiale didattico è disponibile nel sito ufficiale di questo insegnamento I docenti sono disponibile a fornire spiegazioni e chiarimenti sia durante l'intervallo fra ore consecutive di lezione, sia durante l'orario di ricevimento, sia a mezzo posta elettronica o Teams. Per soddisfare esigenze didattiche specifiche connesse alla situazione epidemiologica, è prevista la possibilità di lezioni in diretta streaming. Inoltre, le esercitazioni potranno essere svolte mediante forme di interazione a distanza con i supporti informatici disponibili.

Modalità d'esame

La prova d'esame è suddivisa in due parti: - un test finale con 8-10 quesiti a risposta aperta o a risposta multipla ciascuno su un diverso argomento del corso a copertura di tutti gli argomenti. - tre esercitazioni pratiche proposte durante lo svolgimento delle lezioni da completare a casa Il test finale viene valutato con un punteggio da 0 a 24. A ciascun quesito è assegnato un punteggio massimo. Ciascun esercizio viene valutato con un punteggio compreso fra 0 e il punteggio massimo assegnato. Il punteggio massimo viene assegnato in funzione della pertinenza e della correttezza della risposta. Errori di distrazione o dovuti a incomprensioni del testo attribuibili a possibili ambiguità nel testo stesso, avranno un peso inferiore rispetto a errori concettuali chiaramente causati da una conoscenza parziale dell’argomento. Il voto complessivo si ottiene come somma dei punteggi assegnati alla risposta a ciascun quesito. Indipendentemente dal voto complessivo, il test finale sarà considerato superato se lo studente avrà dimostrato una conoscenza sufficiente di tutti gli argomenti del corso. A questo scopo si richiede che lo studente fornisca una risposta a tutte le domande della prova scritta, e che ciascuna risposta dimostri una conoscenza sufficiente dell'argomento trattato. A ciascuna delle esercitazioni viene assegnato un punteggio massimo di 2 o 3 punti per un totale, fra le tre esercitazioni, di 8 punti. Il punteggio terrà conto della correttezza e completezza nella redazione della singola esercitazione. Il voto complessivo si ottiene sommando il punteggio del test al punteggio assegnato alle esercitazioni svolte. Il punteggio massimo è pari a 32. Chi ottiene un punteggio complessivo pari a 32 avrà il voto pari a 30 e lode.

Testi di riferimento

TESTI DI RIFERIMENTO Stallings, Brown, “Computer Security: Principles and Practice”, 5th Edition, Pearson, 2023 Paul C. van Oorschot, Computer Security and the Internet, Springer, 2021 i file PDF dei singoli capitoli sono disponibili aò seguente indirizzo https://people.scs.carleton.ca/%7Epaulv/toolsjewels.html Tony Uceda Velez, Marco M. Morana, “Risk Centric Threat Modeling: Process for Attack Simulation and Threat Analysis”, Wiley, 2015 ALTRI TESTI DI CONSULTAZIONE Andersson R., "Security Engineering 3/ed", WIley, 2020 I capitoli in formato PDF della edizione precedente sono scaricabili al seguente link http://www.cl.cam.ac.uk/~rja14/book.html Matt Bishop, Computer Security 2nd Edition, Addison Wesley, 2019

Codice insegnamento 20536

Data Driven Models For System Engineering 1° anno · 2° semestre · 6 CFU · IIET-01/A · 0 file

Scopo del corso è quello di fornire agli studenti gli strumenti per la costruzione di modelli numerici di sistemi ingegneristici, a partire da dati sperimentali. A questo scopo, in una prima parte vengono trattati i…

Scheda dell'insegnamento

Obiettivi formativi

Scopo del corso è quello di fornire agli studenti gli strumenti per la costruzione di modelli numerici di sistemi ingegneristici, a partire da dati sperimentali. A questo scopo, in una prima parte vengono trattati i metodi più comuni per il trattamento dei segnali, distinguendo i domini di definizione degli stessi tra spazio del segnale e dominio della frequenza. A questo fa seguito una rassegna di tecniche per l'estrazione di caratteristiche del segnale utili alla sintesi dei modelli, con lo scopo principale di ridurre il volume dei dati limitando al tempo stesso la perdita di informazione. Di seguito sono presentate le più diffuse tecniche per la sintesi di modelli basati sui dati. Tra questi si distinguono i modelli regressivi e i classificatori, l'apprendimento supervisionato e non supervisionato, i modelli statici e quelli dinamici, modelli unidirezionali e retro azionati. Attraverso l'esame di una serie di casi-studio tratti dalla letteratura, lo studente avrà modo di acquisire la capacità di sviluppare modelli numerici per sistemi reali. Lo studente farà uso di tale conoscenza sviluppando una breve ricerca su una tematica proposta dallo stesso studente e che sarà esposta per l'esame finale.

Programma

  • Trattamento del Segnale (9 h teoria - 3 h esercitazione): Domini del Tempo, dello Spazio e della Frequenza; Campionamento; Filtri; Individuazione di Anomalie; Eliminazione del Rumore; Riduzione dei Dati; Correlazione; Visualizzazione dei Dati. - Estrazione di Caratteristiche nei domini del Tempo e della Frequenza (9 h teoria - 3 h esercitazione): L'Analisi in Frequenza dalla Serie di Fourier alla Z-Trasformata; Analisi delle Componenti Principali; Wavelets; Analisi di Serie Temporali; - Modelli basati sui Dati (18 h teoria - 6 h esercitazione): Regressione Lineare e Non-Lineare; Classificazione: Classificatori Lineari e Non Lineari, Classificatori Bayesiani; Modelli basati sull'addestramento: Multi-Layer Perceptron; Support Vector Machines; Radial Basis Functions; Deep Neural Networks; Apprendimento non-supervisionato: Apprendimento Hebbiano, Apprendimento Competitivo; Self Organizing Map; Modelli Dinamici: modelli AR, MA, ARMA, ARIMA, Modelli Dinamici Non-Lineari, Filtri Adattativi. - Applicazione ai Sistemi Ingegneristici (2 h teoria - 10 esercitazione): Dispositivi elettromagnetici, Circuiti Caotici, Test Non-Distruttivi, Individuazione e Previsione di Eventi nei reattori per la Fusione Nucleare, Ottimizzazione, Diagnosi di Guasto, Argomenti proposti dagli Studenti

Funzioni multivariate. Studio di funzione. Ricerca di Massimi e Minimi di una funzione: metodi analitici e metodi iterativi del primo e del secondo ordine. Algebra e Calcolo Matriciale. Autovalori e Autovettori. Serie numeriche. Serie di Fourier e di Taylor. Calcolo Fasoriale. Trasformate di Fourier e di Laplace. Campionamento di segnali nel tempo. Aliasing e Teorema di Nyquist. Ambiente Matlab: funzioni principali, manipolazione delle matrici, scrittura di codici. Concetti generali sulla complessità computazionale.

Il corso prevede 60 ore complessive, distribuite tra 38 di lezioni frontali e 22 di esercitazione. Nella prima lezione viene somministrato un questionario in forma anonima per valutare il possesso dei pre-requisiti da parte di tutta la classe. I risultati di tale questionario saranno discussi in aula e poi utilizzati per adattare le lezioni della prima parte del corso, relativa al trattamento dei segnali. Un secondo questionario, facoltativo, sarà somministrato al termine del primo blocco di lezioni, e servirà a fornire indicazioni allo studente riguardo quali parti approfondire, prima del prosieguo del corso. Le esercitazioni di questo primo blocco vengono svolte singolarmente dagli studenti. Il secondo blocco di lezioni, che riguarda l'estrazione di caratteristiche del segnale, prevede ancora lezioni frontali per la parte teorica, mentre per le esercitazioni la classe sarà suddivisa in gruppi di lavoro. La prova pratica prevede la stesura di una breve relazione della prova, da svolgere contestualmente alla prova sulla base di un template fornito dal docente. I singoli gruppi di lavoro saranno formati da 3-4 studenti, e si provvederà a cambiarne la composizione tra le diverse prove. Il materiale prodotto viene messo a disposizione di tutta la classe. Il terzo blocco di lezioni, che riguarda le tecniche per lo sviluppo dei modelli, prevede lo svolgimento di una prova pratica collegata a ciascun argomento della teoria. Le prove consistono nello sviluppo di un modello su un semplice problema di cui viene fornito ai singoli gruppi di lavoro la definizione e i dati di riferimento. Anche le prove di questo gruppo saranno svolte secondo le modalità delle precedenti. Il quarto blocco è incentrato principalmente sulle applicazioni pratiche, e verteranno su argomenti tratti dalla letteratura scientifica. I gruppi di lavoro in questo caso possono raggiungere anche le 5 unità. Lultima ora di esercitazione sarà dedicata allesposizione dei lavori. Per l'esame, lo studente dovrà affrontare un problema di interesse per lingegneria da lui stesso proposto, mentre gli obiettivi specifici del lavoro dovranno essere concordati con il docente. L'esame finale consisterà in una prova scritta, consistente in un questionario a risposta aperta sugli aspetti teorici del corso, e nella presentazione della ricerca svolta.

Modalità d'esame

La verifica dellapprendimento da parte della classe viene effettuata durante tutto il corso, attraverso i questionari nella prima fase, e attraverso le relazioni che i gruppi di lavoro redigono al termine delle esercitazioni. L'esame finale consiste in una prima prova scritta, consistente in un questionario a risposta aperta, e successivamente nell'esposizione dei risultati del lavoro di ricerca scelto dallo studente e concordato con il docente. Le domande del questionario riguarderanno tutti i principali argomenti trattati nel corso, e sarà valutata per ciascuna sia la correttezza e la completezza della risposta, sia la capacità di sintesi e la correttezza formale. Il voto della prova scritta sarà espressa in trentesimi. Della prova orale sarà valutata la validità della metodologia applicata e la capacità espositiva. Con la prova orale lo studente può conseguire fino a 4 punti, che vanno a sommarsi al voto conseguito nello scritto. La votazione di 30 e lode viene conseguita nel caso il punteggio complessivo della prova scritta e di quella orale raggiunga o superi il valore di 32 senza arrotondamenti

Testi di riferimento

A.V. Oppenheim, R. W. Schafer Digital Signal Processing Prentice Hall Ed. W. K. Pratt Digital Image Processing Wiley Ed. C. M. Bishop Neural Networks for Pattern Recognition Oxford University Press J.C. Principe; N. R. Euliano; W. C. Lefebvre Neural and Adaptive Systems Wiley Ed. S. Haykin Adaptive Filter Theory Prentice Hall Ed.

Codice insegnamento 20584

Fault Diagnosis And Estimation In Dynamical Systems 1° anno · 2° semestre · 5 CFU · IINF-04/A · 0 file

In coerenza con gli obiettivi formativi del Corso di Laurea in Computer Engineering, Cybersecurity and Artificial Intelligence, l’obiettivo dell’insegnamento è quello di far acquisire allo studente le competenze di…

Scheda dell'insegnamento

Obiettivi formativi

In coerenza con gli obiettivi formativi del Corso di Laurea in Computer Engineering, Cybersecurity and Artificial Intelligence, l’obiettivo dell’insegnamento è quello di far acquisire allo studente le competenze di base relative ai metodi per la stima dello stato e degli ingressi esogeni in sistemi dinamici, come di seguito dettagliato: Conoscenza e capacità di comprensione: Lo studente conoscerà i modelli in variabili di stato per la rappresentazione dei sistemi dinamici mediante equazioni differenziali e alle differenze, nonché le proprietà strutturali di tali sistemi. Acquisirà familiarità con le principali tecniche di stima dello stato e ricostruzione dei disturbi, anche in presenza di incertezze sul modello. Conoscenza e capacità di comprensione applicate: Lo studente sarà in grado di definire le proprietà strutturali di un sistema dinamico e di applicare le metodologie di base per la progettazione di osservatori dello stato e stimatori di segnali esogeni (disturbi). Autonomia di giudizio: Lo studente sarà in grado di individuare vantaggi e svantaggi di diverse soluzioni progettuali. Abilità comunicative: Lo studente sarà capace di esprimere chiaramente concetti tecnici e scientifici nell'ambito della stima e diagnosi applicate ai sistemi dinamici. Capacità di apprendimento: Lo studente sarà in grado di integrare conoscenze provenienti da varie fonti, al fine di conseguire una visione ampia delle problematiche connesse alla realizzazione di sistemi di stima e diagnosi.

Programma

Introduzione (2 ore di lezioni frontali) Argomenti e obiettivi del corso. Rappresentazione di sistemi dinamici (4 ore di lezioni frontali, 2 ore di esercitazioni) Rappresentazione nello spazio di stato di sistemi dinamici in tempo continuo e in tempo discreto. Analisi di sistemi lineari a tempo continuo. Analisi di sistemi lineari a tempo discreto. Discretizzazione di sistemi dinamici. Forme canoniche di sistemi lineari, sia in tempo continuo sia in tempo discreto. Stabilità di sistemi dinamici (sistemi a tempo continuo e discreto) (6 ore di lezioni frontali, 2 ore di esercitazioni) Punti di equilibrio. Stabilità e stabilità asintotica di punti di equilibrio. Criteri di stabilità per sistemi lineari a tempo continuo e a tempo discreto. Linearizzazione di sistemi non lineari in un punto di equilibrio. Stabilità di sistemi non lineari: metodo diretto e indiretto di Lyapunov per sistemi dinamici a tempo continuo e discreto. Proprietà strutturali dei sistemi dinamici e retroazione dello stato (sistemi a tempo discreto) (6 ore di lezioni frontali, 2 ore di esercitazioni) Controllabilità e osservabilità. Forme canoniche osservabili e controllabili. Matrici di controllabilità e osservabilità. Progetto del controllo in retroazione dello stato per l’assegnazione degli autovalori e LQR. Stima in sistemi dinamici (a tempo discreto) (8 ore di lezioni frontali, 4 ore di esercitazioni) Il problema della stima dello stato. Osservatore asintotico di Luenberger. Osservatori a ordine pieno e ridotto. Procedura di progetto. Retroazione dello stato dell’osservatore e principio di separazione. Filtro di Kalman e filtro di Kalman esteso. Sistemi non lineari e osservatori ad alto guadagno. Diagnosi di guasto (10 ore di lezioni frontali, 4 ore di esercitazioni) Introduzione alla Fault Detection and Identification (FDI). Metodi formali per la diagnosi di guasto. Modelli di guasto nei sistemi dinamici. Il problema della generazione dei residui e della loro valutazione. Generazione dei residui tramite osservatori dello stato. Osservatori ad ingresso sconosciuto (Unknown Input Observers). FDI tramite banchi di UIO. Ricostruzione di segnali esogeni. Stima di parametri e ordine di sistemi lineari. Generazione di residui tramite metodi di stima dei parametri. Problematiche di ricerca attuali.

Le propedeuticità obbligatorie sono indicate nel Regolamento didattico del Corso di Studio Per poter seguire proficuamente le lezioni lo studente deve aver acquisito da precedenti insegnamenti le seguenti conoscenze: Conoscenze: Elementi di analisi matematica, di algebra matriciale, geometria e di fisica. Calcolo integrale e differenziale multivariabile. Rapresentazione e analisi di sistemi dinamici con singolo ingresso e singola uscita e con variabili di stato. Elementi di programmazione Matlab-Simulink.

L'insegnamento è organizzato lezioni frontali ed esercitazioni con l'utilizzo anche di sistemi informatici per il calcolo e la simulazione (Matlab).

Modalità d'esame

La verifica dell’apprendimento consiste in una prova orale in cui lo studente dimostra la conoscenza dei modelli in variabili di stato per la rappresentazione di sistemi dinamici, delle relative proprietà e delle principali tecniche di stima e diagnosi. Lo studente dovrà dimostrare autonomia di giudizio, sapendo individuare vantaggi e svantaggi delle soluzioni progettuali presentate a lezione, e mostrare un’adeguata padronanza del linguaggio tecnico. Durante la prova orale, lo studente discuterà le esercitazioni svolte a lezione. Il punteggio della prova d’esame è attribuito mediante un voto espresso in trentesimi. La prova orale valuta: La conoscenza degli argomenti trattati durante il corso (40% del voto finale) La capacità di applicare la conoscenza acquisita alla progettazione di osservatori (30% del voto finale) L’autonomia di giudizio riguardo alle scelte progettuali (20% del voto finale) La padronanza del linguaggio tecnico (10% del voto finale)

Testi di riferimento

Katsuhiko Ogata, “Discrete-time control systems” second edition, Prentice Hall International editions, 1995 Silvio Simani, Cesare Fantuzzi and Ron J. Patton "Model-based fault diagnosis in dynamic systems using identification techniques" Springer-Verlag 2002. L. H. Chiang, E. L. Russell and R. D. Braatz “Fault Detection and Diagnosis in Industrial Systems “ Springer 2001 Hassan K. Khalil "Nonlinear systems" third edition, Pearson Eduction Limited 2014. Jean-Jacques E. Slotine, Weiping Li "Applied Nonlinear Control" Prentice-Hall, 1991. Alessandro GIUA, Carla SEATZU, Analisi dei sistemi dinamici- 2a edizione, Springer-Verlag Italia, MIlano, 2009. Altre fonti ed articoli da definire forniti durante le lezioni.

Codice insegnamento 20537

Industrial Informatics For Energy Storage Systems 1° anno · 2° semestre · 2 CFU · IIND-08/A · 0 file

L’insegnamento Industrial Informatics for Energy Storage Systems ha l’obiettivo di far acquisire alle studentesse e agli studenti le conoscenze e le competenze fondamentali relative ai sistemi di accumulo per l’energia…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento Industrial Informatics for Energy Storage Systems ha l’obiettivo di far acquisire alle studentesse e agli studenti le conoscenze e le competenze fondamentali relative ai sistemi di accumulo per l’energia per applicazioni stazionarie e veicolari. In particolare, l’insegnamento ha come primo obiettivo formativo acquisire le conoscenze fondamentali sulle varie tecnologie di accumulo, sui principali componenti, così come sulle loro configurazioni e architetture, necessarie per comprendere e sviluppare applicazioni basate su digitalizzazione, machine learning e intelligenza artificiale per il monitoraggio, la diagnostica e la gestione sicura di tali sistemi. Il secondo obiettivo formativo è apprendere le applicazioni delle tecniche di intelligenza artificiale e machine learning nel settore dei sistemi di accumulo per l’energia per il miglioramento delle loro prestazioni. Più in dettaglio, gli obiettivi formativi del corso possono essere espressi secondo i cinque seguenti descrittori: - Conoscenza e capacità di comprensione: Conoscenza e comprensione (1) di tecnologie, principali componenti e configurazioni dei sistemi di accumulo dell’energia, (2) dell’applicazione di tecniche di intelligenza artificiale per il miglioramento delle prestazioni dei sistemi di accumulo dell’energia. - Conoscenza e capacità di comprensione applicate: Capacità di (1) individuare eventuali elementi di criticità nella sicurezza dell’esercizio di un sistema di accumulo dell’energia per applicazioni stazionarie e veicolari (2) individuare tecniche di intelligenza artificiale e machine learning potenzialmente adatte alla risoluzione di specifici problemi riguardanti i sistemi di accumulo dell’energia. - Autonomia di giudizio: Capacità di valutare correttamente (1) eventuali elementi di vulnerabilità nei sistemi di accumulo dell’energia e (2) appropriatezza dell’applicazione di tecniche di intelligenza artificiale e machine learning alla risoluzione di specifici problemi riguardanti i sistemi di accumulo dell’energia. - Abilità comunicative: Capacità di discutere, con interlocutori specialisti e non specialisti, di problematiche e soluzioni associate all’utilizzo di sistemi di accumulo dell’energia. - Capacità di apprendere: Capacità di apprendimento continuo, mediante la corretta interpretazione dei documenti tecnici e della bibliografia scientifica di settore.

Programma

L’insegnamento Industrial Informatics for Energy Storage Systems consta di un totale di 20 ore di teoria. Il programma del corso è il seguente: - Introduzione: contesto e motivazioni (2 ora di teoria). - Fondamenti dei sistemi di accumulo per l'energia: termini e definizioni, tecnologie, batterie. (5 ore di teoria) - Confronto e applicazioni dei sistemi di accumulo per l’energia (3 ore di teoria) - Batterie al litio: tipologie e applicazioni, caratteristiche, invecchiamento, procedure di modellizzazione e caratterizzazione, fondamenti di progettazione, second life e fine vita (5 ore di teoria). - Tecniche di intelligenza artificiale e machine learning applicate ai sistemi di accumulo per l’energia: procedure di caratterizzazione parametrica, stima dello stato, strategie di gestione dell'energia (5 ore di teoria)

Per frequentare proficuamente le lezioni risultano fondamentali conoscenze e competenze di base in matematica e fisica. Competenze in elettrotecnica possono facilitare la comprensione di alcuni argomenti.

Durante le lezioni frontali lo studente acquisisce le conoscenze riguardanti i sistemi di accumulo per applicazioni stazionarie e per applicazioni veicolari. Le lezioni frontali consistono in spiegazioni alla lavagna opportunamente accompagnate dalla proiezione di diapositive preparate dal docente o altri documenti tecnici/scientifici.

Modalità d'esame

La modalità di verifica consiste in una prova orale della durata orientativa di 20-25 minuti. In particolare, il candidato o la candidata dovranno preparare una breve presentazione (della durata massima di 15 minuti) su uno o più argomenti specifici affrontati durante il modulo Industrial Informatics for Energy Storage Systems, analizzando e rielaborando le informazioni provenienti da una o più pubblicazioni scientifiche. Gli argomenti oggetto della prova orale e le pubblicazioni scientifiche utilizzate devono essere scelte dallo studente o dalla studentessa, e sono sottoposte all’approvazione del docente. In alternativa, gli studenti possono presentare una applicazione pratica sviluppata in Matlab/Simulink e basata sulla letteratura scientifica. Gli studenti e le studentesse che intendono sostenere l’esame devono compilare il form disponibile a questo link (https://forms.cloud.microsoft/e/PTFgVg9tGW) almeno 10 giorni prima della data dell’esame. Alla presentazione orale seguirà una discussione con la commissione durante la quale il candidato o la candidata dovranno dimostrare la comprensione degli argomenti presentati e di quelli affrontati dalle lezioni di teoria. Lo studente o la studentessa dovrà dimostrare una conoscenza ed una comprensione almeno sufficienti sui sistemi di accumulo dell’energia, sulle loro applicazioni, proprietà, caratteristiche e sul loro funzionamento. Il punteggio della prova d’esame è attribuito mediante un voto espresso in trentesimi. Il punteggio assegnato alla presentazione orale è di 18/30 punti, mentre alla discussione è assegnato un punteggio massimo di 12/30, per un totale massimo di 30/30. La presentazione orale viene valutata sulla base della struttura narrativa, chiarezza dell’esposizione, proprietà di linguaggio, rispetto dei tempi di presentazione, oltre alla rilevanza dei contenuti presentati rispetto alla tematica scelta/assegnata che devono dimostrare una capacità di comprensione e autonomia di giudizio almeno sufficienti. Tramite la discussione, che consiste in una breve sessione di domande e risposte, sarà valutata la capacità di dialogare con i docenti e di applicare le conoscenze. Per superare l’esame il candidato o la candidata dovrà riportare un voto non inferiore a 18/30. Per conseguire un punteggio pari a 30/30, la persona candidata deve dimostrare di aver acquisito una conoscenza ed una comprensione eccellente degli argomenti presentati e rispondere alle domande poste dal docente con elevata autonomia di giudizio e ottima abilità comunicative.

Testi di riferimento

Per la preparazione dell’esame sono consigliati i seguenti testi di riferimento, disponibili presso la biblioteca della Facoltà di Ingegneria: [1] M. Toll, DIY Lithium Batteries: How to Build Your Own Battery Packs. Toll Publishing, 2017. [2] D. Andrea, Lithium-Ion Batteries and Applications: A Practical and Comprehensive Guide to Lithium-Ion Batteries and Arrays, from Toys to Towns: Batteries: 1, Unabridged edizione. Boston London: Artech House, 2020. [3] D. Andrea, Lithium-Ion Batteries and Applications: A Practical and Comprehensive Guide to Lithium-Ion Batteries and Arrays, from Toys to Towns: Applications: 2, Unabridged edizione. Boston London: Artech House, 2020. [4] D. Andrea, Battery management systems for large lithium-ion battery packs. Boston: Artech House, 2010. [5] M. Ehsani, Y. Gao, and A. Emadi, Modern Electric, Hybrid Electric, and Fuel Cell Vehicles: Fundamentals, Theory, and Design, Second Edition. CRC Press, 2009. [6] A. Kumari and S. Tanwar, Artificial Intelligence-Empowered Modern Electric Vehicles in Smart Grid Systems. Elsevier, 2024. [7] Y. Zhou, J. Yang, G. Zhang, and P. D. Lund, Advances in Digitalization and Machine Learning for Integrated Building-Transportation Energy Systems. Elsevier, 2023. [8] M. S. Alam and M. Krishnamurthy, Eds., Electric Vehicle Integration in a Smart Microgrid Environment. Boca Raton: CRC Press, 2021. [9] J. Tao, R. Zhang, and L. Ma, Application of Artificial Intelligence in Hybrid Electric Vehicle Energy Management. Elsevier, 2024. Il docente mette a disposizione delle studentesse e degli studenti tutte le diapositive presentate a lezione. Ulteriore materiale didattico è fornito dal docente o è scaricabile da internet (può essere richiesto l’accesso tramite rete internet di ateneo o autenticazione federata Idem/GARR).

Codice insegnamento 20539

Industrial Software Development 1° anno · 1° semestre · 7 CFU · IINF-05/A · 0 file

Il corso fornisce agli studenti alcuni strumenti e metodologie per lo sviluppo professionale del software, dalle pratiche ormai consolidate agli approcci più recenti e in continua evoluzione, con un approccio moderno,…

Scheda dell'insegnamento

Obiettivi formativi

Il corso fornisce agli studenti alcuni strumenti e metodologie per lo sviluppo professionale del software, dalle pratiche ormai consolidate agli approcci più recenti e in continua evoluzione, con un approccio moderno, pratico e iterativo. Il percorso copre diversi pilastri dell'ingegneria del software professionale: controllo di versione, sviluppo collaborativo, metodologie agili, testing, integrazione e rilascio continui, containerizzazione, architettura del software e API. Una parte del corso è dedicata al cambiamento di paradigma più recente, ovvero lo sviluppo assistito dall'intelligenza artificiale e la progettazione di sistemi software che integrano l'AI. Lungo il percorso, vengono trattati anche aspetti relativi alla sicurezza nello sviluppo del software, seguendo il paradigma security-by-design nell'ingegneria della sicurezza. Il linguaggio Python è utilizzato come strumento principale per mostrare l'applicazione pratica delle metodologie presentate. Conoscenza e capacità di comprensione Alla fine del corso lo studente conoscerà: - i fondamenti dei moderni processi di sviluppo del software e le basi delle metodologie agili; - le pratiche di sviluppo collaborativo basate sul controllo di versione; - le principali metodologie di verifica del software, incluso lo sviluppo guidato dai test (TDD); - gli strumenti moderni per la gestione, l'integrazione e il rilascio dei progetti software; - i principi di progettazione di architetture software manutenibili e di API; - principi, potenzialità e limiti dello sviluppo assistito dall'AI e della progettazione di applicazioni che integrano l'AI. Capacità di applicare le conoscenze e capacità di comprensione Alla fine del corso lo studente sarà in grado di: - gestire una base di codice condivisa con gli strumenti di controllo di versione; - predisporre ambienti di progetto riproducibili e curare la qualità del codice; - progettare e implementare test automatici e applicare l'approccio TDD ove opportuno; - costruire pipeline di integrazione e rilascio e distribuire applicazioni tramite container; - progettare ed esporre funzionalità attraverso API ben strutturate; - utilizzare in modo efficace e critico gli strumenti di sviluppo assistito dall'AI. Autonomia di giudizio Alla fine del corso lo studente sarà in grado di: - valutare la qualità del software e del relativo processo di sviluppo; - progettare un piano di test e valutare la correttezza del software; - valutare criticamente l'output degli strumenti di AI, riconoscendone i limiti e le implicazioni di sicurezza. Abilità comunicative Al termine del corso lo studente saprà documentare il proprio lavoro e motivare le scelte tecniche, così da essere compreso sia da un interlocutore con adeguate competenze tecniche sia da un interlocutore non tecnico. Capacità di imparare indipendentemente Alla fine del corso lo studente sarà in grado di approfondire in autonomia nuovi linguaggi, strumenti e framework di sviluppo, in un settore in rapida evoluzione.

Programma

Introduzione al corso Fondamenti dello sviluppo software industriale -- Modelli di ciclo di vita e metodologie di sviluppo (plan-driven, Agile, DevOps) -- Qualità del software e debito tecnico -- Il ruolo dell'AI nel lavoro dello sviluppatore Controllo di versione e sviluppo collaborativo -- Fondamenti di Git: commit, branch, merge -- Workflow remoti, pull request e code review -- Convenzioni sui commit e versionamento Python professionale: ambienti, packaging e qualità del codice -- Ambienti riproducibili e gestione delle dipendenze -- Linter, formattatori e controllo statico dei tipi -- Codice manutenibile e cenni ai design pattern; documentazione Testing e sviluppo guidato dai test -- Principi e progettazione dei test; l'ecosistema pytest -- Isolamento delle dipendenze nei test e sviluppo guidato dai test (TDD) -- Cenni a tecniche e ambiti di testing più avanzati Integrazione e rilascio continui e containerizzazione -- Pipeline di integrazione e rilascio continui e quality gate -- Containerizzazione con Docker e distribuzione delle applicazioni Architettura software e API -- Principali stili architetturali e organizzazione dell'applicazione -- Gestione di configurazione e segreti -- Progettazione di API e validazione dei dati Sviluppo assistito dall'AI -- Modelli linguistici per lo sviluppo: potenzialità e limiti -- Prompt e context engineering; uso critico degli strumenti di AI Ingegneria di sistemi basati su AI -- Integrazione di modelli linguistici come componente software -- Cenni al retrieval-augmented generation (RAG) e agli agenti -- Valutazione dei sistemi basati su AI Sicurezza nello sviluppo del software -- Buone pratiche di sicurezza e gestione dei segreti -- Minacce specifiche dei sistemi basati su AI Strumenti e ambienti per la progettazione e lo sviluppo Seminari tenuti da relatori esterni

Ci aspettiamo che gli studenti conoscano le basi della programmazione orientata agli oggetti e abbiano una sufficiente conoscenza di almeno un linguaggio di programmazione. È consigliata una conoscenza di base di Python. I docenti forniranno indicazioni utili per il riallineamento delle competenze, anche attraverso sessioni di tutorato offerte parallelamente al corso.

Il corso si basa su lezioni frontali affiancate da un'ampia componente pratica, con esercitazioni svolte in aula o assegnate per casa, che utilizzano strumenti liberi e open source. Le lezioni si avvalgono di una serie di slide e di materiale forniti dai docenti, allo scopo di integrare la spiegazione e la discussione dei concetti illustrati e delle loro possibili applicazioni. Il materiale è aggiornato ogni anno e reso disponibile sul sito del corso. Ove la situazione lo richiedesse, alcune lezioni potrebbero essere trasmesse online e le esercitazioni potrebbero essere svolte mediante forme di interazione a distanza. Il piano approssimativo del corso è il seguente: Lezioni frontali: 35 ore Esercitazioni e seminari tenuti da relatori invitati: 35 ore

Modalità d'esame

L'esame si compone di una prova scritta e di una parte progettuale. La prova scritta comprende quesiti di teoria ed esercizi di progettazione, implementazione e test di un sistema software, volti a verificare l'effettiva acquisizione dei risultati di apprendimento attesi, toccando tutto il programma a diversi livelli di dettaglio. La prova scritta contribuisce al voto finale con un massimo di 20 punti ed è considerata superata con un punteggio di almeno 12 punti su 20. La valutazione è oggettiva, definita sulla base della percentuale di correttezza di ogni risposta (alla quale è associato un punteggio fisso, non noto al candidato, sulla base del livello di difficoltà). La parte progettuale consiste nella realizzazione di un progetto software, utilizzando gli strumenti illustrati nel corso, e contribuisce con un massimo di 12 punti. Il progetto è valutato considerando il funzionamento del software, la qualità dei test, la cura del processo di sviluppo e del versionamento, la documentazione e le scelte architetturali. Le due prove sono complementari: lo scritto verifica la conoscenza e comprensione degli argomenti e la capacità di applicarli, mentre il progetto accerta la capacità di applicare le metodologie a un caso reale, l'autonomia di giudizio nelle scelte progettuali e le abilità comunicative nella documentazione. Il voto finale si ottiene sommando il punteggio della prova scritta e quello della parte progettuale, per un massimo di 32 punti. L'esame è superato con un voto complessivo di almeno 18/30. In caso di punteggio maggiore o uguale a 31, viene data la lode. Il numero di sessioni d'esame è definito in base al regolamento di Facoltà.

Testi di riferimento

Appunti, slide e materiale del corso, forniti agli studenti attraverso il sito web del corso e aggiornati ogni anno. Documentazione ufficiale di Git, pytest, Docker, FastAPI e degli altri strumenti utilizzati. Documentazione del Model Context Protocol (https://modelcontextprotocol.io) Guide di ingegneria sullo sviluppo assistito dall'AI (Anthropic, OpenAI, Google), aggiornate annualmente OWASP, "Top-10 for LLM Applications" Sommerville - Ingegneria del Software, 10 ed., 2017 Robert C. Martin - Agile Software Development: Principles, Patterns, and Practices Mike Cohn - Agile Estimating and Planning Kent Beck - Test-Driven Development: By Example (2002) Harry J. W. Percival - Test-Driven Development with Python: Obey the Testing Goat (2017)

Codice insegnamento 20533

Intelligent Systems 1° anno · IINF-05/A · 0 file
Machine Learning 1° anno · 2° semestre · 7 CFU · IINF-05/A · 0 file

Il corso sarà interamente svolto in lingua inglese. II corso ha lo scopo di fornire all'allievo la conoscenza dei principali metodi dev'apprendimento automatico ("machine learning") e dei suoi settori di applicazione…

Scheda dell'insegnamento

Obiettivi formativi

Il corso sarà interamente svolto in lingua inglese. II corso ha lo scopo di fornire all'allievo la conoscenza dei principali metodi dev'apprendimento automatico ("machine learning") e dei suoi settori di applicazione al riconoscimento di forme. Vengono illustrati i principali metodi ed algoritmi dell'approccio statistico al riconoscimento di forme, e le metodiche di base per la progettazione e valutazione delle prestazioni di un sistema di "machine learning". Lo studente conoscerà i principali metodi ed algoritmi dell’approccio statistico al riconoscimento di forme e le metodiche di base per la progettazione e la valutazione delle loro prestazioni. Conoscenza e capacità di comprensione applicate: Lo studente sarà in grado di risolvere semplici esercizi numerici sugli algoritmi principali dell'approccio statistico al machine learning, e implementare e sperimentare su calcolatore algoritmi di media complessità. Autonomia di giudizio: Lo studente sarà in grado di analizzare e progettare sistemi per la soluzione di semplici problemi, tenendo in conto di criteri di quali la complessità computazionale e l’accuratezza del sistema. Abilità comunicative: Lo studente acquisirà la capacità di comunicare ed esprimere problematiche inerenti ai sistemi di riconoscimento di forme e di apprendimento automatico. Sarà in grado di confrontarsi su tematiche oggetto del corso, di evidenziare problemi e di proporre soluzioni.

Programma

Contenuti del corso (svolto in lingua inglese) 1) Introduction 2) Elements of Bayesian decision theory 3) Introduction to pattern classification methods 4) Elements of parametric methods for learning-based pattern classification 5) Elements of non-parametric methods: k-nearest neighbor classifier and decision trees 6) Elements of linear discriminant functions and support vector machines 7) Elements of performance evaluation 8) Elements of unsupervised learning 9) Elements of Transformers and Language Models 10) Adversarial machine learning 11) In-class exercises 12) Python Programming language and computer exercises

Conoscenze base di analisi matematica, geometria, e teoria della probabilità.

Il corso è organizzato in: 35 ore di teoria 10 ore di esercizi numerici alla lavagna 20 ore di laboratorio 5 ore di seminari e ripasso

Modalità d'esame

La prova di valutazione consiste di due fasi: - una prova orale, comprendente quesiti di teoria ed esercizi di progettazione, inerenti implementazione e test di un sistema di apprendimento automatico da esempi, che contribuirà ai 2/3 del voto finale; - la realizzazione di un progetto software, utilizzando gli strumenti illustrati nel corso, che contribuirà ad 1/3 del voto finale. La prova orale si compone di domande e richiede lo svolgimento di alcuni esercizi volti a verificare l'effettiva acquisizione dei risultati di apprendimento attesi, toccando la maggior parte del programma a diversi livelli di dettaglio. La valutazione è oggettiva, definita sulla base della percentuale di correttezza di ogni risposta (alla quale è associato un punteggio fisso, non noto al candidato, sulla base del livello di difficoltà). La prova è valutata con un punteggio massimo di 33. In caso di punteggio maggiore o uguale a 32, viene data la lode. Lo studente è stimolato ad andare oltre il semplice studio volto a risolvere il singolo esercizio, mediante problemi che richiedono la capacità di passare dal concetto astratto alla sua applicazione pratica. Lo studente è sempre invitato a motivare la risposta fornita. Tale approccio rende possibile valutare le conoscenze e la capacità di applicarle a problemi di differente complessità, e anche di valutare le capacità di comunicazione e l'autonomia del giudizio. Il numero di sessioni d'esame è definito in base al regolamento di Facoltà.

Testi di riferimento

Pattern Recognition and Machine Learning, C. Bishop, Springer, 2007 Dive into Deep Learning, A. Zhang, Z. C. Lipton, M. Li, A. J. Smola, 2020, https://d2l.ai Pattern Classification (2^ edition), R. O. Duda, P. E. Hart, D. G. Stork, John Wiley & Sons, 2000

Codice insegnamento 19944

Measurements And Cybersecurity For Smart Grid 1° anno · 2° semestre · 2 CFU · IMIS-01/B · 0 file

Il modulo di "Measurements and Cybersecurity for Smart Grid" si propone di fornire agli studenti del primo anno della Laurea Magistrale in Computer Engineering, Cybersecurity and Artificial Intelligence conoscenze…

Scheda dell'insegnamento

Obiettivi formativi

Il modulo di "Measurements and Cybersecurity for Smart Grid" si propone di fornire agli studenti del primo anno della Laurea Magistrale in Computer Engineering, Cybersecurity and Artificial Intelligence conoscenze approfondite nell'ambito delle misure per le Smart Grid, con particolare attenzione ai sistemi di monitoraggio e alle loro vulnerabilità. Il modulo è stato inoltre concepito per fornire una panoramica sulle tecnologie più importanti e promettenti. Più in dettaglio, gli obiettivi formativi del modulo possono essere espressi secondo i cinque seguenti descrittori: - Conoscenza e comprensione. Conoscenza approfondita e comprensione degli aspetti teorici e applicativi fondamentali delle misure in ambito Smart Grid. Conoscenza dei componenti e delle architetture del sistema di monitoraggio e delle criticità legate alla salvaguardia del dato di misura. - Capacità di applicare conoscenza e comprensione. Capacità di individuare sia a livello di progettazione che di gestione gli elementi fondamentali dei sistemi di comunicazione e elaborazione dell'informazione di misura. Capacità di analizzare l'impatto degli attacchi di tipo "bad data" sul sistema di misura nel suo complesso. - Autonomia di giudizio. Capacità di valutare i risultati, selezionare le informazioni rilevanti e le approssimazioni appropriate per la analisi dei sistemi di misura d'interesse. Si considera fondamentale che lo studente metta alla prova la sua capacità di fare scelte progettuali e giustificarle adeguatamente. - Abilità comunicative. Capacità di comunicare le informazioni tecniche in forma sia orale che tramite la predisposizione di una presentazione. Capacità di discutere problemi e soluzioni con interlocutori specialisti e non specialisti. Capacità di essere sia sintetici che accurati a seconda del contesto. - Capacità di apprendere autonomamente. Capacità di apprendimento continuo, mediante la corretta interpretazione di bibliografia tecnica e scientifica, norme tecniche e di legge.

Programma

Introduzione al corso (2 ore) - presentazione corso - richiamo concetti di misura Misure per le Smart Grid (10 ore) - Unità di misura fasoriali (PMUs) e Wide Area Monitoring Systems (WAMS) - Problematiche di sincronizzazione - Misure per la stima dello stato e la gestione della rete - Bad data e qualità dell'informazione Infrastruttura di Smart Metering e Cyber Security (8 ore) - Smart meter e Advanced Metering Infrastructure (AMI) - Architettura e elementi funzionali di una AMI - Sicurezza nel contesto AMI - Minacce e vulnerabilità - Privacy del consumatore nel contesto AMI

E' fondamentale una conoscenza di base della fisica delle reti elettriche, dell’elettronica e della strumentazione convenzionale utilizzata nel campo delle grandezze elettriche. E' richiesta una conoscenza di base dei metodi fondamentali di misurazione e di valutazione dell'incertezza.

Il modulo, della durata complessiva di 20 ore, si sviluppa attraverso lezioni, durante le quali il docente espone gli argomenti previsti nel programma, presentando esempi concreti di dispositivi e sistemi utili alla costruzione dell'infrastruttura di misura.

Modalità d'esame

La verifica dell'apprendimento avviene mediante un unico colloquio orale, la cui formula dipende dalla percentuale di presenze dello studente durante il corso. Per una presenza superiore o uguale al 75 %, viene richiesto allo studente di effettuare una breve presentazione (15 minuti), con relative domande, su un approfondimento effettuato a partire da un argomento tra quelli suggeriti dal docente. Tali temi abbracciano uno o più degli argomenti trattati nel modulo, e possono portare, in particolare, ad esempi pratici di implementazione sul campo degli argomenti visti in teoria. Le conoscenze approfondite sulle misure per le Smart Grid permetteranno allo studente di analizzare casi reali di sistemi di monitoraggio e di investigare le loro vulnerabilità e possibili rimedi. Lo studente potrà mettere alla prova la sua capacità di individuare gli elementi chiave dei sistemi di comunicazione ed elaborazione dell'informazione di misura. La sua capacità di valutare in modo autonomo le soluzioni migliori in uno specifico contesto e di evidenziare le approssimazioni necessarie all'analisi del sistema di misura sarà inoltre valutata. Il punteggio della prova d'esame è attribuito mediante un voto espresso in trentesimi. Per superare l'esame lo studente deve dimostrare di saper presentare in modo sufficiente l'argomento approfondito, rispondere a quesiti base sul tema della presentazione e effettuare collegamenti con i temi visti nelle lezioni teoriche. Per conseguire il massimo punteggio lo studente deve dimostrare di conoscere gli argomenti in modo eccellente. La valutazione tiene conto della capacità sia di esporre con rigore ed efficacia gli argomenti teorici sia di evidenziarne gli aspetti pratici. Si valuterà inoltre la capacità di sintesi dei concetti nel tempo messo a disposizione dalla presentazione che deve avere essere rivolta ad un pubblico di ingegneri formati sul tema delle misure per Smart Grid ma non per forza specialisti della singola applicazione. Lo studente dimostrerà quindi anche la sua capacità di orientarsi nella letteratura tecnica e/o scientifica e di apprendere da essa e dalle norme. Per studenti che hanno seguito meno del 75 % delle ore di lezione, l'orale è un orale classico con domande sugli argomenti presentati e discussi a lezione. In questo caso la formulazione del voto segue le stesse linee del caso precedente con l'ovvio adattamento al diverso tipo di orale.

Testi di riferimento

AA. VV.: “Phasor Measurement Units and Wide Area Monitoring Systems”, Eds. C. Muscas, A. Monti, F. Ponci, Academic Press, 2016. (PMU, WAMS, stima dello stato e architetture di monitoraggio)

Codice insegnamento 20541

Network And Web Security 1° anno · IINF-05/A · 0 file
Network Security 1° anno · 1° semestre · 4 CFU · IINF-03/A · 0 file

L’unita didattica si prefigge lo scopo di fornire allo studente le conoscenze principali riguardanti meccanismi e protocolli utilizzati nell’ambito della sicurezza nelle reti. Conoscenza e capacità di comprensione Lo…

Scheda dell'insegnamento

Obiettivi formativi

L’unita didattica si prefigge lo scopo di fornire allo studente le conoscenze principali riguardanti meccanismi e protocolli utilizzati nell’ambito della sicurezza nelle reti. Conoscenza e capacità di comprensione Lo studente, al termine del corso dovrà conoscere e comprendere: - principali algoritmi e protocolli di autenticazione; - principali protocolli per comunicazioni sicure; - possibili vulnerabilità in rete e principali meccanismi di protezione. Conoscenza e capacità di comprensione applicate Lo studente, al termine del corso, dovrà sapere: - configurare e utilizzare protocolli e algoritmi standard per la sicurezza (ad esempio protocolli IPSec e TLS; chiavi WEP e WPA; etc.); - utilizzo di strumenti per il monitoraggio di una rete e scansione delle possibili vulnerabilità; - configurazione di sistemi di protezione dei nodi di una rete (firewall). Autonomia di giudizio Lo studente, al termine del corso, dovrà sviluppare la capacità di valutare criticamente i risultati della progettazione e saper selezionare la soluzione più efficiente per uno dato scenario applicativo. Abilità comunicative Lo studente, al termine del corso, dovrà essere capace di illustrare in modo organico, e con la corretta terminologia tecnica, le diverse soluzioni di sicurezza a differenti livelli protocollari. Capacità di apprendere Lo studente, al termine del corso, dovrà saper integrare le conoscenze da varie fonti al fine di conseguire una visione ampia delle problematiche connesse alla progettazione e gestione di una rete di telecomunicazione sicura.

Programma

Sicurezza nella rete Internet (approssimativamente 20 ore) - Sicurezza a livello di rete: protocolli IPSec, IPv6 - Sicurezza a livello trasporto e applicativo: SSL, TLS, QUIC, SSH, HTTPS - Attacchi alle reti e configurazione di nodi per la protezione (firewall) - Reti di anonimizzazione Sicurezza nelle reti wireless (approssimativamente 16 ore) - Sicurezza in reti WLAN: WEP, WPA, - Sicurezza in reti a basso tasso di trasmissione - Sicurezza in reti cellulari Applicazioni avanzate (approssimativamente 4 ore) - Cenni di sicurezza in reti IoT - Cenni di blockchain

Conoscenze: concetti di base sull’architettura TCP/IP e di sicurezza informatica. Abilità: utilizzo di semplici comandi applicativi da linea di comando. Competenze: capacità di definire il legame tra problematiche di rete e possibili soluzioni a diversi livelli architetturali.

Il corso è organizzato con approssimativamente - 25 ore di lezioni frontali con supporto di presentazioni grafiche - 15 ore di esercitazioni/laboratori in aula Il docente è disponibile a fornire spiegazioni e chiarimenti sia durante l'intervallo fra ore consecutive di lezione, sia durante l'orario di ricevimento, sia a mezzo posta elettronica.

Modalità d'esame

La verifica dell’apprendimento prevede modalità differenti per gli studenti frequentanti e non frequentanti. Per gli studenti frequentanti, la valutazione è così articolata: - 25% del voto finale (max 8 punti): consegna di un report relativo alle attività di laboratorio svolte durante il corso; - 75% del voto finale (max 24 punti): prova scritta con quesiti a risposta multipla finalizzata a verificare la conoscenza degli argomenti teorici trattati. Per gli studenti non frequentanti, la valutazione è così articolata: - 25% del voto finale (max 8 punti): consegna di un report relativo a un’attività pratica sulle tematiche del corso; - 75% del voto finale (max 24 punti): prova orale volta a verificare la conoscenza degli argomenti teorici e la capacità di discutere criticamente le principali problematiche affrontate. In particolare, lo studente dovrà dimostrare di: - aver compreso le problematiche di sicurezza nelle reti; - conoscere i principali protocolli di sicurezza per le reti; - essere in grado di progettare, attraverso opportuni strumenti software, uno scenario di rete sicuro.

Testi di riferimento

Saranno disponibili i lucidi utilizzati a lezione. Per approfondimenti su temi specifici, è consigliato il seguente testo: - William Stallings, Network Security Essential, Pearson oltre ad articoli scientifici specifici.

Codice insegnamento 21642

Smart Grid And Critical Infrastructures 1° anno · IIND-08/A · 0 file
Supervisory Control And Monitoring 1° anno · 1° semestre · 9 CFU · IINF-04/A · 0 file

In coerenza con gli obiettivi formativi del Corso di Laurea in Ingegneria Elettronica, Informatica e delle Telecomunicazioni, obiettivo dell’insegnamento è quello di far acquisire allo studente conoscenze, abilità e…

Scheda dell'insegnamento

Obiettivi formativi

In coerenza con gli obiettivi formativi del Corso di Laurea in Ingegneria Elettronica, Informatica e delle Telecomunicazioni, obiettivo dell’insegnamento è quello di far acquisire allo studente conoscenze, abilità e competenze fondamentali nell'ambito dell'Automatica declinate secondo i cinque Descrittori di Dublino, e di seguito dettagliate. * Conoscenza e capacità di comprensione: lo studente conoscerà le modalità di rappresentazione dei sistemi dinamici, e gli strumenti per individuare le loro proprietà, comprendendone il relativo significato fisico. Conoscerà i componenti dei sistemi di controllo e saprà valutare le prestazioni dei singoli componenti e del sistema complessivo. Conoscerà le tecniche di base per la progettazione dei controllori single-loop comprendendone l'applicabilità a seconda del contesto. * Conoscenza e Capacità di comprensione applicate: lo studente saprà valutare le prestazioni dei sistemi dinamici lineari sulla base delle loro varie rappresentazioni matematiche e grafiche e le prestazioni dei sistemi di controllo in retroazione sulla base delle funzioni di trasferimento dei blocchi componenti. Saprà definire la funzione di trasferimento dei blocchi da inserire in un sistema di controllo single-loop per soddisfare le specifiche di prestazione. Avrà la capacità di individuare la tecnica di sintesi più efficace. * Autonomia di giudizio: lo studente sarà in grado di valutare criticamente i risultati della analisi effettuata mediante metodi formali e degli esiti della progettazione, anche mediante metodi approssimati. * Abilità comunicative: lo studente sarà capace di esprimere chiaramente concetti tecnici e scientifici nell'ambito dell'automatica, nei contesti dell'ingegneria elettrica e dell'informazione. * Capacità di apprendere: lo studente saprà integrare le conoscenze da varie fonti al fine di conseguire una visione ampia delle problematiche connesse alla analisi ed al progetto dei sistemi di controllo.

Programma

Il corso consiste in due moduli, il primo di 30 ore, Control and Supervision Systems, e il secondo Discrete Event Systems for Security di 60 ore. Nel seguito vengolo illustrati i contenuti dei due moduli. *** Control and Supervision Systems *** Introduzione (2 ore di lezione ) Architettura gerarchica di un sistema di supervisione e controllo: piramide C.I.M. e suoi componenti Sistemi per il controllo locale (6 ore di lezione e 2 di esercitazione) Risposta armonica e suo utilizzo per la caratterizzazione del comportamento di un sistema lineare in retroazione. Controllori PID. Strutture elementari per il controllo: single-loop, cascata, feed-forward, predittore di Smith, anti Wind-up. Controllori a logica programmabile (PLC) (5 ore di lezione e 6 di esercitazione) Struttura hardware. Linguaggio a contatti. Sequential Functional Chart. Interfaccia utente e connessione in rete. Esempi di applicazioni. Reti di comunicazione per il controllo (4 ore di lezione) Bus di campo: modello ISO/OSI, topologie e tipologie. Interconnessione con reti aperte. Sistemi di supervisione (5 ore di lezione) SCADA e DCS. Struttura hardware. Interfaccia utente. Interfaccia di I/O. Ridondanza ed affidabilità. Funzioni di sistemi di acquisizione dati. Interfaccia con la rete di campo. Integrazione con i sistemi aziendali. Problematiche di sicurezza. *** Discrete Event Systems for Security *** Classificazione dei sistemi dinamici (2 ore di lezione) Sistemi ad avanzamento temporale: a tempo continuo e tempo discreto. Sistemi ad eventi discreti: logici e temporizzati. Sistemi ibridi. Automi (6 ore di lezione e 2 di esercitazione) Automi finiti deterministici (AFD). Proprietà degli automi. Modellizzazione mediante automi. L'operatore di composizione concorrente sugli automi. Automi finiti non deterministici (AFN). Determinazione di un AFD equivalente ad un dato AFN. Controllo supervisivo (8 ore di lezione e 4 di esercitazione) Definizione di sistema e proprietà. Operatori su linguaggi e su automi: sincronizzazione, proiezione e composizione concorrente. Supervisore funzione e supervisore sistema. Proprietà del supervisore. Verifica delle proprietà di un supervisore. Specifiche sul linguaggio e sullo stato. Controllabilità e osservabilità. Sintesi di supervisori con osservazione totale. Sintesi di supervisori con osservazione parziale. Diagnosi di guasto (6 ore di lezione e 2 di esercitazione) Modello del processo e modello di guasto. Problema di diagnosi e soluzione mediante diagnosticatore. Diagnosticabilià: definizione; analisi mediante calcolo dei cicli indeterminati: analisi mediante verificatore. Opacità e segretezza (6 ore di lezione e 2 di esercitazione) Flussi di dati sensibili e privacy: opacità e segretezza. Opacità dello stato e del comportamento, intruso e segreto. Analisi dell’opacità mediante osservatore e mediante verificatore. Imposizione dell’opacità mediante controllo supervisivo. Reti di Petri (8 ore di lezione e 2 di esercitazione) Reti di Petri posto/transizione, equazioni di stato, insieme di raggiungibilità e linguaggio. Proprietà fondamentali. Esempi di modellazione. Reti di Petri con etichette. Osservatore dello stato. Diagnosi di guasto e studio dell'opacità mediante Reti di Petri (8 ore di lezione e 4 di esercitazione) Diagnosi di guasto e diagnosticabilità mediante reti di Petri. Studio dell'opacità mediante reti di Petri. Confronti con gli approcci mediante AFD.

Per poter seguire proficuamente le lezioni lo studente deve aver acquisito da precedenti insegnamenti le seguenti conoscenze, abilità e competenze. Conoscenze: Elementi di Analisi matematica e di fisica. Elementi di algebra booleiana. Elementi di logica della programmazione. Basi dei sistemi per l'elaborazione di dati e segnali. Abilità: Calcolo algebrico, differenziale. Redazione di programmi medianti linguaggi di programmazione. Competenze: Capacità di applicare le metodologie dell'algebra, del calcolo differenziale e dell'analisi funzionale per la rappresentazione e l'analisi di segnali e sistemi fisici.

L'insegnamento è organizzato lezioni frontali ed esercitazioni con l'utilizzo di sistemi informatici per la redazione di programmi sequenziali e di semplici interfacce. Verrà valutata l'opportunità di creazione di gruppi di lavoro su temi specifici.

Modalità d'esame

Per superare l'esame finale gli studenti dovranno presentare un lavoro di gruppo in cui viene predisposta una relazione tecnica relativa alla soluzione di un semplice problema di controllo in cui dovranno essere identificate le varie componenti necessarie per l'implementazione di un controllo sequenziale e lo schema SFC che lo realizza. Affinché la relazione venga approvata tutti i componenti del gruppo di lavoro dovranno dimostrare una adeguata conoscenza del sistema di controllo progettato. Gli studenti dovranno inoltre sostenere una prova scritta (se sostenuta immediatamente al termine delle lezioni) o orale (nelle sessioni successive) relativa agli argomenti presentati all'interno del secondo modulo. Tale prova sara' atta a verificare la capacita' dello studente di risolvere problemi di modellazione, controllo, diagnosi di guasto e analisi formulati facendo ricorso a due principali modelli di sistemi ad eventi discreti, ossia gli automi a stati finiti e le reti di Petri. Il voto finale verrà attribuito tenendo conto degli esiti di ciascuna prova, che comunque dovranno essere tutti positivi.

Testi di riferimento

KLS Sharma, Overview of industrial process automation, Elsevier, 2017. J. Hugh, Automating Manufacturing Systems with PLCs, 2007. Dispense a cura del docente.

Codice insegnamento 20535

Web Security 1° anno · 2° semestre · 5 CFU · IINF-05/A · 0 file

L’insegnamento di Web Security fornisce conoscenze e abilità pratiche per: 1. Comprendere architetture, protocolli e tecnologie delle Web App con particolare riferimento agli aspetti di sicurezza. 2. Analizzare richieste…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento di Web Security fornisce conoscenze e abilità pratiche per: 1. Comprendere architetture, protocolli e tecnologie delle Web App con particolare riferimento agli aspetti di sicurezza. 2. Analizzare richieste e risposte HTTP e riconoscere pattern di vulnerabilità. 3. Condurre attacchi controllati, in ambiente didattico, e individuare possibili contromisure. 4. Valutare la sicurezza complessiva di una Web App dal punto di vista server-side e client-side. RISULTATI DI APPRENDIMENTO ATTESI – DESCRITTORI DI DUBLINO A. Conoscenza e comprensione Al termine del corso lo studente conosce: 1. Le caratteristiche di sicurezza delle Web App e delle tecnologie correlate. 2. La struttura delle richieste e delle risposte HTTP e le tecniche di spidering. 3. Le problematiche di autenticazione, incluse password policy, autenticazione multifattore e gestione delle sessioni. 4. Le vulnerabilità relative ai database e le principali tecniche di injection, incluse SQL Injection, NoSQL Injection, SSTI e XXE. 5. Le vulnerabilità avanzate lato server, tra cui SSRF, Request Smuggling, deserializzazione, File Upload e Race Conditions. 6. Le vulnerabilità lato client, tra cui XSS, CSRF, Clickjacking, Prototype Pollution, DOM Clobbering e XS-Leaks. 7. I principali meccanismi di protezione del browser, tra cui SOP, CORS, CSP, SameSite e iframe sandbox. B. Capacità di applicare conoscenza e comprensione Al termine del corso lo studente sarà in grado di: 1. Intercettare e analizzare traffico HTTP. 2. Eseguire in laboratorio attacchi di base e avanzati contro applicazioni Web di media complessità. 3. Valutare e configurare possibili contromisure, incluse tecniche di hardening, policy del browser, sanitizzazione e validazione degli input. 4. Condurre un’analisi di sicurezza end-to-end di una Web App. C. Autonomia di giudizio Al termine del corso lo studente dovrà essere in grado di: 1. Selezionare le tecniche di attacco e difesa più appropriate al contesto. 2. Valutare le criticità residue e stabilire priorità di mitigazione. 3. Motivare le scelte progettuali e operative sulla base di criteri tecnici e di valutazione del rischio. D. Abilità comunicative Al termine del corso lo studente dovrà essere in grado di: 1. Redigere e presentare in maniera chiara report tecnici di sicurezza. 2. Discutere scenari di minaccia e relative contromisure utilizzando un linguaggio tecnico appropriato. E. Capacità di apprendimento Al termine del corso lo studente sarà in grado di: 1. Proseguire autonomamente lo studio delle moderne tecniche di attacco e difesa. 2. Valutare criticamente nuove vulnerabilità e aggiornamenti tecnologici e normativi.

Programma

Il corso si tiene nel secondo semestre ed è organizzato come segue, per un totale di 50 ore. A. Parte introduttiva – 15 ore - Introduzione alla Web Security – 2 ore di teoria. - Caratteristiche di base delle Web App – 2 ore di teoria. - Tecnologie di sicurezza delle Web App, HTTP e Web Spidering – 3 ore di teoria + 3 ore di laboratorio. - Attacchi contro i sistemi di autenticazione – 2 ore di teoria + 3 ore di laboratorio. B. Vulnerabilità lato server – 17 ore - Attacchi contro database e tecniche di Injection – 2 ore di teoria + 3 ore di laboratorio. - Tecniche avanzate di Injection: XXE, NoSQL Injection, SSTI – 3 ore di teoria + 3 ore di laboratorio. - Vulnerabilità avanzate lato server: SSRF, Request Smuggling, Deserializzazione, File Upload, Race Conditions – 3 ore di teoria + 3 ore di laboratorio. C. Vulnerabilità lato client – 18 ore - Attacchi XSS e offuscamento JavaScript – 3 ore di teoria + 3 ore di laboratorio. - Meccanismi di protezione lato browser: SOP, CORS, CSP, SameSite Cookies, iframe sandbox – 3 ore di teoria + 3 ore di laboratorio. - Attacchi avanzati lato client: XS-Leaks, Prototype Pollution, DOM Clobbering, CSRF, Clickjacking, CSS Injection e bug del browser – 3 ore di teoria + 3 ore di laboratorio.

Sono prerequisiti indispensabili: 1. Conoscenze di base di programmazione in almeno uno tra Python, Java e JavaScript. 2. Conoscenze di base di sistemi operativi, reti, HTTP, HTML/CSS e SQL. 3. Capacità di utilizzare shell e terminale e di installare ed eseguire software all’interno di macchine virtuali. Sono prerequisiti raccomandati: - Conoscenze di base di Git e Docker. - Conoscenze introduttive di sicurezza delle applicazioni. Non sono previste ulteriori propedeuticità formali.

L’insegnamento prevede 50 ore di attività didattica, articolate come segue: 1. 26 ore di lezioni frontali, dedicate alla presentazione e all’analisi degli aspetti teorici della sicurezza delle applicazioni Web, con esempi e dimostrazioni pratiche svolte durante le lezioni. 2. 24 ore di attività di laboratorio, svolte individualmente o in piccoli gruppi, dedicate all’analisi di applicazioni Web vulnerabili e all’applicazione controllata delle tecniche di attacco e difesa presentate durante il corso. 3. Eventuali seminari o interventi di professionisti e aziende specializzate nel settore della cybersecurity. Le attività di laboratorio sono finalizzate in particolare allo sviluppo della capacità di applicare le conoscenze acquisite, di selezionare autonomamente tecniche di analisi e attacco adeguate allo scenario proposto e di documentare tecnicamente le attività svolte.

Modalità d'esame

La valutazione dello studente prevede una prova individuale articolata in una parte teorica e una parte pratica, per un punteggio complessivo massimo di 32 punti. A. Parte teorica – massimo 12 punti La parte teorica è costituita da tre domande: - Due domande articolate, valutate fino a 5 punti ciascuna. - Una domanda più specifica, valutata fino a 2 punti. La parte teorica ha l’obiettivo di verificare la conoscenza e la comprensione delle principali vulnerabilità delle applicazioni Web lato server e lato client, dei relativi meccanismi di funzionamento e delle possibili contromisure. In particolare, la prova consente di verificare i risultati di apprendimento relativi alla conoscenza e comprensione delle vulnerabilità Web e alla capacità dello studente di analizzarne criticamente caratteristiche, cause e conseguenze. B. Parte pratica – massimo 20 punti La parte pratica è costituita da due esercizi, valutati fino a 10 punti ciascuno, svolti in uno scenario di laboratorio contenente applicazioni Web intenzionalmente vulnerabili. Per ciascun esercizio lo studente dovrà: - Analizzare lo scenario proposto. - Individuare la vulnerabilità presente. - Selezionare e applicare le tecniche appropriate per sfruttarla in maniera controllata. - Documentare le attività svolte mediante un report tecnico contenente i principali passi effettuati per individuare e sfruttare la vulnerabilità e i risultati ottenuti. La parte pratica ha l’obiettivo di verificare la capacità di applicare concretamente le tecniche di attacco studiate durante il corso, l’autonomia nell’analisi di un’applicazione vulnerabile e la capacità di comunicare in modo chiaro e tecnicamente appropriato la procedura seguita. Essa verifica in particolare i risultati di apprendimento relativi alla capacità di applicare conoscenza e comprensione, all’autonomia di giudizio e alle abilità comunicative. ATTRIBUZIONE DEL VOTO Il punteggio complessivo della prova è ottenuto mediante la somma dei punteggi conseguiti nella parte teorica e nella parte pratica, per un massimo di 32 punti. Per superare l’esame lo studente deve conseguire un punteggio complessivo non inferiore a 18 punti. Il voto finale è espresso in trentesimi: - I punteggi da 18 a 30 corrispondono al relativo voto espresso in trentesimi. - I punteggi pari a 31 o 32 determinano l’attribuzione di 30/30 e lode. Nella valutazione vengono considerati: 1. La correttezza e completezza delle conoscenze teoriche dimostrate. 2. La correttezza della metodologia e del procedimento seguiti nell’analisi e nello sfruttamento delle vulnerabilità. 3. La capacità di scegliere e applicare autonomamente tecniche adeguate allo scenario proposto. 4. La chiarezza, completezza e riproducibilità del report tecnico e l’impiego di un linguaggio tecnico appropriato. CRITERI PER LA FORMULAZIONE DEL GIUDIZIO FINALE - 18–21/30: conoscenza sufficiente ma essenziale degli argomenti e capacità di applicare le principali tecniche di analisi e attacco in scenari relativamente semplici; report tecnicamente corretto nei suoi elementi fondamentali. - 22–24/30: conoscenza discreta degli argomenti e capacità di individuare e sfruttare correttamente le vulnerabilità proposte, con una documentazione adeguata delle attività svolte. - 25–27/30: buona conoscenza degli argomenti, buona autonomia nella scelta e applicazione delle tecniche e report chiaro, completo e tecnicamente appropriato. - 28–30/30: conoscenza molto buona o eccellente degli argomenti, elevata autonomia nella risoluzione degli esercizi, correttezza metodologica e ottima capacità di documentare e motivare le scelte effettuate. - 30/30 e lode: conoscenza eccellente e approfondita degli argomenti, piena padronanza delle tecniche di analisi e attacco, elevata autonomia di giudizio e report particolarmente accurato, completo e rigoroso.

Testi di riferimento

Testo di riferimento: D. Stuttard and M. Pinto, The Web Application Hacker’s Handbook: Finding and Exploiting Security Flaws, 2nd Edition, Wiley. Ulteriore materiale didattico e materiale per gli approfondimenti saranno messi a disposizione durante il corso.

Codice insegnamento 23108

Advanced Embedded Systems 2° anno · 6 CFU · IINF-01/A · 0 file

Conoscenza e capacità di comprensione: approfondire la conoscenza dei sistemi a microprocessore, dei sistemi special-purpose e delle tematiche di ricerca inerenti. Conoscenza e capacità di comprensione applicate:…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione: approfondire la conoscenza dei sistemi a microprocessore, dei sistemi special-purpose e delle tematiche di ricerca inerenti. Conoscenza e capacità di comprensione applicate: capacità di progettazione e ottimizzazione di sistemi elettronici a microprocessore, comprensione delle tecniche di esplorazione dello spazio di progetto. Autonomia di giudizio: sviluppare la capacità di utilizzare criticamente e sinergicamente vari strumenti di analisi, progettazione e prototipazione di sistemi embedded. Abilità comunicative: capacità di esprimere chiaramente concetti tecnici propri del campo, descrivere tramite metriche adatte le performance dei sistemi progettati. Capacità di apprendere: saper integrare le conoscenze da varie fonti al fine di un approfondimento della conoscenza dei sistemi embedded, apprendimento da articoli scientifici e datasheet commerciali di prodotti industriali.

Programma

Partendo dalle basi della progettazione hardware e software orientata ai sistemi embedded, verranno invece proposte tematiche avanzate, attuali e professionalizzanti, con riferimenti al campo della computazione parallela e dei sistemi multiprocessore. La trattazione degli argomenti più importanti sarà seguita da esercitazioni hands-on mirate all'acquisizione di conoscenze pratiche e di una buona manualità nell'utilizzo dei tool di sviluppo.

Progettazione di Sistemi Digitali

Lezioni frontali (40h) ed esercitazioni al calcolatore con simulatori e FPGA (40h) Il corso sarà erogato in presenza.

Modalità d'esame

Esame Orale. L'esame è incentrato sulla verifica della conoscenza degli argomenti affrontati e della padronanza degli strumenti tecnici presentati durante il corso. Sarà verificata la capacità dello studente di utilizzare le tecniche apprese durante le esercitazioni svolte in laboratorio, mediante verifica dei risultati ottenuti e della capacità di commentarli. Requisito minimo per il superamento è la comprensione degli aspetti pratici e tecnici del corso, inerenti il funzionamento dei sistemi e componenti trattati. Il voto viene assegnato sulla base della proprietà di linguaggio con cui si espongono i concetti discussi, della capacità di comprensione dei meccanismi di causa ed effetto tra scelte di design e prestazioni e della organicità e dettaglio della presentazione degli argomenti.

Testi di riferimento

David A. Patterson and John L. Hennessy - "Computer Organization and Design: The Hardware/Software Interface"

Codice insegnamento 20572

Control, Learning And Security In Network Systems 2° anno · 5 CFU · IINF-04/A · 0 file

In coerenza con gli obiettivi formativi del Corso di Laurea in Computer Engineering, Cybersecurity and Artificial Intelligence, l’obiettivo dell’insegnamento è quello di far acquisire allo studente le competenze avanzate…

Scheda dell'insegnamento

Obiettivi formativi

In coerenza con gli obiettivi formativi del Corso di Laurea in Computer Engineering, Cybersecurity and Artificial Intelligence, l’obiettivo dell’insegnamento è quello di far acquisire allo studente le competenze avanzate relative ai metodi per il controllo e l’analisi di sistemi dinamici interconnessi e sistemi multi-agente, anche in relazione alle problematiche di sicurezza dei sistemi dal punto di vista dell’automatica, come dettagliato di seguito. Conoscenza e capacità di comprensione: Lo studente conoscerà i modelli formali per la rappresentazione di sistemi dinamici interconnessi e multi-agente mediante equazioni differenziali e alle differenze, e le proprietà strutturali di tali sistemi. Lo studente comprenderà i metodi più significativi per l’analisi e il controllo distribuito, e la loro vulnerabilità rispetto a guasti o attacchi esterni. Conoscenza e capacità di comprensione applicate: Lo studente saprà definire le proprietà strutturali delle reti di sistemi dinamici, in connessione con la teoria algebrica dei grafi e la rappresentazione di reti attraverso grafi. Lo studente saprà caratterizzare il comportamento emergente di reti di sistemi dinamici, in cui il comportamento globale o collettivo emerge da semplici regole di interazione locale tra i componenti. Autonomia di giudizio: Lo studente sarà in grado di individuare vantaggi e svantaggi di alcune soluzioni progettuali di sistemi interconnessi e multi-agente, anche in relazione alla loro vulnerabilità rispetto al fallimento di singoli componenti o attacchi. Abilità comunicative: Lo studente sarà capace di esprimere chiaramente concetti tecnici e scientifici nell'ambito dei sistemi dinamici e multi-agente. Capacità di apprendere: Lo studente saprà integrare le conoscenze da varie fonti, inclusi recenti articoli scientifici, al fine di conseguire una visione ampia delle problematiche connesse al progetto di sistemi interconnessi e alle loro problematiche di sicurezza dal punto di vista della teoria dei controlli.

Programma

Introduzione (2 ore di lezioni frontali) Argomenti ed obbiettivi del corso. Introduzione ai sistemi interconnessi e multi-agente, esempi motivanti. Introduzione alla teoria algebrica dei grafi (2 ore di lezioni frontali) Grafi come modelli formali di reti di sistemi dinamici. Definizione di grafi indiretti e diretti e loro proprietà. Classi di connettività dei grafi. Grafi periodici e aperiodici. Il grafo condensato e le sue proprietà. Grafi pesati. La matrice di adiacenza. Uso di Matlab per la manipolazione di grafi. Grafi random. Grafi di prossimità. Elementi di teoria delle matrici non-negative per sistemi dinamici (4 ore di lezioni frontali, 2 ore di esercitazione) Definizione e proprietà delle matrici non-negative, matrici stocastiche, matrici irriducibili, matrici primitive, matrici positive. Il teorema del disco di Gershgorin. Teoria di Perron-Frobenious e suoi usi. Diffusione dell’informazione su reti a tempo-discreto e consenso (4 ore di lezioni frontali, 2 ore di esercitazioni) Esempi su reti sociali, sistemi multi-robot e reti di sensori, media distribuita e consenso a tempo discreto. Algoritmi di consenso sulla media e proprietà di stabilità. Collegamenti tra teoria dei grafi, teoria delle matrici non-negative e sistemi dinamici, risultati e dimostrazioni. Progetto di grafi pesati: modelli equal neighbors e Metropolis Hasting. La matrice Laplaciana e protocolli di consenso a tempo continuo (4 ore di lezioni frontali, 2 ore di esercitazione) Definizione della matrice Laplaciana. Proprietà strutturali. Esempi su sistemi meccanici ed elettrici. Rango della matrice Laplaciana. Spettro della matrice Laplaciana. Definizione e significato della connettività algebrica, esempio su problema di clustering. Dinamica basata su Laplaciano. Esempi di reti fisiche che evolvono con dinamica basata su Laplaciano. Reti con sistemi dinamici del secondo ordine e loro applicazione ai sistemi multi-robot. Teoremi sul consenso a tempo continuo e dimostrazioni. Coordinamento di sistemi multi-robot (8 ore di lezioni frontali, 2 ore di esercitazioni) Teoria avanzata di stabilità alla Lyapunov per sistemi non-lineari e insiemi invarianti. Scenari di applicazione di sistemi multi-robot. Il problema del rendezvous e dell’inseguimento di un leader. Introduzione al coordinamento multi-robot. Il metodo dei potenziali artificiali sugli archi. Stormi e controllo di formazione. Progetto di potenziali artificiali per il rendezvous, evitare collisioni, mantenimento della connettività. Criteri di convergenza. Definizione di grafi rigidi, rigidità infinitesimale, matrice di rigiditò e proprietà del suo rango. Grafi minimamente rigidi e sequenza di Hanneberg. Stabilità di formazioni rigide. Ottimizzazione e apprendimento su reti (8 ore di lezioni frontali, 2 ore di esercitazione) Fondamenti di ottimizzazione convessa e distribuita, vincolata e non vincolata. Ottimizzazione distribuita basata su consenso e metodi ADMM. Apprendimento automatico su reti di sistemi multi-agente. Applicazioni all’apprendimento supervisionato su reti. Controllo su reti senza fili e aggregazione sicura di dati su reti di sistemi (6 ore di lezioni frontali, 2 ore di esercitazione) Esempi motivanti. Sistemi lineari controllati su reti con perdita di pacchetti. Teoria di Lyapunov per la stabilità di media quadratica per sistemi lineari con perdita di pacchetti. Vulnerabilità al jamming e attacchi DoS cyber-fisici. Il problema dei generali bizantini. Votazione a maggioranza. Modellazione di agenti avversari. Calcolo di funzioni in presenza di avversari. Consenso sicuro e reti resilienti. Selezione di risultati recenti e problemi di ricerca aperti.

Le propedeuticità obbligatorie sono indicate nel Regolamento didattico del Corso di Studio. Per poter seguire proficuamente le lezioni lo studente deve aver acquisito da precedenti insegnamenti le seguenti conoscenze, abilità e competenze: Elementi di analisi matematica, di algebra matriciale e di fisica. Calcolo integrale e differenziale multivariabile. Rappresentazione e analisi di sistemi dinamici nello spazio di stato. Elementi di programmazione Matlab-Simulink.

Il corso è insegnato tramite lezioni frontali ed esercitazioni in classe che includono l’uso del software Matlab per il calcolo numerico e la simulazione di sistemi dinamici. Un totale di sei esercitazioni con esercizi teorici e pratici sono proposte durante le lezioni e discusse in classe per guidare e verificare l’apprendimento degli argomenti del corso da parte degli studenti.

Modalità d'esame

La verifica dell’apprendimento consiste in una prova orale in cui lo studente dimostra la conoscenza dei modelli formali di sistemi interconnessi e multi-agente, delle loro proprietà e dei metodi per la loro analisi e controllo. Lo studente dovrà dimostrare autonomia di giudizio, sapendo individuare vantaggi e svantaggi delle soluzioni progettuali presentate a lezione e mostrare un’adeguata padronanza del linguaggio tecnico. Durante la prova orale, lo studente sceglie se discutere le esercitazioni del corso oppure presentare un progetto da lui o lei sviluppato, previamente concordato con il docente. Il punteggio della prova d'esame è attribuito mediante un voto espresso in trentesimi. La prova orale valuta: 1- La conoscenza degli argomenti trattati durante il corso (40% del voto finale) 2- La capacità di applicare la conoscenza acquisita (30% del voto finale) 3- L’autonomia di giudizio riguardo alle scelte progettuali (20% del voto finale) 4- La padronanza del linguaggio tecnico (10% del voto finale)

Testi di riferimento

Slide proiettate a lezione/appunti F. Bullo, Lectures on Network Systems, v0.85, 2017 F. Bullo, Lectures on Network Systems, latest version, http://motion.me.ucsb.edu/book-lns/ Vandenberghe, Lieven, and Stephen Boyd. Convex optimization. Vol. 1. Cambridge university press, 2004. Altre letture suggerite: Mehran Mesbahi and M. Egerstedt, Graph Theoretic Methods in Multi-agent Networks, Princeton University Press, 2010 Ishii, Hideaki, and Roberto Tempo. “The PageRank problem, multiagent consensus, and web aggregation: A systems and control viewpoint.” IEEE Control Systems 34.3 (2014): 34-53. Altre fonti ed articoli da definire forniti durante le lezioni.

Codice insegnamento 23506

Digital Forensics 2° anno · IINF-05/A · 0 file
Digital Forensics Law 2° anno · 5 CFU · GIUR-17/A · 0 file

In coerenza con gli obiettivi formativi del Corso di Laurea Magistrale in Computer Engineering, Cybersecurity and Artificial Intelligence, l’insegnamento mira a fornire agli studenti le conoscenze giuridiche e gli…

Scheda dell'insegnamento

Obiettivi formativi

In coerenza con gli obiettivi formativi del Corso di Laurea Magistrale in Computer Engineering, Cybersecurity and Artificial Intelligence, l’insegnamento mira a fornire agli studenti le conoscenze giuridiche e gli strumenti metodologici necessari per comprendere e affrontare le principali problematiche relative ai reati informatici, alle investigazioni digitali e alla prova informatica. Particolare attenzione è dedicata ai requisiti giuridici che regolano l’individuazione, la raccolta, l’acquisizione, la conservazione, l’analisi e l’utilizzo della prova digitale, alla tutela dei diritti fondamentali nelle investigazioni digitali, all’accesso transfrontaliero alle prove elettroniche e al trattamento dei dati personali per finalità di prevenzione, indagine e repressione dei reati. Conoscenza e capacità di comprensione Lo studente acquisirà la conoscenza dei principali principi giuridici in materia di reati informatici e prova digitale, nonché del quadro normativo nazionale, europeo e internazionale relativo alle investigazioni digitali e al trattamento delle prove elettroniche. Conoscenza e capacità di comprensione applicate Lo studente sarà in grado di individuare i requisiti giuridici applicabili all’individuazione, raccolta, acquisizione, conservazione, analisi e presentazione della prova digitale e di valutare la conformità delle attività di digital forensics alle norme giuridiche e processuali applicabili. Autonomia di giudizio Lo studente svilupperà la capacità di valutare criticamente le prove digitali e le procedure di informatica forense sotto il profilo giuridico, tenendo conto di integrità, autenticità, affidabilità, utilizzabilità processuale, garanzie procedurali, protezione dei dati e diritti fondamentali. Abilità comunicative Lo studente sarà in grado di discutere questioni giuridiche relative alle investigazioni digitali e alla prova elettronica utilizzando correttamente la terminologia tecnico-giuridica e di interagire efficacemente con giuristi, esperti di digital forensics, professionisti della cybersecurity e autorità investigative. Capacità di apprendere Lo studente acquisirà gli strumenti necessari per reperire fonti normative, giurisprudenziali e istituzionali qualificate, interpretare autonomamente il quadro normativo applicabile e mantenere aggiornate le proprie conoscenze in un settore caratterizzato da una rapida evoluzione tecnologica e giuridica.

Programma

Il corso è articolato in tre unità didattiche. Unità didattica I – Reati informatici e quadro giuridico delle investigazioni digitali nozioni fondamentali di Diritto dell’informatica rilevanti per l’informatica forense; reati informatici ed evoluzione del quadro normativo italiano ed europeo; principali fattispecie di reato informatico; accesso abusivo ai sistemi informatici, intercettazioni illecite, danneggiamento di dati e sistemi, frode informatica e altre condotte illecite commesse attraverso o contro sistemi informatici; disciplina italiana dei reati informatici e recenti sviluppi in materia di cybersicurezza e criminalità informatica; poteri investigativi relativi a sistemi informatici e dati digitali; perquisizioni, sequestri, ispezioni e acquisizione di dati digitali; diritti fondamentali e garanzie procedurali nelle investigazioni digitali; Convenzione di Budapest sulla criminalità informatica; cooperazione internazionale e Secondo Protocollo addizionale alla Convenzione di Budapest sulla cooperazione rafforzata e la divulgazione delle prove elettroniche. Unità didattica II – Prova digitale e digital forensics nozione e caratteristiche della prova digitale; fonti e tipologie di prova digitale; principi e fasi del processo di digital forensics; individuazione, raccolta e acquisizione della prova digitale; conservazione, integrità e autenticità della prova digitale; copie forensi, hashing e verifica dell’integrità dei dati; catena di custodia e documentazione delle attività forensi; analisi e interpretazione della prova digitale; affidabilità, riproducibilità e validazione delle procedure forensi; utilizzabilità, valore probatorio e valutazione della prova digitale; ruolo e responsabilità dell’esperto di digital forensics; prove digitali provenienti da computer, dispositivi mobili, reti, servizi cloud e piattaforme online; comunicazioni elettroniche, dati di traffico, dati di localizzazione e altre tracce digitali; accesso transfrontaliero alle prove elettroniche; European Production Orders ed European Preservation Orders nel quadro europeo dell’e-Evidence; rapporti con i prestatori di servizi e conservazione e produzione dei dati elettronici; standard e linee guida del Consiglio d’Europa in materia di electronic evidence; analisi di casi pratici relativi all’acquisizione, conservazione e valutazione della prova digitale. Unità didattica III – Protezione dei dati, law enforcement e prova digitale protezione dei dati personali nelle investigazioni digitali; distinzione e coordinamento tra GDPR e Law Enforcement Directive (Direttiva (UE) 2016/680); ambito di applicazione e principi fondamentali della Law Enforcement Directive; categorie di dati e soggetti coinvolti nel trattamento per finalità di law enforcement; principi di liceità, limitazione delle finalità, minimizzazione, esattezza, limitazione della conservazione e sicurezza; condizioni specifiche del trattamento e trattamento dei dati personali nell’ambito delle indagini penali; processi decisionali automatizzati e profilazione nell’attività di law enforcement; diritti dell’interessato nelle indagini e nei procedimenti penali; trattamento sotto l’autorità del titolare o del responsabile; sicurezza, riservatezza, registrazione delle attività e accountability; trattamento di dati biometrici, genetici, di localizzazione e di altri dati digitali sensibili; rapporti tra poteri investigativi, protezione dei dati e diritti fondamentali; principi di proporzionalità e necessità nelle investigazioni digitali; problematiche di protezione dei dati derivanti dagli strumenti di digital forensics e dalle tecnologie investigative; analisi di casi pratici relativi al bilanciamento tra esigenze investigative e tutela dei diritti individuali.

Non sono richieste conoscenze giuridiche specialistiche. Una conoscenza di base dei sistemi informatici, delle reti e della cybersecurity è utile per comprendere il contesto tecnologico delle problematiche giuridiche affrontate durante il corso.

L’insegnamento si svolge mediante lezioni frontali ed esercitazioni, integrate dall’analisi e dalla discussione di casi pratici, provvedimenti giurisprudenziali, testi normativi e scenari di digital forensics. L’inquadramento giuridico e processuale è costantemente affiancato dall’esame di situazioni concrete relative all’individuazione, acquisizione, conservazione, analisi e utilizzo della prova digitale. Particolare attenzione è dedicata all’interazione tra requisiti giuridici e metodologie di digital forensics, al fine di sviluppare la capacità degli studenti di riconoscere le implicazioni giuridiche delle scelte tecniche effettuate nel corso delle investigazioni digitali. Durante le lezioni potranno essere utilizzati testi normativi, sentenze, documenti istituzionali, linee guida tecniche, contributi scientifici e materiali audiovisivi. Le slide e gli ulteriori materiali didattici saranno resi disponibili attraverso i canali istituzionali dell’Ateneo. La frequenza alle lezioni non è obbligatoria, ma è fortemente consigliata per favorire il raggiungimento degli obiettivi formativi dell’insegnamento.

Modalità d'esame

L’esame finale consiste in una prova orale finalizzata a verificare il raggiungimento degli obiettivi formativi dell’insegnamento. Saranno valutate: - la conoscenza e la comprensione del quadro giuridico relativo ai reati informatici, alle investigazioni digitali e alla prova informatica; - la capacità di individuare i requisiti giuridici e processuali applicabili all’acquisizione, conservazione, analisi e utilizzo della prova digitale; - la capacità di valutare i problemi relativi all’integrità, autenticità, affidabilità e valore probatorio della prova digitale; - la capacità di individuare e interpretare le pertinenti fonti nazionali, europee e internazionali; - la capacità di analizzare i rapporti tra poteri investigativi, protezione dei dati e diritti fondamentali; - la capacità di applicare le conoscenze acquisite a casi e scenari concreti di digital forensics; - la capacità di sviluppare collegamenti tra profili giuridici e tecnologici; - il corretto utilizzo della terminologia tecnico-giuridica. La prova orale è unica e valida per entrambe le componenti del corso integrato. La valutazione finale sarà espressa in trentesimi secondo i seguenti criteri: - 18-21: conoscenza essenziale degli argomenti, limitata capacità di individuare le problematiche giuridiche rilevanti e uso non sempre appropriato della terminologia; - 22-25: conoscenza discreta o buona degli argomenti, adeguata capacità di analisi e corretto utilizzo della terminologia tecnico-giuridica; - 26-29: conoscenza approfondita degli argomenti, buona capacità di analisi critica e applicativa e capacità di sviluppare autonomamente collegamenti tra disciplina giuridica e problematiche di digital forensics; - 30-30 e lode: conoscenza completa e approfondita, elevata capacità di analisi critica e applicativa, piena padronanza della terminologia e capacità di affrontare autonomamente problematiche complesse e interdisciplinari di informatica forense.

Testi di riferimento

Per la preparazione dell’esame è richiesto lo studio dei seguenti testi, limitatamente ai capitoli e alle sezioni indicati: - G. Ziccardi, “Italy”, in IEL Privacy and Technology Law, Kluwer Law International BV, 2019, Parte VII, “Computer Related Crimes”: Capitolo 1, “General Legal Development of Computer Crimes in Italy”; Capitolo 2, “Application of Substantial Criminal Law in the Area of ICT”; - M. Caianiello, A. Camon, Digital Forensic Evidence, CEDAM, 2019, Capitolo 3, “The Handling of Digital Evidence in Italy”; - A. Årnes (a cura di), Digital Forensics, Wiley, 2018, Capitoli 1, 2 e 3; - Council of Europe, Electronic Evidence Guide, Version 2.1, Capitoli 1, 2, 3, 6 e 7; - E. Kosta, F. Boehm, The EU Law Enforcement Directive (LED). A Commentary, Oxford University Press, 2024, limitatamente ai seguenti capitoli e sezioni: - “Background and evolution of the LED”; “Article 2 – Scope”; - “Chapter 3 – Definitions”, paragrafi 6 e 7; - “Article 4 – Principles”; - “Article 9 – Specific processing conditions”; - “Article 11 – Automated individual decision-making”; - “Article 18 – Rights of the data subject in criminal investigations and proceedings”; - “Article 23 – Processing under the authority of the controller or processor”. Per gli argomenti interessati da recenti evoluzioni normative nazionali, europee e internazionali non integralmente trattati nei testi indicati, si raccomanda agli studenti di consultare, durante lo studio, la normativa pertinente nella sua versione più aggiornata. Tutti gli studenti, compresi coloro che non frequentano le lezioni, sono pertanto invitati a fare riferimento ai testi vigenti delle fonti normative applicabili, preferibilmente attraverso banche dati e siti istituzionali ufficiali.

Codice insegnamento 23505

Digital Forensics Techniques 2° anno · 5 CFU · IINF-05/A · 0 file

L’insegnamento di Digital Forensics Techniques fornisce conoscenze teoriche e abilità pratiche per l’acquisizione, la conservazione, l’analisi e la presentazione delle evidenze digitali secondo metodologie forensi. In…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento di Digital Forensics Techniques fornisce conoscenze teoriche e abilità pratiche per l’acquisizione, la conservazione, l’analisi e la presentazione delle evidenze digitali secondo metodologie forensi. In particolare, al termine del corso lo studente sarà in grado di comprendere i principi e le principali fasi di un’indagine di Digital Forensics; acquisire e analizzare evidenze digitali preservandone integrità e riproducibilità; analizzare supporti di memorizzazione, file system, memoria volatile e dispositivi mobili; selezionare strumenti e metodologie adeguati allo scenario investigativo; comprendere le principali tecniche di anti-forensics e le applicazioni dell’Intelligenza Artificiale alla Digital Forensics; documentare attività e risultati mediante report tecnici. Risultati di apprendimento attesi – Descrittori di Dublino A. Conoscenza e comprensione Lo studente conoscerà: 1. principi, fasi e metodologia del processo forense; 2. integrità della prova, hashing, catena di custodia e riproducibilità; 3. strutture di supporti di memorizzazione e file system e principali artefatti dei sistemi operativi; 4. principi, artefatti e strumenti di Disk, Memory e Mobile Forensics; 5. principali tecniche di anti-forensics e applicazioni dell’AI alla Digital Forensics. B. Capacità di applicare conoscenza e comprensione Lo studente sarà in grado di: 1. effettuare acquisizioni forensi con metodologie appropriate; 2. analizzare immagini di dischi, memoria volatile e dispositivi mobili; 3. individuare e correlare artefatti digitali rilevanti; 4. utilizzare strumenti di analisi forense in scenari di laboratorio; 5. redigere un report forense chiaro, completo e riproducibile. C. Autonomia di giudizio Lo studente sarà in grado di selezionare metodologie e strumenti adeguati allo scenario, interpretare criticamente gli artefatti recuperati, valutarne i limiti e motivare le conclusioni sulla base delle evidenze. D. Abilità comunicative Lo studente sarà in grado di descrivere le attività svolte utilizzando terminologia tecnico-forense appropriata e di distinguere chiaramente metodologia, evidenze osservate, interpretazione e conclusioni. E. Capacità di apprendimento Lo studente sarà in grado di approfondire autonomamente nuove metodologie, strumenti e tipologie di artefatti attraverso documentazione tecnica e letteratura scientifica.

Programma

Il corso prevede 50 ore complessive: 26 ore di teoria, 22 ore di laboratorio e 2 ore di seminario specialistico. A. Introduzione e metodologia forense – 10 ore (6 teoria + 4 laboratorio) - Teoria: principi della Digital Forensics e caratteristiche dell’evidenza digitale (2h); ruolo dell’esperto forense, integrità e riproducibilità della prova (2h); processo forense, hashing, catena di custodia, acquisizione live/post-mortem e reporting (2h). - Laboratorio: strumenti di base, formati ed estensioni dei file, rappresentazione esadecimale e recupero di informazioni (2h); semplice scenario forense guidato e applicazione della metodologia (2h). B. Disk Forensics – 12 ore (6 teoria + 6 laboratorio) - Teoria: acquisizione fisica/logica, immagini forensi e partizioni (2h); NTFS, FAT, ext4, recupero file cancellati e timeline (2h); Registry, Prefetch, Event Logs e altri artefatti di sistema (2h). - Laboratorio: acquisizione e verifica dell’integrità (2h); analisi di immagini e recupero artefatti (2h); correlazione di artefatti in uno scenario investigativo (2h). C. Memory Forensics – 12 ore (6 teoria + 6 laboratorio) - Teoria: memoria volatile e acquisizione (2h); processi, moduli, utenti, connessioni e altri artefatti RAM (2h); correlazione degli artefatti e identificazione di attività anomale o malevole (2h). - Laboratorio: introduzione a Volatility (2h); estrazione e analisi degli artefatti (2h); scenario forense complesso e correlazione dei risultati (2h). D. Mobile Forensics – 12 ore (6 teoria + 6 laboratorio) - Teoria: architettura mobile, SIM/eSIM, Android, partizioni e file system (2h); acquisizione logica, file-system e fisica (2h); artefatti di sistema/applicazioni, SQLite, comunicazioni, browser e multimedia (2h). - Laboratorio: acquisizione di un dispositivo (2h); analisi di acquisizioni Android (2h); correlazione di artefatti in uno scenario investigativo (2h). E. Anti-Forensics e AI for Digital Forensics – 2 ore di teoria Tecniche di anti-forensics; applicazioni di AI e LLM alla Digital Forensics; limiti e robustezza degli strumenti AI-based; AI come possibile tecnica di anti-forensics e analisi di contenuti generati/manipolati. F. Seminario specialistico – 2 ore Seminario tenuto da un esperto forense su metodologie, strumenti, problematiche avanzate e applicazioni professionali della Digital Forensics.

Sono prerequisiti indispensabili: 1. conoscenze di base dei principali sistemi operativi, in particolare Windows e Unix/Linux; 2. conoscenza generale dei file system e dei supporti di memorizzazione; 3. capacità di utilizzare una shell e i principali strumenti da linea di comando. Sono prerequisiti raccomandati: - conoscenze di base di reti di calcolatori; - conoscenze di base di scripting; - familiarità con macchine virtuali e ambienti Linux. Non sono previste ulteriori propedeuticità formali.

L’insegnamento prevede 50 ore di attività didattica: 1. 26 ore di lezioni frontali teoriche; 2. 22 ore di attività pratiche di laboratorio; 3. 2 ore di seminario specialistico tenuto da un esperto forense. Le lezioni frontali introducono principi, metodologie, strutture dati e artefatti rilevanti per le diverse aree della Digital Forensics. Le attività pratiche sono distribuite in 4 ore di laboratorio introduttivo, 6 ore di Disk Forensics Lab, 6 ore di Memory Forensics Lab e 6 ore di Mobile Forensics Lab. I laboratori prevedono l’uso individuale o in piccoli gruppi di strumenti forensi per l’acquisizione e l’analisi di evidenze digitali. Gli studenti affrontano scenari simulati nei quali devono individuare gli artefatti rilevanti, applicare metodologie appropriate, correlare le informazioni recuperate e documentare i risultati. Le attività pratiche sviluppano la capacità di applicare le conoscenze acquisite, l’autonomia nella scelta di tecniche e strumenti e la capacità di descrivere il lavoro svolto secondo i principi della Digital Forensics.

Modalità d'esame

La valutazione prevede una prova individuale al calcolatore articolata in una parte teorica e una parte pratica, per un massimo di 32 punti. A. Parte teorica – massimo 10 punti La parte teorica comprende due domande da 5 punti ciascuna, relative a due differenti aree tra Disk Forensics, Memory Forensics e Mobile Forensics. Le domande verificano conoscenza e comprensione di aspetti tecnici, metodologie, strutture e artefatti forensi. Il tempo massimo per questa parte è di 1 ora. B. Parte pratica – massimo 22 punti La parte pratica riguarda la terza area tra Disk, Memory e Mobile Forensics, cioè quella non trattata nelle domande teoriche. Lo studente analizza uno scenario forense simulato mediante gli strumenti messi a disposizione. Il task comprende: 1. una domanda generale sulla struttura dell’artefatto o dell’evidenza analizzata – massimo 5 punti; 2. una domanda di difficoltà intermedia sull’analisi e interpretazione degli artefatti recuperati – massimo 6 punti; 3. una domanda più complessa su un aspetto di dettaglio dell’evidenza esaminata – massimo 3 punti. La soluzione deve essere descritta mediante un report forense – massimo 8 punti – che documenti metodologia, strumenti e procedure impiegati, artefatti individuati, passaggi svolti, risultati, interpretazione e conclusioni. Il report valuta la capacità di descrivere e motivare soluzioni tecniche secondo i principi metodologici della Digital Forensics, distinguendo le evidenze osservate dalla loro interpretazione e utilizzando terminologia appropriata. Il punteggio finale è la somma di: teoria 10 punti + task pratico 14 punti + report 8 punti. Il massimo è 32 punti. L’esame è superato con almeno 18/32; i punteggi da 18 a 30 corrispondono al relativo voto in trentesimi, mentre 31 o 32 corrispondono a 30/30 e lode. La valutazione considera correttezza delle conoscenze teoriche, capacità di individuare e interpretare gli artefatti, correttezza metodologica, autonomia nell’uso degli strumenti, capacità di correlare le evidenze e qualità del report. Criteri di valutazione: - 18–21/30: conoscenze essenziali e applicazione corretta delle tecniche di base; - 22–24/30: conoscenze discrete, corretta analisi degli artefatti e report adeguato; - 25–27/30: buona autonomia, corretta correlazione degli artefatti e report completo; - 28–30/30: conoscenze molto buone/eccellenti, elevata autonomia e ottimo rigore metodologico; - 30/30 e lode: piena padronanza di metodologie e strumenti, elevata autonomia di giudizio e report particolarmente rigoroso e accurato.

Testi di riferimento

Testi di riferimento: 1. John Sammons, The Basics of Digital Forensics: The Primer for Getting Started in Digital Forensics, 2nd Edition, Syngress, 2014. 2. Joakim Kävrestad, Marcus Birath, Nathan Clarke, Fundamentals of Digital Forensics: A Guide to Theory, Research and Applications, 3rd Edition, Springer, 2025. Ulteriori riferimenti: 3. Michael Hale Ligh, Andrew Case, Jamie Levy, Aaron Walters, The Art of Memory Forensics: Detecting Malware and Threats in Windows, Linux, and Mac Memory, Wiley, 2014. Ulteriore letteratura scientifica, documentazione tecnica e materiale di approfondimento saranno indicati durante il corso in relazione agli argomenti trattati.

Codice insegnamento 23504

Embedded Systems 2° anno · IINF-01/A · 0 file
Final Examination 2° anno · 15 CFU · 0 file
Internet Of Things And Digital Twins 2° anno · 6 CFU · IINF-03/A · 0 file

L’internet of Things (IoT) è una rete globale di oggetti interconnessi univocamente indirizzabili, basata su protocolli standard di comunicazione. Il corso ha l’obiettivo di presentare agli studenti le tecnologie e i…

Scheda dell'insegnamento

Obiettivi formativi

L’internet of Things (IoT) è una rete globale di oggetti interconnessi univocamente indirizzabili, basata su protocolli standard di comunicazione. Il corso ha l’obiettivo di presentare agli studenti le tecnologie e i principali scenari applicativi del mondo IoT. Le lezioni teoriche saranno affiancate da dimostrazioni ed esercitazioni pratiche in laboratorio. Gli studenti impareranno a creare reti di sensori tramite l’utilizzo di Arduino e NodeMCU ed a implementare diversi protocolli di comunicazione a livello applicazione, quali MQTT o CoAP. Nel dettaglio, gli obiettivi formativi, declinati secondo i Descrittori di Dublino, e in accordo con gli obiettivi formativi del Corso di Laurea Magistrale in Ingegneria delle Telecomunicazioni, sono i seguenti. Conoscenza e comprensione Lo studente, al termine del corso dovrà conoscere e comprendere: Caratteristiche essenziali dell’IoT e principali problematiche; Elementi e funzionalità dei vari livelli dell’architettura di rete IoT e le sue possibili varianti; Meccanismi di funzionamento delle reti di sensori per l’acquisizione di dati di interesse e la loro comunicazione verso le rete Internet; Principali specifiche protocollari che caratterizzano le comunicazioni a livello applicazione tra gli oggetti; Definizione e funzionamento di Digital Twin; Aspetti avanzati nell’IoT: virtualizzazione, discovery e trustworthiness; Capacità di applicare conoscenza e comprensione Lo studente, al termine del corso, dovrà: - saper descrivere, analizzare e progettare un’applicazione IoT, identificandone i requisiti e le specifiche; - essere in grado di comprendere le differenze, in termini di punti di forza e possibili svantaggi, tra le possibili tecnologie abilitanti in riferimento al caso d’uso specifico; - saper configurare correttamente vari dispositivi affinché possano implementare i protocolli di comunicazione richiesti dalle varie applicazioni; - saper implementare il Digital Twin di elementi del mondo reale; - saper predisporre le interfacce più opportune per presentare i servizi offerti agli utenti. Autonomia di giudizio Lo studente, al termine del corso, dovrà saper distinguere i principali vantaggi e svantaggi delle possibili soluzioni IoT a tutti i livelli dell’architettura di rete; dovrà inoltre essere in grado di scegliere autonomamente le tecnologie di accesso abilitanti e l’utilizzo dei protocolli di comunicazioni a livello applicazione sulla base dello scenario di riferimento. Abilità comunicative Lo studente, al termine del corso, dovrà essere in grado di trasmettere informazioni e concetti in modo semplice, sintetico ed efficace; dovrà inoltre essere in grado di esprimersi in maniera adeguata utilizzando la terminologia appresa durante la fase di studio e sviluppare l’abilità nel comunicare le nozioni e i metodi appresi, nonché a formalizzare i problemi in termini di protocolli utilizzati e relative configurazioni e a discutere le relative soluzioni ad interlocutori specialisti e non specialisti. Inoltre, dovrà saper illustrare in modo organico l’interdipendenza dei diversi livelli che compongono un sistema IoT, evidenziandone le caratteristiche sotto diversi punti di vista. Capacità di apprendimento L’evoluzione delle tecnologie IoT richiede una elevata capacità di aggiornamento autonomo. Tramite il corso gli studenti integreranno le conoscenze acquisite negli altri corsi con riferimento ai protocolli usati nella rete Internet e ai principali standard per le tecnologie d’accesso alla stessa. Inoltre, lo svolgimento di attività di studio e presentazione in classe dei progetti sviluppati durante il corso darà agli studenti la capacità di integrare in autonomia le conoscenze apprese con il corso con ulteriori conoscenze e di sintetizzare tali argomenti al fine di impostare con chiarezza una presentazione alla platea di colleghi.

Programma

Il corso di Internet of Things and Digital Twins ha l’obiettivo di presentare agli studenti i concetti base del panorama IoT e DT e aiutarli a sviluppare le capacità di sviluppo, gestione e presentazione di semplici progetti IoT. Il corso si articola, anche temporalmente, nelle seguenti unità didattiche. Generalità sull’Internet of Things (11 ore di teoria, 5 ore di laboratorio): - Introduzione all’IoT; - Organizzare e gestire un progetto IoT; - Architettura generale IoT e panoramica su tecnologie abilitanti, protocolli e applicazioni. Standards, oggetti fisici e virtuali (12 ore di teoria, 10 ore di laboratorio) - Standards Internazionali su IoT e Digital Twin - Digital Twin e Oggetti virtuali; - Gestione degli oggetti virtuali. Applicazioni, protocolli, interfacce utente (10 ore di teoria, 12 ore di laboratorio) - Protocolli di comunicazione a livello applicazione; - Presentazione piattaforma IoT sviluppata al DIEE; - Analisi requisiti applicazioni IoT; - Possibili varianti del paradigma IoT.

Comunicativi: saper presentare concetti ed informazioni in forma orale, scritta e grafica Organizzativi: saper organizzare le attività nell'arco della giornata e programmare un piano di lavoro/studio a medio termine. Conoscenze: lo studente deve avere una conoscenza adeguata delle architetture di reti di telecomunicazioni e dei protocolli della rete Internet, nonché conoscenze di base sull’utilizzo della piattaforma Arduino. Inoltre è necessaria la conoscenza dell’inglese tecnico e della suite di protocolli TCP/IP (corso Internet). Non necessarie, ma consigliabili: basi di tecnologie d’accesso, concetti base di programmazione. Abilità: Le abilità acquisite da precedenti insegnamenti riguardano la capacità di saper analizzare le architetture base delle reti di telecomunicazioni. Competenze: Le competenze acquisite nei precedenti insegnamenti propedeutici sono indispensabili alla comprensione, interpretazione, analisi critica e risoluzione architetture di rete e configurazione dei protocolli.

Il corso è organizzato con - 27 ore di lezioni frontali con supporto di presentazioni grafiche - 33 ore di esercitazioni in aula Il docente è disponibile a fornire spiegazioni e chiarimenti sia durante l'intervallo fra ore consecutive di lezione, sia durante l'orario di ricevimento, sia a mezzo posta elettronica. La didattica è organizzata in modalità tradizionale con lezioni frontali con uso di slide ed esercitazioni in aula mediante l’uso di emulatori e sensori e gateway di vario tipo. Le esercitazioni potranno prevedere turnazioni e/o essere svolte mediante forme di interazione a distanza con i supporti informatici disponibili. In ogni caso, il metodo didattico dovrà tenere conto delle modalità di erogazione della didattica previste dal Manifesto Generale degli Studi per l'A.A. 2025/2026.

Modalità d'esame

Al fine di verificare le conoscenze e la capacità di comprensione, la verifica dell’apprendimento viene effettuata a fine corso attraverso un esame orale, in cui viene richiesto allo studente di rispondere ad una domanda di teoria o di progettazione di applicativi IoT e di giustificare risposta data, così da valutare anche l’autonomia di giudizio. Al fine di verificare la capacità di applicare la conoscenza e la capacità di apprendimento, verranno assegnati dei progetti a gruppi di studenti per la progettazione e lo sviluppo di applicativi IoT. Tali applicazioni saranno basati su richieste ad alto livello da parte del docente che gli studenti dovranno cercare di soddisfare utilizzando le conoscenze acquisite durante il corso. Gli studenti dovranno redigere un documento per presentare le scelte e i risultati raggiunti. A tal fine, verranno valutate le scelte progettuali e l’abilità nell’esporre i risultati del progetto. Infine, gli studenti presentaranno un prototipo del progetto svolto. Il voto finale si ottiene come somma dei punteggi ottenuti per le tre parti. Il punteggio massimo delle prove è pari a 32. Chi ottiene un punteggio complessivo superiore a 30 avrà il voto pari a 30 e lode. Poiché la situazione effettiva è in continuo divenire, le modalità di verifica intermedia e finale potranno essere sostituite da modalità di verifica differenti, ad esempio: lavori individuali o di gruppo (tesine), colloqui orali, prove scritte a distanza mediante ausili informatici (moodle, Teams, etc.), o completamente eliminate nel caso delle verifiche intermedie.

Testi di riferimento

Guinard, Dominique, and Vlad Trifa. Building the web of things: with examples in node. js and raspberry pi. Manning Publications Co., 2016. Dieter Uckelmann, Mark Harrison, Florian Michahelles, “Architecting the Internet of Things” (ISBN: 9783642191565, ISBN-online: 978-3642191572) Cirani, S., Ferrari, G., Picone, M., & Veltri, L. (2018). Internet of Things: Architectures, Protocols and Standards. John Wiley & Sons. Inoltre, vista l’attualità dell’argomento trattato, verranno forniti dal docente gli articoli scientifici di riferimento necessari per l’approfondimento dello studio della materia.

Codice insegnamento 22010

Introduction To Embedded Systems 2° anno · 2 CFU · IINF-01/A · 0 file
Machine Learning Security 2° anno · 5 CFU · IINF-05/A · 0 file

Obiettivi L'obiettivo di questo corso è fornire agli studenti gli elementi fondamentali della sicurezza del machine learning in diversi domini applicativi. Vengono presentati i concetti e i metodi principali della…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivi L'obiettivo di questo corso è fornire agli studenti gli elementi fondamentali della sicurezza del machine learning in diversi domini applicativi. Vengono presentati i concetti e i metodi principali della sicurezza delle tecniche di apprendimento automatico, dalla modellazione delle minacce agli attacchi e alle difese, nonché i metodi di base per valutare correttamente la robustezza di un modello di apprendimento automatico nei confronti di diversi attacchi. Risultati Comprensione dei concetti e dei metodi fondamentali della sicurezza dell'apprendimento automatico e delle sue applicazioni. Capacità di analizzare e valutare attacchi e difese in specifici domini applicativi. Capacità di progettare, valutare e testare modelli di machine learning in Python su dataset di benchmark.

Programma

Parte 1: Sicurezza dell'apprendimento automatico Introduzione alla sicurezza dell'apprendimento automatico: introduzione con esempi pratici di visione artificiale, biometria, soluzioni antispam e di rilevamento di malware. Modelli di minacce e attacchi al machine learning. Modellazione di attacchi al machine learning. Il modello a due giocatori (l'attaccante e il classificatore). Livelli di conoscenza reciproca dei due giocatori (conoscenza perfetta, conoscenza limitata). Modelli di attacco contro il machine learning: attacchi di evasione, avvelenamento, backdoor e privacy. I concetti di security by design e security by obscurity. Valutazione della sicurezza di algoritmi di machine learning. Valutazione delle vulnerabilità attraverso metodi formali e valutazioni empiriche. Valutazioni adattive e non adattive. Progettazione di algoritmi di machine learning sicuri/robusti: Tassonomia delle possibili strategie di difesa. Attacchi di evasione e contromisure. Difese contro attacchi di evasione, avvelenamento, backdoor e privacy. Attacchi di avvelenamento e contromisure. Avvelenamento da backdoor, minacce e difese legate alla privacy. Sessioni pratiche con Python. Sessioni pratiche sugli attacchi contro l'apprendimento automatico e le difese degli algoritmi di apprendimento automatico. Parte 2: Intelligenza artificiale affidabile Regolamentazione dell'IA: la legge europea sull'IA. Linee guida etiche europee per un'IA affidabile. Le normative dell'IA nel mondo. Equità e privacy dell'apprendimento automatico: equità e minacce e difese legate alla privacy. AI spiegabile: metodi di spiegabilità. Metodi globali e locali. Metodi model-specific e model-agnostic. Sessioni pratiche con Python: lezioni pratiche su algoritmi di machine learning spiegabili/equi.

Questo corso è rivolto a studenti laureati che abbiano già frequentato corsi di base (o abbiano una conoscenza di base/intermedia) di machine learning e di intelligenza artificiale e abbiano una conoscenza di base/intermedia dei linguaggi di programmazione (in particolare Python).

Il corso prevede circa 30 ore di lezioni frontali e 20 ore di esercitazioni pratiche con Python.

Modalità d'esame

La prova di valutazione consiste di due fasi: - una prova scritta, comprendente quesiti di teoria ed esercizi di progettazione, implementazione e test di sicurezza di un sistema di apprendimento automatico da esempi, che contribuisce per 2/3 al voto finale. - la realizzazione di un progetto software, utilizzando gli strumenti illustrati nel corso, che contribuisce per 1/3 al voto finale. La prova scritta si compone di alcuni esercizi volti a verificare l'effettiva acquisizione dei risultati di apprendimento attesi, toccando la maggior parte del programma a diversi livelli di dettaglio. La valutazione è oggettiva, definita sulla base della percentuale di correttezza di ogni risposta (alla quale è associato un punteggio fisso, non noto al candidato, sulla base del livello di difficoltà). La prova è valutata con un punteggio massimo di 32. In caso di punteggio maggiore o uguale a 31, viene data la lode. Lo studente è stimolato ad andare oltre il semplice studio volto a risolvere il singolo esercizio, mediante problemi che richiedono la capacità di passare dal concetto astratto alla sua applicazione pratica. Lo studente è sempre invitato a motivare la risposta fornita. Tale approccio rende possibile valutare le conoscenze e la capacità di applicarle a problemi di differente complessità, e anche di valutare le capacità di comunicazione e l'autonomia del giudizio. Il numero di sessioni d'esame è definito in base al regolamento di Facoltà.

Testi di riferimento

A. Joseph, B. Nelson, B. Rubinstein, D. Tygar, Adversarial machine learning, Cambridge University Press, 2018 B. Biggio, F. Roli. Wild patterns: Ten years after the rise of adversarial machine learning. Pattern Recognition 84 (2018): 317-331.

Codice insegnamento 21423

Physical-Layer Techniques For Wireless Communication Security 2° anno · 6 CFU · IINF-02/A · 0 file

Il canale radio impiegato nei sistemi wireless è intrinsecamente condiviso e accessibile e presenta pertanto problematiche di sicurezza differenti rispetto a quelle dei collegamenti cablati. L'insegnamento analizza…

Scheda dell'insegnamento

Obiettivi formativi

Il canale radio impiegato nei sistemi wireless è intrinsecamente condiviso e accessibile e presenta pertanto problematiche di sicurezza differenti rispetto a quelle dei collegamenti cablati. L'insegnamento analizza come le caratteristiche fisiche del collegamento radio impattino sulla sicurezza delle comunicazioni ma possano anche essere utilizzate per incrementare tale sicurezza. Integra inoltre tali conoscenze con applicazioni di sicurezza a radiofrequenza in ambito automotive. Conoscenza e capacità di comprensione Al termine dell'insegnamento lo studente conoscerà i principi fondamentali dei sistemi wireless e dei relativi collegamenti radio, i principali modelli di propagazione, gli effetti di multipath e fading e le tecniche di sicurezza basate sulle proprietà del livello fisico. Conoscerà inoltre i principi della radio fingerprinting, della generazione di chiavi mediante reciprocità del canale, della sicurezza dei sistemi RFID e NFC, del jamming, della compatibilità elettromagnetica e dello schermaggio di dispositivi e circuiti elettronici in ambito automotive. Capacità di applicare conoscenza e comprensione Lo studente sarà in grado di effettuare valutazioni numeriche relative a collegamenti wireless, path loss, multipath e prestazioni delle tecniche di sicurezza considerate. Sarà inoltre in grado di implementare o simulare semplici algoritmi di sicurezza del livello fisico e di analizzare, mediante strumenti numerici, problemi di compatibilità elettromagnetica e di schermaggio. Autonomia di giudizio Lo studente sarà in grado di scegliere modelli e tecniche adeguati al problema considerato, interpretare criticamente risultati numerici e simulativi e valutare i compromessi tra prestazioni, robustezza e sicurezza del collegamento. Abilità comunicative Lo studente sarà in grado di descrivere problemi, metodologie e risultati utilizzando il linguaggio tecnico della propagazione radio, della sicurezza wireless e della compatibilità elettromagnetica, anche attraverso relazioni tecniche e presentazioni. Capacità di apprendimento Lo studente sarà in grado di approfondire autonomamente gli argomenti del corso consultando testi avanzati, articoli scientifici, documentazione tecnica e norme di settore.

Programma

1. Introduzione ai sistemi wireless: schemi a blocchi dei principali sistemi wireless; segnali e protocolli utilizzati; relazioni fondamentali del collegamento radio; sorgenti e propagazione in spazio libero. 13 ore di lezione e 3 ore di esercitazione. 2. Propagazione nei sistemi wireless indoor: modelli di propagazione e valutazione del path loss; multipath e delay spread; fading. 7 ore di lezione e 4 ore di esercitazione. 3. Radio fingerprinting: fingerprint nel dominio del tempo e della frequenza; identificazione e verifica di dispositivi wireless; indici di prestazione. 5 ore di lezione e 2 ore di esercitazione. 4. Reciprocità del collegamento radio: propagazione in ambienti reali; utilizzo della reciprocità del canale; generazione, condivisione e sicurezza di chiavi simmetriche. 5 ore di lezione e 1 ora di esercitazione. 5. Sistemi RFID e NFC: principi di funzionamento e prestazioni; sicurezza dei sistemi RFID UHF; sicurezza dei sistemi NFC. 9 ore di lezione e 3 ore di esercitazione. 6. Jamming: principi e principali tecniche di jamming e cenni alle relative contromisure. 6 ore di lezione e 2 ore di esercitazione. Totale: 45 ore di lezione e 15 ore di esercitazione.

Le propedeuticità obbligatorie sono indicate nel Regolamento didattico del Corso di Studio. Il corso richiede una buona conoscenza degli argomenti di Elettricità e Magnetismo, in particolare quelli relativi a correnti e campi variabili (normalmente disponibili nei corsi di Fisica), e di alcuni argomenti di Matematica, in particolare derivate e integrali, matrici, numeri complessi e proprietà di base della trasformata di Fourier. La conoscenza di base di taluni argomenti di Ingegneria dell'Elettromagnetismo (in particolare onde piane e antenne) può semplificare l'acquisizione delle competenze richieste.

L'insegnamento comprende complessivamente 45 ore di lezioni frontali, 15 ore di esercitazioni numeriche e attività guidate e 20 ore di laboratorio e attività applicative. Le lezioni frontali introducono i principi teorici, i modelli fisici e le principali tecniche di sicurezza considerate, ponendo particolare attenzione alle variabili rilevanti e alle relazioni tra di esse. Le esercitazioni prevedono lo svolgimento di problemi numerici, attività di programmazione, principalmente in Python, e l’utilizzo di strumenti di calcolo numerico, quali MATLAB o software equivalenti, per analizzare l’influenza dei parametri sulle prestazioni dei collegamenti e degli algoritmi di sicurezza. Comprenderanno inoltre attività di simulazione guidata e di implementazione pratica. Le attività del modulo automotive hanno carattere prevalentemente pratico e comprendono l'analisi di casi di studio, l'implementazione di modelli numerici e la simulazione dell'efficienza di schermaggio di dispositivi e circuiti elettronici. La didattica è erogata in presenza e può essere integrata da slide, appunti, articoli scientifici, documentazione tecnica, materiali audiovisivi e risorse disponibili nella piattaforma e-learning.

Modalità d'esame

L’esame è articolato in una prova scritta e in una prova orale individuale. Le prove scritte si svolgono nelle date indicate nel calendario ufficiale degli appelli; la prova orale viene programmata in una data concordata con il docente e deve essere sostenuta entro la conclusione della medesima sessione d’esame nella quale è stata superata la prova scritta. La prova scritta comprende otto quesiti relativi all’intero programma. Ai quesiti sono attribuiti complessivamente fino a 8 punti. La prova comprende inoltre esercizi numerici e applicativi, per un massimo complessivo di 6 punti. Lo scritto verifica la conoscenza dei modelli teorici, la comprensione dei principali fenomeni fisici e delle tecniche di sicurezza trattate nel corso, nonché la capacità di applicare correttamente i metodi alla valutazione quantitativa di sistemi e collegamenti wireless. Durante la prova possono essere consultati i testi di riferimento e il materiale espressamente autorizzato dai docenti. La prova scritta è superata con almeno 7/14. Per la prova orale lo studente sceglie, da una lista predisposta dal docente, due articoli scientifici appartenenti a due diverse aree tematiche del corso. Per ciascun articolo prepara una presentazione della durata massima di 10 minuti, illustrando il problema affrontato, i metodi utilizzati, i principali risultati, i collegamenti con gli argomenti del corso, gli eventuali limiti e le possibili prospettive. Alle presentazioni segue una discussione con domande sugli articoli, sul confronto tra i due lavori e sugli argomenti teorici trattati a lezione. Alla prova orale sono attribuiti al massimo 17 punti, così ripartiti: comprensione dei contenuti e correttezza scientifica, fino a 6 punti; capacità di sintesi, analisi critica e collegamento con gli argomenti del corso, fino a 4 punti; struttura, leggibilità e qualità tecnica delle slide, organizzazione e rispetto dei tempi, fino a 2 punti; chiarezza espositiva e uso appropriato del linguaggio tecnico, fino a 2 punti; correttezza, completezza e autonomia nelle risposte alle domande, fino a 3 punti. La prova orale è superata con almeno 9/17. Per superare l’esame è necessario superare entrambe le prove e conseguire un punteggio complessivo non inferiore a 18/31. Il voto finale è dato dalla somma dei punteggi ottenuti nelle due prove. I punteggi da 18 a 30 corrispondono al medesimo voto espresso in trentesimi; il punteggio di 31 corrisponde a 30 e lode, attribuita in presenza di una prestazione complessivamente eccellente. La valutazione considera la correttezza e la completezza delle conoscenze, il procedimento seguito nella risoluzione dei problemi, la capacità di interpretare criticamente i risultati, l’autonomia nell’applicazione dei metodi, la qualità dell’analisi degli articoli e la chiarezza espositiva. I voti 18­-21 indicano una preparazione sufficiente; 22­-24 una preparazione discreta; 25­-27 una buona preparazione e capacità di analisi; 28­-30 una preparazione molto buona o eccellente, autonomia e padronanza del linguaggio tecnico. La lode richiede piena padronanza dei contenuti, autonomia e particolare capacità di analisi e approfondimento.

Testi di riferimento

Testo di riferimento: D. M. Dobkin, RF Engineering for Wireless Networks, Elsevier-Newnes, 2005. Materiale didattico aggiuntivo: - appunti e slide delle lezioni; - esercizi e materiale per le attività numeriche; - articoli scientifici selezionati; - documentazione tecnica e norme rilevanti per le applicazioni automotive, inclusa la norma IATF 16949 e le norme di compatibilità elettromagnetica indicate durante il corso. Per approfondimenti: D. M. Dobkin, The RF in RFID, Newnes.

Codice insegnamento 20542

Reverse Engineering And Malware Analysis 2° anno · 5 CFU · IINF-05/A · 0 file

L’insegnamento di Reverse Engineering and Malware Analysis fornisce conoscenze teoriche e abilità pratiche per analizzare programmi e applicazioni in assenza del codice sorgente, con particolare riferimento all’analisi…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento di Reverse Engineering and Malware Analysis fornisce conoscenze teoriche e abilità pratiche per analizzare programmi e applicazioni in assenza del codice sorgente, con particolare riferimento all’analisi di software malevolo in ambiente Windows/x86-64 e Android/ARM. Al termine del corso lo studente sarà in grado di comprendere la struttura di programmi eseguibili e applicazioni Android; analizzare codice x86/x64, Dalvik bytecode e codice nativo ARM; applicare tecniche di analisi statica e dinamica; riconoscere comportamenti tipici del malware e tecniche anti-reverse engineering; utilizzare strumenti professionali per analizzare campioni malevoli reali. Risultati di apprendimento attesi – Descrittori di Dublino A. Conoscenza e comprensione Lo studente conoscerà: 1. principi e metodologie di Reverse Engineering e Malware Analysis; 2. struttura dei file PE e organizzazione dei processi in memoria; 3. elementi di Assembly x86/x64 e ARM/AArch64; 4. tecniche di disassembly, decompilation, debugging e dynamic analysis; 5. API, strutture e comportamenti rilevanti del malware Windows; 6. struttura delle applicazioni Android, AndroidManifest, DEX, Dalvik bytecode e codice nativo; 7. principali tecniche di obfuscation e anti-reverse engineering. B. Capacità di applicare conoscenza e comprensione Lo studente sarà in grado di: 1. effettuare analisi statica e dinamica di programmi e malware; 2. interpretare codice x86/x64, Dalvik/Smali e ARM; 3. analizzare file PE, APK, DEX e librerie native; 4. ricostruire funzionalità e comportamento di un campione malevolo; 5. utilizzare disassembler, decompiler, debugger e altri strumenti professionali. C. Autonomia di giudizio Lo studente sarà in grado di selezionare le tecniche più adeguate allo scenario, correlare informazioni provenienti da differenti strumenti e motivare le conclusioni raggiunte. D. Abilità comunicative Lo studente sarà in grado di descrivere con linguaggio tecnico appropriato struttura, comportamento e funzionalità del software analizzato. E. Capacità di apprendimento Lo studente sarà in grado di approfondire autonomamente nuove architetture, strumenti e tecniche di Reverse Engineering e Malware Analysis.

Programma

Il corso prevede 50 ore complessive: 30 ore di teoria e 20 ore di laboratorio. A. Fondamenti di Malware Analysis e Reverse Engineering – 8 ore (6 teoria + 2 laboratorio) - Introduzione a malware, Reverse Engineering, analisi statica e dinamica (2h teoria). - Struttura dei file PE: header, sezioni, IAT/EAT, indirizzamento, relocation e packing (2h teoria). - Assembly x86/x64: memoria del processo, registri, istruzioni, stack, chiamate di funzione e calling conventions (2h teoria). - Laboratorio: analisi della struttura PE e introduzione al disassembly con strumenti professionali (2h). B. Analisi statica e malware Windows – 10 ore (6 teoria + 4 laboratorio) - Disassembly e decompilation, riconoscimento dei principali costrutti del codice e utilizzo di IDA/Ghidra (2h teoria). - Windows API, Registry, file, rete, processi, thread, mutex, servizi e altre strutture rilevanti (2h teoria). - Comportamenti del malware: downloader, backdoor, RAT, credential stealer, persistenza, rootkit e ransomware (2h teoria). - Laboratorio: analisi statica di campioni reali, Windows API e ricostruzione delle funzionalità malevole (4h). C. Analisi dinamica e Anti-Reverse Engineering – 12 ore (6 teoria + 6 laboratorio) - Sandboxing, monitoraggio di processi, file, Registry e comunicazioni di rete (2h teoria). - Debugging: stepping, breakpoint, tracing, registri, stack, heap e memoria del processo (2h teoria). - Anti-disassembly, anti-debugging, packing, obfuscation e altre tecniche anti-analysis (2h teoria). - Laboratorio: dynamic analysis, debugging e analisi completa di campioni malevoli reali in ambiente controllato (6h). D. Reverse Engineering di applicazioni Android – 10 ore (6 teoria + 4 laboratorio) - Architettura Android e struttura di APK/AAB; AndroidManifest, componenti, permission e risorse (2h teoria). - Formato DEX, Dalvik/ART, Dalvik bytecode, registri, metodi e rappresentazione Smali (2h teoria). - Decompilation di codice Java/Kotlin, analisi statica e dinamica, obfuscation e identificazione delle funzionalità dell’applicazione (2h teoria). - Laboratorio: analisi di APK, Manifest, DEX e Smali mediante strumenti dedicati (4h). E. Reverse Engineering ARM e codice nativo Android – 10 ore (6 teoria + 4 laboratorio) - Architettura ARM/AArch64: registri, istruzioni, load/store e operazioni aritmetico-logiche (2h teoria). - Branch, condizioni, chiamate di funzione, stack e calling conventions ARM (2h teoria). - Librerie native ELF, ABI Android, JNI e interazione tra codice Java/Kotlin e codice nativo; tecniche anti-reverse nel codice nativo (2h teoria). - Laboratorio: analisi e debugging di librerie native ARM e correlazione tra codice DEX e codice nativo (4h).

Sono conoscenze importanti per affrontare il corso: 1. fondamenti di programmazione, preferibilmente in C/C++ o linguaggi equivalenti; 2. conoscenze di base sui sistemi operativi, sui processi e sulla gestione della memoria; 3. conoscenze elementari di architettura dei calcolatori e rappresentazione binaria; 4. capacità di utilizzare shell e strumenti da linea di comando. Sono utili, ma non indispensabili, conoscenze preliminari di Assembly, Python, sistemi Windows/Linux e programmazione Android. Non sono previste ulteriori propedeuticità formali.

L’insegnamento prevede 50 ore di attività didattica: 1. 30 ore di lezioni frontali teoriche; 2. 20 ore di attività pratiche di laboratorio. Le lezioni introducono principi, architetture, formati eseguibili e metodologie di Reverse Engineering e Malware Analysis in ambiente Windows/x86-64 e Android/ARM. Le attività pratiche prevedono l’analisi individuale o in piccoli gruppi di programmi e campioni malevoli mediante strumenti professionali, tra cui disassembler, decompiler, debugger, strumenti di monitoraggio e strumenti specifici per applicazioni Android. I laboratori comprendono analisi di file PE, reverse engineering x86/x64, analisi statica e dinamica di malware Windows, analisi di APK e DEX e reverse engineering di codice ARM nativo. I campioni malevoli vengono analizzati esclusivamente in ambienti controllati e isolati. Le attività pratiche mirano a sviluppare autonomia nella scelta delle tecniche di analisi, capacità di correlare informazioni provenienti da differenti strumenti e capacità di ricostruire il comportamento del software analizzato.

Modalità d'esame

La valutazione prevede una prova individuale al calcolatore basata sull’analisi di software e malware, per un massimo complessivo di 32 punti. A. Parte teorica – massimo 10 punti La parte teorica comprende due domande, valutate fino a 5 punti ciascuna: 1. una domanda relativa ad aspetti generali di Reverse Engineering e Malware Analysis in ambiente x86/x64; 2. una domanda relativa al Reverse Engineering e alla Malware Analysis di applicazioni Android/mobile. Le domande verificano la conoscenza di architetture, formati, metodologie e tecniche di analisi affrontati durante il corso. Il tempo massimo per completare la parte teorica è di 1 ora. B. Parte pratica – massimo 22 punti La parte pratica consiste nell’analisi, in ambiente controllato, di un campione malevolo reale per piattaforma Windows/x86-64 oppure Android. Lo studente utilizzerà gli strumenti di analisi messi a disposizione per ricostruire struttura, codice e comportamento del campione e rispondere a tre quesiti: 1. analisi generale della struttura e delle principali funzionalità del campione – massimo 9 punti; 2. analisi approfondita di specifiche funzioni, porzioni di codice o funzionalità complesse – massimo 10 punti; 3. quesito avanzato finalizzato a verificare specifiche competenze di Reverse Engineering e Malware Analysis – massimo 3 punti. La prova pratica verifica la capacità di applicare autonomamente le tecniche studiate, scegliere strumenti e procedure appropriate, interpretare codice e strutture a basso livello e correlare differenti informazioni per ricostruire il comportamento del malware. Il punteggio finale è la somma di parte teorica (10 punti) e parte pratica (22 punti), per un massimo di 32 punti. L’esame è superato con almeno 18 punti. I punteggi da 18 a 30 corrispondono al relativo voto in trentesimi; 31 o 32 punti determinano l’attribuzione di 30/30 e lode. La valutazione considera correttezza delle conoscenze, metodologia di analisi, uso appropriato degli strumenti, capacità di interpretare il codice, autonomia nella risoluzione e correttezza delle conclusioni. Criteri di valutazione: - 18–21/30: conoscenze essenziali e capacità di svolgere analisi di base; - 22–24/30: conoscenze discrete e corretta applicazione delle principali tecniche; - 25–27/30: buona autonomia e capacità di analizzare correttamente funzionalità non immediate; - 28–30/30: conoscenze molto buone/eccellenti ed elevata autonomia nell’analisi; - 30/30 e lode: piena padronanza delle tecniche e capacità di affrontare correttamente anche gli aspetti più complessi del campione.

Testi di riferimento

Testi di riferimento: 1. Michael Sikorski, Andrew Honig, Practical Malware Analysis: The Hands-On Guide to Dissecting Malicious Software, No Starch Press, 2012. 2. Eldad Eilam, Reversing: Secrets of Reverse Engineering, Wiley, 2005. Ulteriori riferimenti: 3. Bruce Dang, Alexandre Gazet, Elias Bachaalany, Sébastien Josse, Practical Reverse Engineering: x86, x64, ARM, Windows Kernel, Reversing Tools, and Obfuscation, Wiley, 2014. 4. Nikolay Elenkov, Android Security Internals: An In-Depth Guide to Android's Security Architecture, No Starch Press, 2014.

Codice insegnamento 23507

Stochastic Models 2° anno · 5 CFU · IINF-04/A · 0 file

Il corso mira a fornire le conoscenze di base necessarie per lo studio e la comprensione dei fenomeni aleatori e dei processi stocastici che sono utili nell'ambito dell’ICT (Information and Communication Technologies).…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a fornire le conoscenze di base necessarie per lo studio e la comprensione dei fenomeni aleatori e dei processi stocastici che sono utili nell'ambito dell’ICT (Information and Communication Technologies). L'obiettivo è di imparare ad applicare tali conoscenze alla modellazione, progettazione ed analisi prestazionale (QoS) di problemi logistici e/o traffico su architetture di rete con risorse condivise. Inoltre, si presenterà il problema della propagazione dell'informazione su una rete di comunicazione e si estenderà la trattazione verso problematiche di stima ed ottimizzazione distribuita nel contesto delle reti di agenti intelligenti (Multi-agent Systems), le quali trovano largo impiego per lo sviluppo di algoritmi decisionali e servizi per moderna IoT (Internet of Things). --- Conoscenza e comprensione Al termine del corso lo studente avrà acquisito le conoscenze di base della modellazione, analisi e ottimizzazione di sistemi complessi interconnessi, soggetti ad ingressi stocastici e caratterizzati da prestazioni anch’esse aleatorie. --- Capacità di applicare conoscenza e comprensione L’impostazione didattica prevede che la formazione teorica sia accompagnata da esempi ed applicazioni (con particolare riferimento alle reti di sistemi interconnessi) che sollecitano la partecipazione attiva, l’attitudine propositiva e la capacità di elaborazione autonoma. --- Autonomia di giudizio Gli argomenti sono proposti in modo da sviluppare la capacità di valutare criticamente i risultati dell’analisi e della progettazione. --- Abilità comunicative Il corso prevede lo svolgimento di una serie di esercitazioni (in aula) al fine di permettere allo studente l’acquisizione di capacità sia nella discussione critica dei risultati ottenuti, sia dei problemi incontrati. --- Capacità di apprendere Scopo del corso è anche quello di permettere allo studente di integrare le conoscenze provenienti da altri corsi con quelle acquisite nel corso in oggetto, avendo in questo modo una visione ampia delle problematiche connesse alla progettazione e gestione di sistemi interconnessi con risorse condivise.

Programma

--- Presentazione del corso Introduzione ai problemi di modellazione stocastica, gestione del traffico, ed al dimensionamento e progettazione di sistemi e servizi con risorse condivise nell’ambito dell’ICT (Information and Communication Technologies). --- Probabilità e processi stocastici Definizioni e conoscenze di base relative alla probabilità e ai processi stocastici essenziali per la comprensione delle reti di code e dei modelli di traffico per reti. --- Catene di Markov Definizioni preliminari. Equazioni di evoluzione. Classificazione degli stati. Distribuzione stazionaria e limite. Ergodicità. Concetto di probabilità di assorbimento e di tempo medio di primo passaggio. Processi nascita-morte. --- Nozioni di Teoria delle code e Teletraffico Nozioni fondamentali della teoria delle code. Classificazione e notazione di Kendall. Code deterministiche. Code stocastiche con capacità infinita. Code stocastiche con capacità limitata e problemi di dimensionamento del buffer. Distribuzioni stazionarie e limite. Ergodicità e Legge di Little. --- Reti di code Reti di code markoviane aperte: equazioni di traffico, teorema di Jackson, legge di Little in grande. Reti di code markoviane chiuse: catene di Markov a tempo continuo equivalente. Esempi in ambito telecomunicazioni. --- Algoritmi randomizzati di stima ed ottimizzazione distribuita Modellazione ed analisi della diffusione di un’informazione in una rete sociale o di comunicazione. Algoritmi di stima ed ottimizzazione su architetture di tipo multi-agente. Metodo di discesa del gradiente e dei Moltiplicatori di Lagrange per problemi di ottimizzazione centralizzata e distribuita. --- Modelli Markoviani Nascosti (MMN) Definizione di un Modelli Markoviano Nascosto. Presentazione e risoluzione dei tre problemi di machine learning canonici basati sui MMN: 1) Calcolo della probabilità che una sequenza dell'uscita si verifichi (vedi Algoritmo di Forward); 2) Calcolo della sequenza di stato più probabile data una sequenza di osservazioni (vedi Algoritmo di Viterbi); 3) Addestramento dei parametri del Modello Markoviano Nascosto attraverso l’algoritmo di Baum-Welch). --- Tool di simulazione Utilizzo di strumenti di simulazione e analisi per i modelli proposti, prevalentemente MATLAB e MATLAB/SIMULINK (vedi Statistics and Machine Learning Toolbox and SimEvents toolbox).

Per poter intraprendere proficuamente lo studio di questa materia lo studente deve aver acquisito da precedenti insegnamenti le seguenti conoscenze, abilità e competenze. --- Conoscenze Elementi di base di algebra lineare. Funzioni esponenziali e logaritmiche e loro proprietà. Equazioni differenziali lineari ordinarie. Integrali. Proprietà dei polinomi. Serie geometriche. Trasformata di Laplace. --- Abilità Calcolo algebrico, matriciale e differenziale. Studio e rappresentazione di funzioni di una o più variabili. Trasformazioni di variabili. --- Competenze Capacità di applicare le metodologie dell'algebra lineare e del calcolo differenziale ed interpretarne i risultati.

35 ore, lezione frontale 15 ore, esercitazione in aula La didattica sarà erogata in presenza.

Modalità d'esame

La valutazione prevede una prova orale finale durante la quale lo studente dovrà dimostrare consapevolezza nell’utilizzo delle tecniche e delle metodologie di base per modellazione di un processo stocastico, e di saperne discutere ed analizzare criticamente la sua evoluzione e proprietà. Dovrà inoltre dimostrare una adeguata abilità e competenza nel risolvere problemi di allocazione delle risorse in relazione al dimensionamento e alla gestione del traffico, ed al dimensionamento e alla pianificazione di sistemi con risorse condivise, sotto date specifiche sulla qualità del servizio. Per superare la prova lo studente dovrà dimostrare una appropriata e corretta conoscenza degli strumenti matematici e delle metodologie di analisi e progettazione visti durante il corso, mostrando al contempo, durante la risoluzione di semplici esercizi, autonomia nel formulare giudizi in merito alle proprie scelte progettuali. Lo studente dovrà inoltre dimostrare una adeguata padronanza linguistica generale e tecnica, nonché una sufficiente capacità di sintesi ed analisi critica. --- Organizzazione dell’esame La prova finale consiste in un esame orale. La prova inizia chiedendo al/alla candidato/a di presentare, in lingua Inglese, un argomento a piacere tra i principali del corso. Tale presentazione avverrà alla lavagna, e non sarà consentito portare materiale di supporto come fogli o presentazioni. La presentazione dovrà durare orientativamente 30 minuti. Successivamente, 2 esercizi simili a quelli visti durante le esercitazioni in aula gli/le verranno sottoposti. Sulla base della qualità espositiva della presentazione e di come lo studente abbia approcciato la risoluzione degli esercizi, ulteriori approfondimenti su aspetti teorici del corso potranno essere richiesti. Il punteggio finale, espresso in trentesimi, è attribuito mediante una media ponderata delle valutazioni attribuite alla presentazione ed agli esercizi, ed alla consapevolezza e capacità espositiva dimostrata. La prova orale valuta: 1. La conoscenza degli argomenti trattati durante il corso (40% del voto finale) 2. La capacità di applicare le conoscenze acquisite al fine di risolvere semplici esercizi e problemi di progetto legati agli argomenti del corso (35% del voto finale) 3. L’autonomia di giudizio riguardo alle scelte progettuali (25% del voto finale) (*) To help students to self-evaluate their theoretical preparation, at the following link, a series of theoretical questions like those of the exams are listed: https://web.unica.it/unica/protected/416791/0/def/ref/MAT408062/ Regarding the exercises, the student can refer to the exercises available on the course webpage. (**) During the final oral examination, under request, the student is allowed to consult the file available at the next url: https://web.unica.it/unica/protected/416790/0/def/ref/MAT408062/ and consisting of a collection of most of the formulas of interest for the course.

Testi di riferimento

--- Dispense ed Esercitazioni con soluzioni* a cura del Prof. Alessandro Pilloni * Tale materiale è esaustivo e sufficiente al superamento dell’esame con il massimo dei voti. Detto ciò, per eventuali approfondimenti si faccia riferimento ai seguenti testi e/o pubblicazioni scientifiche scaricabili attraverso la rete di Ateneo. --- Per approfondimenti relativi a “Teoria della probabilità, Catene di Markov e Teoria delle Code” si faccia riferimento a: • Zukerman, Moshe. “Introduction to queueing theory and stochastic teletraffic models.” arXiv preprint arXiv:1307.2968 (2013).” • Capitolo 3 ed Appendici B, C e D del libro: Di Febbraro, A., Giua, A. “Sistemi ad Eventi Discreti” MvGraw-Hill, 2002, 88-386-0863-6. --- Per approfondimenti relativi al modulo di “Algoritmi randomizzati di stima ed ottimizzazione distribuita” si faccia riferimento a: • A. J. Ganesh, Rumour spreading on graphs . University of Bristol, 2015 • Olfati-Saber, R., Fax, J. A., & Murray, R. M. (2007). Consensus and cooperation in networked multiagent systems. Proceedings of the IEEE, 95(1), 215-233 • Boyd, S., Ghosh, A., Prabhakar, B., & Shah, D. (2006). Randomized gossip algorithms. IEEE transactions on information theory, 52(6), 2508-2530. • Wang & Elia (2011). A control perspective for centralized and distributed convex optimization. In IEEE Conf. on Decision and Control, pp. 3800-3805 • Nedic & Veeravalli (2009). Asynchronous gossip algorithms for stochastic optimization. IEEE Conf. on Decision and Control, pp. 3581-3586. --- Per approfondimenti relativi al modulo “Modelli Markoviani Nascosti” si faccia riferimento a: • Lawrence R. Rabiner (February 1989). "A tutorial on Hidden Markov Models and selected applications in speech recognition".

Codice insegnamento 20580

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.