Corso di laurea
Ingegneria Informatica
Università della Calabria · 41 materie · 0 file condivisi
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
Il corso mira a fornire le competenze fondamentali nel campo della crittografia moderna, con particolare riferimento ai modelli formali di sicurezza, alle primitive crittografiche e ai principali protocolli utilizzati…
Scheda dell'insegnamento
Obiettivi formativi
Il corso mira a fornire le competenze fondamentali nel campo della crittografia moderna, con particolare riferimento ai modelli formali di sicurezza, alle primitive crittografiche e ai principali protocolli utilizzati nei sistemi informatici e nelle reti.
Conoscenza e capacità di comprensione
Lo studente acquisirà conoscenze relative ai principi teorici della crittografia moderna, ai cifrari simmetrici e asimmetrici, ai sistemi di firma digitale e alle infrastrutture PKI.
Capacità di applicare conoscenza e comprensione
Lo studente sarà in grado di analizzare protocolli e algoritmi crittografici, valutarne le proprietà di sicurezza e utilizzare strumenti software per applicazioni pratiche di crittografia.
Autonomia di giudizio
Lo studente svilupperà capacità critiche nella valutazione della robustezza di schemi crittografici e nell’identificazione di vulnerabilità e attacchi.
Abilità comunicative
Lo studente sarà in grado di descrivere in modo rigoroso algoritmi, protocolli e modelli di sicurezza utilizzando il lessico tecnico appropriato.
Capacità di apprendimento
Lo studente acquisirà gli strumenti metodologici necessari per approfondire autonomamente temi avanzati della crittografia e della sicurezza informatica.
Programma
Il corso introduce i principi teorici e gli algoritmi fondamentali della crittografia moderna. Verranno trattati i principali schemi di crittografia simmetrica e asimmetrica, le primitive crittografiche per autenticazione e integrità, i protocolli di scambio di chiavi, le firme digitali, le infrastrutture a chiave pubblica (PKI), i protocolli a conoscenza zero e gli strumenti software per la crittografia applicata (GnuPG e OpenSSL). Particolare attenzione sarà dedicata ai modelli formali di sicurezza e all’analisi dei principali attacchi crittografici.
Introduzione.
Sicurezza informatica e crittografia: panoramica, nozioni preliminari, terminologia . Applicazioni della crittografia . Storia della crittografia. Crittografia simmetrica vs. crittografia asimmetrica.
Crittografia Simmetrica.
Principi della crittografia simmetrica.
Cifrari a Flusso: One-Time Pad e segretezza perfetta, generatori pseudocasuali (PRG) e definizioni formali di sicurezza, sicurezza semantica, principali attacchi.
Cifrari a Blocchi: Costruzione di Feistel e Substitution-Permutation Networks, DES, 3DES, DESX, AES. Principali attacchi.
Modi operativi one-time key: ECB e Deterministic Counter Mode. Sicurezza dei modi operativi one-time key e principali attacchi.
Modi operativi many-time key: approccio randomizzato e basato su nonce. Cipher Block Chaining (CBC) e Counter Mode (CTR). Sicurezza dei modi operativi many-time key e principali attacchi.
Message Authentication Code (MAC): definizione formale e sicurezza. Costruzioni: ECBC-MAC, NMAC, CMAC, PMAC, Carter-Wegman MAC. Funzioni hash e HMAC. Padding. Attacchi.
Authenticated Encryption: Definizione formale e sicurezza. Schemi di authenticated encryption (AE e AEAD). Caso di studio: TLS.
Gestione e Scambio di Chiavi.
Distribuzione delle chiavi nella crittografia simmetrica. Trusted third party. Puzzle di Merkle . Protocollo Diffie-Hellman. Attacchi man-in-the-middle e autenticazione del key exchange.
Crittografia Asimmetrica.
Concetti di base della crittografia asimmetrica.
Algoritmo RSA, Algoritmo di Rabin, Algoritmo di ElGamal.
Sicurezza dei cifrari asimmetrici.
Firma Digitale e PKI. Certification Authority e certificati digitali.
Protocolli a conoscenza zero.
Principi dei protocolli a conoscenza zero (Zero-Knowledge Proofs).
Protocollo di Fiat-Shamir.
Strumenti.
GnuPG: utilizzo e casi d'uso .
OpenSSL: utilizzo e casi d'uso.
Modalità d'esame
Metodi di Valutazione dell’Apprendimento.
La valutazione dell’apprendimento prevede una prova orale individuale della durata indicativa compresa tra 30 e 60 minuti (prova a stimolo aperto-risposta aperta).
La prova consiste in domande a risposta aperta riguardanti:
- principi teorici della crittografia;
- descrizione e funzionamento degli algoritmi studiati;
- analisi di proprietà di sicurezza;
- discussione di possibili vulnerabilità e attacchi.
Durante la prova potrà essere richiesto allo studente di discutere scenari applicativi e confrontare differenti soluzioni crittografiche.
Criteri di Valutazione dell’Apprendimento.
La prova mira a verificare:
- il livello di comprensione teorica;
- la capacità di applicare modelli e tecniche crittografiche;
- la capacità di analisi critica della sicurezza;
- la proprietà di linguaggio tecnico-scientifico.
Criteri di Misurazione dell’Apprendimento e Attribuzione del Voto Finale.
La valutazione è espressa in trentesimi.
Il superamento dell’esame richiede una votazione minima di 18/30, corrispondente alla conoscenza sufficiente degli argomenti fondamentali e alla capacità di analizzare semplici schemi crittografici.
Valutazioni elevate saranno attribuite agli studenti che dimostrino autonomia critica, rigore metodologico e capacità di collegamento tra i diversi argomenti del corso.
Appelli d’esame
Gli appelli saranno pubblicati sul portale di Ateneo secondo il calendario ufficiale del Corso di Studio.
Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).
Testi di riferimento
Dan Boneh, Victor Shoup,
“A Graduate Course in Applied Cryptography”.
Jonathan Katz, Yehuda Lindell,
“Introduction to Modern Cryptography”. CRC Press, 2014.
Bruce Schneier,
“Applied Cryptography: Protocols, Algorthms, and Source Code in C”. Wiley, 1996.
Mark Stamp,
“Information Security: Principles and Practice”. Wiley, 2005.
Materiale didattico a cura del docente.
Codice insegnamento 27007369
Il corso ha l’obiettivo di: Fornire conoscenze relative a i principi di funzionamento dei moderni sistemi di calcolo avanzato e le organizzazioni hardware orientate alle alte prestazioni. Sviluppare competenze sulle…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha l’obiettivo di:
- Fornire conoscenze relative a i principi di funzionamento dei moderni sistemi di calcolo avanzato e le organizzazioni hardware orientate alle alte prestazioni.
- Sviluppare competenze sulle tecniche di programmazione a basso livello (Assembly e SIMD) per lo sfruttamento ottimale della macchina.
- Consentire agli studenti di ottimizzare l'efficienza del software e valutare criticamente soluzioni architetturali complesse.
Risultati di Apprendimento Attesi
Conoscenza e comprensione (Descrittori di Dublino 1)
Al termine del corso, lo studente avrà acquisito una chiara comprensione dei parametri di prestazione, dei limiti energetici e dei diversi livelli di parallelismo, con particolare riferimento ai paradigmi ILP, MIMD, SIMD e SIMT. Comprenderà a fondo l'organizzazione dell'Unità di Controllo mono e multi-ciclo, la gestione avanzata della pipeline con i relativi conflitti e le tecniche di predizione dei salti. Conoscerà inoltre l'architettura dei core superscalari (inclusi i meccanismi di esecuzione fuori ordine, ridenominazione dei registri e speculazione), le relative vulnerabilità microarchitetturali come Spectre, la struttura delle memorie cache multilivello con le loro politiche di gestione e l'organizzazione dei sistemi multiprocessore e delle GPU.
Capacità di applicare conoscenza e comprensione (Descrittori di Dublino 2)
Lo studente sarà capace di sviluppare e ottimizzare software in ambiente Linux integrando i linguaggi C ed Assembly avanzato. Sarà in grado di implementare codice vettoriale sfruttando le estensioni SIMD (SSE, AVX) e di utilizzare i costrutti OpenMP per il calcolo parallelo su sistemi multiprocessore. Saprà inoltre applicare concretamente tecniche di ottimizzazione come il loop unrolling e il cache blocking per massimizzare l'efficienza e la località degli accessi alla memoria.
Capacità critica e di giudizio (Descrittori di Dublino 3)
Il percorso formativo consentirà di sviluppare un'autonoma capacità di valutare l'impatto delle scelte progettuali e algoritmiche sulle prestazioni complessive del sistema hardware/software. Lo studente sarà in grado di identificare e risolvere autonomamente problemi complessi legati all'efficienza della macchina e alla qualità delle soluzioni software.
Capacità di comunicazione (Descrittori di Dublino 4)
Lo studente maturerà la capacità di esporre i concetti teorici con rigore e appropriato linguaggio tecnico ingegneristico. Sarà inoltre in grado di presentare e motivare chiaramente, sia in forma orale che scritta, le scelte progettuali adottate e i risultati prestazionali ottenuti nell'ambito del progetto svolto in gruppo.
Capacità di apprendimento autonomo (Descrittori di Dublino 5)
Verranno fornite le competenze metodologiche necessarie per approfondire in autonomia l'evoluzione delle architetture e dei repertori di istruzioni a partire dalla letteratura tecnica. Lo studente svilupperà l'abilità di adattare le proprie competenze di ottimizzazione a nuove piattaforme tecnologiche e ambienti di sviluppo emergenti.
Programma
Il corso illustra i principi di funzionamento dei moderni calcolatori elettronici e sistemi di calcolo avanzato e le tecniche di programmazione per il miglioramento delle prestazioni basate sull'organizzazione dell'hardware.
LEZIONI (34 ore)
1. Introduzione alla Tecnologia dei Calcolatori (8 ore), così articolato in argomenti:
1.a. Calcolatore (2 ore):
1.a.i. Controllo Cablato e Micro-Programmato
1.a.ii. Architettura e Organizzazione
1.a.iii. Retrocompatibilità
1.b. Evoluzione della Tecnologia del Calcolatori (3 ore)
1.b.i. Scale di integrazione
1.b.ii. Barriera dell'energia
1.b.iii. Prestazioni dei calcolatori
1.b.iv. Multi-Core e parallelismo ILP, MIMD e SIMD
1.c. Organizzazione dell’Unità di Controllo (3 ore):
1.c.i. Macchina Multi-ciclo e Mono-ciclo
1.c.ii. Ottimizzazione del controllo Micro-programmato: circuito di selezione dell'indirizzo e di decodifica dei comandi
1.c.iii. Dimensionamento del Clock e tecnica del clock fine
2. Organizzazioni a supporto del Parallelismo Implicito (11 ore), così articolato in argomenti:
2.a. Famiglie RISC e CISC (2 ore)
2.a.i. Modelli di Repertorio Istruzioni
2.a.ii. RISC vs CISC
2.a.iii. Principi di progettazione dei calcolatori moderni
2.b. Macchina Mono-ciclo (3 ore)
2.b.i. Organizzazione della macchina Mono-ciclo
2.b.ii. Controllo della Macchina Mono-ciclo
2.b.iii. Confronto tra Mono-ciclo e Multi-ciclo
2.c. Macchina in Pipeline (6 ore)
2.c.i. Organizzazione della Macchina in Pipeline e confronto con Mono-ciclo e Multi-ciclo
2.c.ii. Pipeline del processore MIPS
2.c.iii. Gestione dei Conflitti sui Dati e Propagazione
2.c.iv. Gestione dei Conflitti sul Controllo e Predizione dei salti
3. Organizzazione dei Core del Processore: (6 ore), così articolato in argomenti:
3.a. Macchina Superscalare (4 ore)
3.a.i. Organizzazione e conflitti sui dati di tipo RAW, WAR e WAW
3.a.ii. Esecuzione in Ordine
3.a.iii. Completamento Fuori Ordine e Re-Order Buffer
3.a.iv. Gestione dei conflitti sui Dati: Propagazione e Rete di Bypass
3.a.v. Esecuzione Fuori Ordine e Ridenominazione dei Registri
3.a.vi. Speculazione hardware
3.b. Microarchitettura (2 ore)
3.b.i. Microarchitettura Intel
3.b.ii. Vulnerabilità microarchitetturali: Spectre
4. Memorie Cache (4 ore), così articolato in argomenti:
4.a. Organizzazione generale delle Memorie Cache
4.b. Cache Completamente Associative
4.c. Cache a Mappatura Diretta
4.d. Cache a k-Vie
4.e. Politiche di scrittura e di sostituzione delle linee di cache: stack LRU
4.f. Organizzazione delle cache multilivello
5. Macchine Parallele (5 ore), così articolato in argomenti:
5.a. Multiprocessori a memoria condivisa e organizzazioni UMA/NUMA
5.b. Multithreading Hardware: grana fine, grossa e simultaneo
5.c. Graphics Processing Unit (GPU): organizzazione e paradigma SIMT
ESERCITAZIONI (16 ore)
1. Parallelismo al livello dei dati e programmazione SIMD – Architettura x86-32/64 e Streaming SIMD Extensions (SSE) (2 ore)
2. Istruzioni di spostamento ed elaborazione in SSE – Tecnica di Riduzione parallela (2 ore)
3. Istruzioni logiche e condizionali in SSE – Esempi di programmazione SIMD (2 ore)
4. Descrizione progetto didattico (2 ore)
5. Località degli accessi e Code Vectorization – Prodotto SIMD tra matrici (2 ore)
6. Loop Unrolling e Cache Blocking (2 ore)
7. Programmazione MIMD: OpenMP (2 ore)
8. Advanced Vector Extensions (AVX) (2 ore)
Modalità d'esame
METODI DI VALUTAZIONE DELL'APPRENDIMENTO
L'esame comprende lo svolgimento di un progetto di gruppo ed una prova orale.
Il progetto consiste nella realizzazione di un software in linguaggio C ed Assembly avanzato in ambiente Linux e di una discussione. La discussione del progetto normalmente ha una durata di circa 20 minuti e consiste nella motivazione delle scelte progettuali e nella presentazione dei risultati ottenuti.
La prova orale normalmente ha una durata di circa 30 minuti e si articola nell’esposizione (orale e con l’ausilio anche della forma scritta) da parte dello studente sulla base di specifiche domande proposte dal docente e riguardanti argomenti di teoria affrontati durante il corso.
Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).
Nel caso di erogazione della didattica a distanza, l’esame consisterà nelle suddette prove svolte utilizzando il software Microsoft Teams e applicando gli stessi criteri di valutazione. Le modalità operative per la conduzione dell’eventuale esame on-line si basano sulle indicazioni definite dalle relative Linee Guida dell’Università della Calabria.
CRITERI DI VALUTAZIONE DELL'APPRENDIMENTO
Il progetto permetterà di valutare le capacità di programmazione a basso livello avanzata e di sfruttamento delle risorse di elaborazione della macchina al fine del miglioramento delle prestazioni delle proprie implementazioni software. La prova orale permetterà di valutare la
visione dello studente dell'organizzazione e del funzionamento dei moderni calcolatori elettronici.
CRITERI DI MISURAZIONE DELL'APPRENDIMENTO
I punti sono attribuiti sulla base della correttezza e della qualità della soluzione proposta.
Ciascuna domanda della prova orale mira a valutare il livello di conoscenza dei contenuti del corso, il corretto uso di linguaggio tecnico e la capacità di analisi critica. La prova orale e il progetto sono valutati in trentesimi.
CRITERI DI ATTRIBUZIONE DEL VOTO FINALE
Se il progetto e la prova orale sono giudicati almeno sufficienti, l’esame è superato con l’attribuzione di un voto finale in trentesimi. Il voto finale viene attribuito tenendo conto in egual misura della valutazione del progetto e della valutazione sulla prova orale.
Testi di riferimento
LIBRI DI TESTO
- David A. Patterson, John L. Hennessy. Struttura e progetto dei calcolatori. Zanichelli.
- Giacomo Bucci. Calcolatori Elettronici - Architettura e organizzazione. McGraw-Hill.
LINGUAGGIO ASSEMBLY:
- Ruchard Blum. Professional Assembly Language. Wrox Press.
- Jeff Duntemann. Assembly Language Step-by-Step: Programming with Linux. Wiley
TESTI DI APPROFONDIMENTO
- Andrew. S. Tanenbaum. Architettura dei calcolatori, un approccio strutturale. Pearson Education Italia.
Codice insegnamento 27008830
L’obiettivo principale del corso è evidenziare, attraverso lo studio di significative applicazioni e l’analisi dei principali metodi numerici, il ruolo del calcolo numerico nella modellizzazione matematica e nella…
Scheda dell'insegnamento
Obiettivi formativi
L’obiettivo principale del corso è evidenziare, attraverso lo studio di significative applicazioni e l’analisi dei principali metodi numerici, il ruolo del calcolo numerico nella modellizzazione matematica e nella risoluzione computazionale di problemi del mondo reale, con particolare attenzione alle applicazioni in ambito ingegneristico e cybersecurity.
Conoscenza e capacità di comprensione (Descrittore di Dublino 1)
Lo studente acquisirà conoscenze sui principali metodi del calcolo numerico per l’approssimazione di funzioni, l’integrazione numerica e la risoluzione di sistemi lineari, comprendendone proprietà teoriche, accuratezza e stabilità numerica. Saranno inoltre approfondite applicazioni del calcolo numerico in ambito cybersecurity, con particolare riferimento ai generatori randomici, alla fattorizzazione di grandi numeri e alle tecniche computazionali innovative.
Capacità di applicare conoscenza e comprensione (Descrittore di Dublino 2)
Lo studente sarà in grado di applicare algoritmi numerici alla risoluzione di problemi matematici e ingegneristici, utilizzando strumenti computazionali quali MATLAB o SCILAB. Lo studente saprà inoltre analizzare semplici problemi computazionali connessi alla cybersecurity, valutando l’efficienza e l’affidabilità dei metodi numerici utilizzati.
Autonomia di giudizio (Descrittore di Dublino 3)
Lo studente svilupperà la capacità di valutare criticamente l’affidabilità dei risultati numerici, selezionando metodi adeguati rispetto alle caratteristiche del problema, anche in contesti applicativi relativi alla sicurezza informatica.
Abilità comunicative (Descrittore di Dublino 4)
Lo studente acquisirà la capacità di descrivere algoritmi, metodologie computazionali e risultati numerici utilizzando un linguaggio matematico e tecnico appropriato, anche con riferimento ad applicazioni in ambito cybersecurity.
Capacità di apprendimento (Descrittore di Dublino 5)
Lo studente svilupperà competenze utili per approfondire autonomamente metodi numerici avanzati, strumenti di calcolo scientifico e applicazioni computazionali innovative nel settore dell’ingegneria e della cybersecurity.
Programma
Ore lezioni: 34
Ore esercitazioni: 16
Ore studio individuale: 100
Argomenti delle lezioni: 1. Introduzione, 2 ore 1.1. Scopo di Calcolo Numerico 1.2. Principi di fondo di Calcolo Numerico 1.3. Alcuni modelli ed esempi di applicazione nella cybersecurity 2. Analisi degli errori numerici, 6 ore 2.1. Sorgenti di errore 2.2. Errori di arrotondamento e propagazione degli errori 2.3. Aspetti numerici dei generatori randomici 3. Approssimazione numerica di funzioni, 6 ore 3.1. Impostazione del problema generale di approssimazione 3.2. Interpolazione polinomiale 3.3. Funzioni spline 3.4. Derivazione numerica ed infinity computing. 4. Integrazione numerica, 6 ore 4.1. Formule elementari e composte 4.2. Studio degli errori d’integrazione 4.3. Tecniche avanzate di integrazione numerica 5. Sistemi lineari, 8 ore 5.1. Condizionamento di sistemi lineari 5.2. Metodi numerici diretti 5.3. Metodi numerici iterativi 6. Applicazioni in ambito cybersecurity, 6 ore 6.1. Cenni ai metodi numerici per la risoluzione delle ODE 6.2. Fattorizzazione di grandi numeri. 6.3. Applicazioni dell'Infinity Computer. Argomenti delle esercitazioni: 1. Richiami di Algebra e Analisi, 1 ora 2. Rappresentazioni dei numeri sul calcolatore, 1 ora 3. Operazioni floating-point e propagazione degli errori di arrotondamento, 2 ore 4. Approssimazione numerica di funzioni, 3 ore 5. Integrazione numerica, 3 ore 6. Risoluzione numerica dei sistemi lineari, 4 ore 7. Applicazioni in ambito cybersecurity, 2 ore
Modalità d'esame
Metodi di valutazione dell’apprendimento L’esame consiste in una prova scritta e in una prova orale. La prova scritta, della durata di 1h30min è costituita da un esercizio e da un tema teorico riguardanti il programma del corso. La prova orale, della durata di al più mezz’ora, si articola nell’esposizione (orale e con l’ausilio anche della forma scritta) da parte dello studente in relazione a due/tre specifiche domande proposte dal docente e riguardanti argomenti del programma. Criteri di valutazione dell’apprendimento La prova scritta mira a valutare il livello di conseguimento delle competenze specifiche fornite dal corso. Il superamento consente l’accesso alla prova orale. La prova orale intende verificare se è stato acquisito il corretto corredo di linguaggio matematico, la capacità di analisi critica e di giudizio, valutando anche il livello di conoscenza dei contenuti metodologici del corso. L’esito della prova orale viene valutato sulla base della chiarezza, correttezza e completezza dell’esposizione circa gli argomenti di discussione proposti. Criteri di misurazione dell’apprendimento e attribuzione del voto finale L’esito della prova scritta è espresso in trentesimi e si ottiene sommando i punteggi ottenuti nello svolgimento dei singoli esercizi che la compongono. Può sostenere la prova orale chi ottiene almeno 18/30 alla prova scritta. Il voto finale è assegnato al termine del colloquio che costituisce la prova orale ed è espresso in trentesimi. Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010), facendo riferimento alle indicazioni fornite dalla Delegata alle attività concernenti l’integrazione degli Studenti con disabilità e con disturbi specifici di apprendimento nell’Ateneo.
Testi di riferimento
- V. Comincioli, Analsi numerica: metodi, modelli, applicazioni. McGraw-Hill Libri Italia s.r.l., Milano (Italiano/English).
- Quarteroni, R.Sacco, F, Saleri. Matematica numerica. Springer, Milano. (Italiano/English)
- F. Fontanella, A. Pasquali, Calcolo numerico: Metodi e algoritmi, Vol. 1. Pitagora Editrice, Bologna. (Italiano)
- F. Fontanella, A. Pasquali, Calcolo numerico: Metodi e algoritmi, Vol. 2. Pitagora Editrice, Bologna. (Italiano)
Codice insegnamento 27000138
Conoscenza e comprensione Lo studente acquisisce i concetti fondamentali della Business Intelligence e del Data Warehousing, comprendendone il ruolo nei sistemi informativi aziendali e le architetture alternative.…
Scheda dell'insegnamento
Obiettivi formativi
Conoscenza e comprensione
Lo studente acquisisce i concetti fondamentali della Business Intelligence e del Data Warehousing, comprendendone il ruolo nei sistemi informativi aziendali e le architetture alternative. Conosce le tecniche di analisi dei dati e le fasi del ciclo di vita di un data warehouse, dalla raccolta dei requisiti alla progettazione concettuale, logica e fisica, inclusa la progettazione dei processi ETL.
Capacità di applicare conoscenza e comprensione
Lo studente è in grado di analizzare sorgenti dati eterogenee, modellare un data warehouse a livello concettuale e logico, stimare volumi e carichi di lavoro, e progettare flussi ETL. Sa applicare le tecniche di analisi multidimensionale a supporto dei processi decisionali aziendali.
Autonomia di giudizio
Lo studente è capace di valutare criticamente le scelte architetturali e progettuali di un sistema di Business Intelligence, selezionando le soluzioni più adeguate in relazione ai requisiti funzionali e alle caratteristiche dei dati disponibili.
Abilità comunicative
Lo studente sa descrivere e documentare le scelte progettuali di un data warehouse usando la terminologia tecnica appropriata, comunicando efficacemente con figure professionali eterogenee, sia tecniche che manageriali.
Capacità di apprendimento
Lo studente acquisisce le basi metodologiche per aggiornarsi autonomamente sulle evoluzioni tecnologiche del settore (cloud DWH, architetture lakehouse, strumenti di BI avanzati), consolidando competenze spendibili in contesti professionali e di ricerca.
Programma
Il corso mira a fornire competenze approfondite riguardo ai sistemi di data warehouse, con particolare riferimento alle architetture e alle tecniche di analisi dei dati, e le principali tecnologie alla base dei sistemi di business intelligence. Al termine del corso gli studenti saranno in grado di condurre un progetto di data warehouse attraverso le sue fasi di analisi delle sorgenti dati e dei requisiti, e di progettazione concettuale, logica, fisica e dell'alimentazione.
1) Business intelligence:
- Significato di Business Intelligence (BI) e suo ruolo nel sistema informativo aziendale;
- La piramide della BI.
2) Data Warehousing:
- Possibili architetture;
- tecniche di analisi dei dati;
- il ciclo di sviluppo:
a. analisi delle sorgenti dati;
b. analisi dei requisiti;
c. progettazione concettuale;
d. carico di lavoro e volume dati;
e. progettazione logica;
progettazione dell'alimentazione;
f. progettazione fisica.
Modalità d'esame
Metodi di valutazione dell’apprendimento
La valutazione si basa su tre prove:
1) una prova scritta, della durata compresa tra 1h e 2h, dove vengono assegnati due esercizi riguardanti la progettazione concettuale e la progettazione logica di un data warehouse;
2) la produzione di un miniprogetto di data warehouse, dove viene richiesta la stesura di una relazione di progetto e l'implementazione di un prototipo di sistema basato su Data Warehouse, in cui vengano usati gli strumenti e le piattaforme presentate durante il corso;
3) una prova orale, della durata di circa 20 minuti, dove vengono poste domande riguardanti gli aspetti teorici e pratici affrontati durante il corso
Criteri di valutazione dell’apprendimento
Gli esercizi della prova scritta sono ideati in modo da poter valutare se lo studente sia in grado di applicare la metodologia di progettazione presentata durante il corso e sia in possesso delle conoscenze tecniche necessarie per metterla in atto.
La prova progettuale mira a verificare la capacità di organizzazione di una relazione e di utilizzo degli strumenti software di supporto alla realizzazione di un sistema basato su Data Warehouse.
Le domande della prova orale permettono di completare la verifica dei risultati di apprendimento previsti, poichè attraversodi esse viene valutata la padronanza lessicale e la conoscenza degli argomenti teorici.
Criteri di misurazione dell’apprendimento
La prova scritta è valutata in trentesimi ed è superata se la votazione è maggiore o uguale a 18.
La prova progettuale è valutata in trentesimi ed è superata se la votazione è maggiore o uguale a 18.
Solo in caso di superamento della prova scritta e della prova progettuale, lo studente è ammesso alla prova orale, che a sua volta è valutata in trentesimi ed è superata se la votazione è maggiore o uguale a 18.
Criteri di attribuzione del voto finale
Una volta superata la prova orale, il voto finale è calcolato come media delle tre pove, eventualmente alterata di al massimo due punti (derivanti da indicazioni sulla preparazione dello studente o della studentessa che il docente ottiene da un'analisi complessiva di quanto mostrato nelle tre prove ).
Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010), facendo riferimento alle indicazioni fornite dalla Delegata alle attività concernenti l’integrazione degli Studenti con disabilità e con disturbi specifici di apprendimento nell’Ateneo.
Testi di riferimento
Testi:
M. Golfarelli, Stefano Rizzi. Data Warehouse: teoria e pratica della progettazione. McGraw-Hill, seconda edizione, 2006.
Letture consigliate:
M. Berry, G. Linoff. Data mining techniques for marketing, sales, and customer support. John Wiley & Sons, 1997.
B. Devlin. Data warehouse: from architecture to implementation. Addison-Wesley Longman, 1997.
W.H. Inmon. Building the data warehouse. John Wiley & Sons, 1996.
M. Jarke, M. Lenzerini, Y. Vassiliou, P. Vassiliadis. Fundamentals of data warehouse. Springer, 2000.
R. Kimball, L. Reeves, M. Ross, W. Thornthwaite. The data warehouse lifecycle toolkit. John Wiley & Sons, 1998.
I. Witten, E. Frank. Data mining. Morgan Kaufmann Publishers, 2000.
Codice insegnamento 27010294
Competenze specifiche. Obiettivo primario del corso è quello di fornire un'adeguata conoscenza delle tecniche di progettazione utilizzo di reti neurali "deep", in contesti applicativi complessi quali il riconoscimento di…
Scheda dell'insegnamento
Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.
Obiettivi formativi
Competenze specifiche. Obiettivo primario del corso è quello di fornire un'adeguata conoscenza delle tecniche di progettazione utilizzo di reti neurali "deep", in contesti applicativi complessi quali il riconoscimento di immagini, documenti testuali e video. Conoscenza e capacità di comprensione. Gli studenti acquisiranno: - Conoscenza dei principi del deep learning - Conoscenza delle principali architetture di reti neurali - Abilità nel progettare e implementare in Keras soluzioni di deep learning - Abilità nell'utilizzare reti neurali in sistemi informatici complessi Capacità di applicare conoscenza e comprensione. Al termine del corso, gli studenti saranno in grado di affrontare affrontare la progettazione di sistemi di machine learning adatti a gestire enormi moli di dati, attraverso lo sviluppo in Keras di reti neurali "deep". Competenze trasversali. Capacità critiche e di giudizio conseguite attraverso lo studio degli argomenti che vengono proposti durante il corso, lo sviluppo degli elaborati (esercizi e progetti), evidenziando capacità di “problem solving”. In particolare saranno acquisiti: - Abilità nell'analisi e nella risoluzione dei problemi - Abilità nel trovare soluzioni alternative o innovative - Abilità nel lavoro di gruppo
Programma
1) Fondamenti teorici del deep learning - Richiami di algebra lineare - Richiami di probabilità e teoria dell'informazione - Aspetti di computazione numerica - Ottimizzazione basata sul metodo del gradiente 2) Deep neural newtorks - Il modello di neurone artificiale - Reti deep feedforward 3) Architetture di reti neurali - Reti convoluzionarie - Reti ricorrenti - Modelli generativi - Autoencoders 5) Architetture Avanzate - Word Embeddings - Transformers - Large Language Models - Graph Neural Networks 6) Il framework Keras - Realizzazione di reti neurali in Keras - Selezioni di funzioni di loss, accuratezza e ottimizzazione - Applicazioni nel riconoscimento di immagini, testo e video Il corso mira a fornire conoscenza avanzate nell'ambito del machine learning, con particolare enfasi alla progettazione e implementazioni di reti neurali. Vengono trattate reti neurali "deep" di tipo feedforward, convuluzionarie, ricorrenti, generativie e adversarial. I diversi concetti vengono esemplificati nel linguaggio di programmazione Python, utilizzando il framework Keras specifico per l'implemetazione di soluzioni di deep learning.
Modalità d'esame
Metodi di valutazione dell'apprendimento: La valutazione sarà condotta sulla base dello svolgimento di un progetto didattico. Gli studenti devono dimostrare di saper progettare una applicazione informatica che utilizzi reti neurali in task di machine learning. Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370). Criteri di Valutazione dell'apprendimento: Il progetto mira alla verifica delle capacità di progettazione e implementazione di sistemi basati su reti neurali. Criteri di misurazione dell'apprendimento ed attribuzione del voto finale: L'esito del progetto è un giudizio espresso in trentesimi.
Testi di riferimento
Libro di testo - Ian Goodfellow, Yoshua Bengio and Aaron Courville, ""Deep Learning"" - MIT Press Libri consigliati - F. Chollet, ""Deep Learning with Python"" - Manning - S. Raschka, ""Python Machine Learning"" - PACKT Publishing
Codice insegnamento 27007800
Al termine dell’insegnamento lo/la studente/studentessa avrà acquisito conoscenze teoriche e competenze applicative relative ai sistemi distribuiti, alle tecnologie Cloud, Edge e Continuum Computing, con particolare…
Scheda dell'insegnamento
Obiettivi formativi
Al termine dell’insegnamento lo/la studente/studentessa avrà acquisito conoscenze teoriche e competenze applicative relative ai sistemi distribuiti, alle tecnologie Cloud, Edge e Continuum Computing, con particolare riferimento ai paradigmi di interoperabilità, integrazione e distribuzione intelligente dei servizi e delle applicazioni (specie nel contesto dell'IoT). Lo studente sarà inoltre in grado di utilizzare strumenti e piattaforme per la progettazione, simulazione e sviluppo di sistemi distribuiti complessi.
Conoscenza e capacità di comprensione
Lo/La studente/studentessa acquisirà conoscenze sui principi teorici e architetturali dei sistemi distribuiti, sull’evoluzione dei paradigmi di calcolo distribuito (P2P, Cloud, Edge e Continuum Computing), sulle tecnologie IoT e sui modelli di interoperabilità in ambienti eterogenei e dinamici.
Acquisirà inoltre conoscenze relative ai paradigmi di service-oriented computing, microservizi, serverless computing ed Edge Intelligence, nonché alle metodologie di progettazione e simulazione di sistemi cyberfisici Cloud/Edge.
Capacità di applicare conoscenza e comprensione
Lo/La studente/studentessa sarà in grado di:
- progettare semplici architetture distribuite e servizi interoperabili;
- applicare metodologie e strumenti di simulation-based design per sistemi Cloud/Edge;
- utilizzare piattaforme cloud e ambienti di sviluppo per la realizzazione e il deployment di servizi distribuiti;
- sviluppare e sperimentare soluzioni basate su microservizi, serverless computing e paradigmi di integrazione nel continuum computing;
- analizzare casi di studio e scenari applicativi in ambito IoT ed Edge Computing.
Autonomia di giudizio
Lo/La studente/studentessa maturerà la capacità di valutare criticamente differenti soluzioni architetturali e tecnologiche per sistemi distribuiti, considerando aspetti quali interoperabilità, integrazione, scalabilità, distribuzione dell’intelligenza, efficienza computazionale e requisiti applicativi.
Sarà inoltre in grado di interpretare risultati sperimentali ottenuti mediante simulazione o utilizzo di piattaforme Edge/Cloud.
Abilità comunicative
Lo/La studente/studentessa sarà in grado di descrivere architetture, modelli e tecnologie per sistemi distribuiti utilizzando un linguaggio tecnico appropriato.
Saprà inoltre presentare le scelte progettuali e discutere risultati sperimentali relativi a esercitazioni e casi di studio.
Capacità di apprendimento
Lo/La studente/studentessa svilupperà capacità di apprendimento autonomo utili ad approfondire nuove piattaforme, framework e paradigmi emergenti nell’ambito dei sistemi distribuiti, del Cloud/Edge Computing e del continuum computing, anche attraverso l’analisi della documentazione tecnica e scientifica di riferimento.
Programma
Il corso si propone di fornire conoscenze di base ed avanzate sui sistemi distribuiti e le tecnologie di Cloud ed Edge Computing, con particolare riferimento allo scenario dell'Internet of Things (IoT). Si articola in una parte teorica nella quale vengono introdotti principi, modelli, metodologie e approcci di sviluppo, e in una parte pratica il cui obbiettivo è fare acquisire esperienza diretta di utilizzo di piattaforme di sviluppo Cloud-Edge e di software di simulazione per sistemi cyberfisici distribuiti lungo il device-edge-cloud continuum.
Argomento 1:Introduzione ai sistemi distribuiti
- Dai Message Passing Systems 1980 all'Edge Computing, passando per P2P, Cloud e IoT
- Metodologie di progetto per sistemi distribuiti, architetture di riferimento, modelli di dominio, etc.
- Approcci e strumenti di Simulation-based design per sistemi Cloud/Edge.
- L'interoperabilità nei sistemi distribuiti dinamici ed eterogenei come l'IoT.
- Esercitazioni.
Argomento 2:I servizi: da WS-SOA al WoT, paradigmi e tools per la servitization
- Servizi distribuiti: dagli agenti all'approccio a micro-servizi e serverless
- Edge Intelligence: distribuire l'intelligenza nei sistemi cloud/edge
- Casi d'uso
- Esercitazioni sulla piattaforma cloud AWS
Argomento 3: Il continuum computing: teoria, benefici, limiti e piattaforme abilitanti
- Orchestrazione, coordinamento e integrazione nel continuum
- Casi d'uso
Modalità d'esame
Metodi di Valutazione dell’Apprendimento
Discussione (circa 15 minuti) di un progetto (individuale o preferibilmente di gruppo) inerente la progettazione di un sistema distribuito lungo il Computing Continuum implementato mediate piattaforme apposite. Durante il corso, progetti d'esame degli anni passati sono presentati come casi di studio. Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).
Criteri di Misurazione e Valutazione dell’Apprendimento e Attribuzione del Voto Finale
Il voto finale è comunicato contestualmente ed espresso in trentesimi e si basa sulla valutazione complessiva del progetto, che può contribuire fino a 25 punti, mentre i restanti punti sono attribuiti in funzione della qualità della presentazione e della discussione orale. Il progetto mira a valutare il livello di conseguimento delle competenze specifiche fornite dal corso e la valutazione finale considera in modo integrato i seguenti elementi:
- livello di comprensione dei concetti teorici;
- qualità della progettazione e dell’architettura del sistema;
- correttezza e completezza dell’implementazione o simulazione;
- capacità di analisi critica dei risultati;
- autonomia nello sviluppo e grado di innovazione;
- efficacia comunicativa nella presentazione e documentazione del lavoro.
Appelli d'esame
Gli appelli d’esame sono definiti in conformità al calendario didattico del Corso di Studio e pubblicati attraverso i canali istituzionali dell’Ateneo (https://dimes.unical.it/didattica/iscriversi-studiare-laurearsi/frequentare-i-corsi/). Le modalità di prenotazione e partecipazione agli appelli seguono quanto previsto dal regolamento didattico vigente.
Testi di riferimento
Slide del docente
Fog and Edge Computing: Principles and Paradigms. (2019). Regno Unito: Wiley.
Tanenbaum, A. S., Steen, M. v. (2007). Distributed systems : principles and paradigms. India: Pearson Prentice Hall.
Codice insegnamento 27008415
1. Conoscenza e capacità di comprensione (Knowledge and understanding) Al termine del corso lo studente dovrà dimostrare di: Comprendere i concetti fondamentali e i paradigmi teorici dell'informatica formale e della…
Scheda dell'insegnamento
Obiettivi formativi
1. Conoscenza e capacità di comprensione (Knowledge and understanding)
Al termine del corso lo studente dovrà dimostrare di:
- Comprendere i concetti fondamentali e i paradigmi teorici dell'informatica formale e della teoria della computabilità.
- Riconoscere e comprendere la struttura logica di teoremi, lemmi e relative dimostrazioni formali nell'ambito dell'informatica teorica.
- Identificare le diverse classi di grammatiche e le diverse tipologie di automi necessarie alla definizione dei linguaggi di programmazione.
2. Capacità di applicare conoscenza e comprensione (Applying knowledge and understanding)
Lo studente dovrà essere in grado di:
- Utilizzare i modelli e gli strumenti formali studiati (automi, grammatiche) per la definizione astratta di linguaggi di programmazione e per l'esecuzione della loro analisi sintattica e semantica.
- Applicare i risultati teorici della computabilità per analizzare un problema computazionale e determinare rigorosamente se esso sia decidibile o indecidibile.
- Classificare i problemi computazionali sotto il profilo della complessità, distinguendo tra problemi trattabili e intrattabili (sotto l'assunzione di lavoro $P \neq NP$).
3. Autonomia di giudizio (Making judgments)
Lo studente dovrà essere in grado di:
- Valutare e scegliere il modello formale o l'automa più adeguato (es. a stati finiti, a pila, macchina di Turing) per formalizzare o risolvere uno specifico problema informatico.
- Analizzare criticamente la fattibilità e l'efficienza algoritmica di un problema, riconoscendo i limiti intrinseci della computazione sia in termini di decidibilità che di risorse di tempo/spazio.
4. Abilità comunicative (Communication skills)
Lo studente dovrà essere in grado di:
- Esporre e argomentare nozioni, teoremi e risultati formali complessi in modo chiaro e rigoroso.
- Utilizzare correttamente il linguaggio specialistico della logica matematica e della matematica discreta per formalizzare concetti informatici sia a livello scritto che orale.
5. Capacità di apprendimento (Learning skills)
Lo studente dovrà aver sviluppato:
- Un metodo di pensiero astratto e formale che gli consenta di approfondire in modo autonomo la letteratura scientifica e i modelli teorici avanzati dell'informatica.
- La capacità di apprendere l'evoluzione dei nuovi linguaggi di programmazione o dei nuovi framework di computazione, riconducendoli ai modelli matematici di base appresi.
Programma
Il corso si propone di fornire le conoscenze di base dell'Informatica Teorica con particolare attenzione alla teoria dei linguaggi e degli automi, della calcolabilità ed alla teoria della complessità.
Insieme di argomenti delle lezioni (non necessariamente trattati nell'ordine in cui compaiono di seguito):
- Introduzione al corso, testi consigliati, svolgimento dell’esame.
- Dai problemi agli algoritmi. Ciò che si può risolvere e ciò che non si può risolvere (Calcolabilità) Ciò che si può risolvere: a che costo? (Complessità computazional)
- Il mini-linguaggio MC
- Funzioni MC calcolabili e funzioni non calcolabili
- Le funzioni ricorsive parziali
- Introduzione ai linguaggi. Linguaggi e problemi di decisione
- La gerarchia di Chomsky
- Automi a stati finiti
- Espressioni e linguaggi regolari
- Grammatiche e linguaggi liberi da contesto
- Automi a pila
- Indecidibilità e riducibilità tra problemi
- Introduzione alla macchina di Turing
- Macchine di Turing multitraccia e multinastro
- Macchine di Turing non deterministiche
- Linguaggi ricorsivamente enumerabili, linguaggi ricorsivi
- Teorema di Rice
- Valutazione dei costi di esecuzione in termini di tempo e di spazio.
- Problemi Polinomiali e problemi NP
- Concetto di riduzione polinomiale tra problemi. Problemi NP-ardui e NP-completi
- Il teorema di Cook
- La classe co-NP. Problemi nell’intersezione tra NP e co-NP
- La gerarchia polinomiale e PSPACE
- Altre gerarchie di classi di complessità
- Classi di complessità all'interno di P
- Altri modelli di calcolo
Argomento di ogni esercitazione sarà quello proposto nelle lezioni immediatamente antecedenti
Modalità d'esame
Durante le esercitazione si ricorrerà periodicamente a meccanismi di verifica "in corso d'opera" richiedendo agli studenti di risolvere alcuni esercizi. La valutazione finale delle competenze avverrà attraverso una prova orale.
Testi di riferimento
a) M. Sipser, Introduzione alla teoria della computazione. Ed. Apogeo, 2016.
b) Eventuali dispense e altro materiale indicato a lezione.
Testi consigliati:
a) Papadimitriou. Computational complexity. Addison-Wesley, 1994. (Disponibile in biblioteca (BTS))
b) Sanjeev Arora and Boaz Barak. Computational Complexity: A Modern Approach,Cambridge University Press, 2009.
c) Lewis, Papadimitriou. Elements of the Theory of Computation. Prentice Hall, 2nd edition, 1997. (Disponibile in biblioteca (BTS))
d) Mandrioli, Ghezzi. Informatica teorica. Clup, 1989. (Disponibile in biblioteca (BTS))
e) Hopcroft, Motwani, Ullman, "Automi, linguaggi e calcolabilità", Ed- Pearson, Terza edizione.
Codice insegnamento 27002223
Il corso ha l’obiettivo di fornire agli studenti e alle studentesse conoscenze teoriche e competenze operative relative ai principali metodi dell’Intelligenza Artificiale simbolica e algoritmica, con particolare…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha l’obiettivo di fornire agli studenti e alle studentesse conoscenze teoriche e competenze operative relative ai principali metodi dell’Intelligenza Artificiale simbolica e algoritmica, con particolare attenzione alle tecniche di ricerca, alla ricerca euristica, alla teoria dei giochi, alla pianificazione automatica, ai sistemi ad agenti e ai sistemi basati su Large Language Models. Il corso mira inoltre a sviluppare consapevolezza critica rispetto alle implicazioni etiche e sociali dell’uso dell’Intelligenza Artificiale.
Conoscenza e capacità di comprensione
Al termine del corso, lo/la studente/studentessa conoscerà i concetti fondamentali dell’Intelligenza Artificiale, le principali classi di problemi affrontati dalla disciplina, le tecniche di ricerca cieca ed euristica, i fondamenti della ricerca strategica e della teoria dei giochi, i principi della pianificazione automatica e dei problemi di soddisfacimento di vincoli, le caratteristiche di base dei sistemi ad agenti e dei sistemi basati su LLM, nonché le principali questioni etiche connesse all’impiego dell’IA.
Capacità di applicare conoscenza e comprensione
Lo/la studente/studentessa sarà in grado di modellare problemi computazionali come problemi di ricerca, scegliere e applicare algoritmi appropriati, implementare e confrontare tecniche quali ricerca in ampiezza, ricerca in profondità, A*, IDA*, hill climbing, simulated annealing, Minimax e potatura Alfa-Beta. Sarà inoltre in grado di formulare problemi di pianificazione e sviluppare soluzioni basate su modelli quali STRIPS, nonché modellare problemi di soddisfacimento di vincoli e problemi che richiedono l'uso di agenti AI.
Autonomia di giudizio
Lo/la studente/studentessa sarà in grado di valutare criticamente l’adeguatezza di algoritmi e modelli di IA rispetto a specifici problemi applicativi, considerando prestazioni, limiti computazionali, qualità delle soluzioni e implicazioni etiche.
Abilità comunicative
Lo/la studente/studentessa sarà in grado di descrivere in modo chiaro e tecnicamente corretto problemi, modelli, algoritmi e risultati sperimentali, anche attraverso la redazione e la presentazione di un progetto didattico.
Capacità di apprendimento
Lo/la studente/studentessa svilupperà la capacità di approfondire autonomamente metodi, strumenti e sviluppi recenti dell’Intelligenza Artificiale, anche mediante lo studio di materiale scientifico e tecnico fornito durante il corso.
Programma
Il corso introduce i principi fondamentali dell’Intelligenza Artificiale, con particolare riferimento alla rappresentazione e risoluzione di problemi mediante tecniche di ricerca in spazi di soluzione, algoritmi euristici, ricerca strategica e teoria dei giochi.
Saranno inoltre trattati i fondamenti della pianificazione automatica, dei sistemi ad agenti e dei sistemi basati su Large Language Models, con attenzione alle implicazioni etiche e applicative dell’Intelligenza Artificiale.
LEZIONI
1. Concetti introduttivi all’Intelligenza Artificiale (3h)
Definizione di Intelligenza Artificiale. Ambiti e obiettivi della disciplina. Azione intelligente. Tipologie di ricerca. Rappresentazione della conoscenza. Principali applicazioni dell’IA.
2. Tecniche di ricerca (9h)
Ricerca cieca: ricerca in ampiezza, ricerca in profondità, tecniche iterative, ricerca in spazi a grafo.
Ricerca euristica: hill climbing, simulated annealing, A*, estensioni di A*, IDA*. Analisi e confronto tra algoritmi.
3. Giochi e ricerca strategica (9h)
Introduzione alla teoria dei giochi. Giochi strategici, ripetuti, estesi e cooperativi. Giochi estesi e costruzione di strategie. Algoritmo Minimax. Ricerca Alfa-Beta. Raffinamenti algoritmici.
4. Pianificazione automatica (9h)
Pianificatori generali e speciali. Descrizione delle azioni mediante metodi dichiarativi, monotoni e non monotoni. Pianificazione come problema di ricerca. Linguaggio STRIPS. Realizzazione di un pianificatore per STRIPS.
5. Problemi di soddisfacimento di vincoli (9h)
Formalizzazione di problemi di CSP, Algoritmi risolutivi e tecniche strutturali per l'identificazione di classi trattabili.
6. Large Language Models e sistemi ad agenti (9h)
Concetti introduttivi sui sistemi basati su LLM. Uso degli LLM per la realizzazione di agenti capaci di eseguire compiti complessi in modo coordinato.
7. Problemi etici e Intelligenza Artificiale (2h)
Implicazioni etiche, sociali e applicative dell’Intelligenza Artificiale. Limiti, rischi e responsabilità nell’uso di sistemi intelligenti.
ESERCITAZIONI E ATTIVITÀ APPLICATIVE (25h)
Applicazione di algoritmi di ricerca e ricerca euristica. Implementazione e confronto sperimentale di algoritmi. Esercitazioni su ricerca strategica, pianificazione e problemi di soddisfacimento di vincoli.
Torneo in classe tra diverse implementazioni di un gioco con avversari; sviluppo del progetto didattico.
Modalità d'esame
Metodi di valutazione dell’apprendimento
La valutazione dell’apprendimento si articola nelle seguenti prove:
- Prova scritta (PS) , finalizzata a verificare la padronanza operativa di algoritmi e modelli trattati nel corso, mediante esercizi applicativi e quesiti relativi alla modellazione e risoluzione di problemi di Intelligenza Artificiale. La durata della prova scritta, tipicamente di due ore, sarà adeguata al numero e alla complessità degli esercizi proposti.
- Prova orale (PO) , finalizzata ad accertare la comprensione concettuale, la capacità di collegare gli argomenti del corso, l’uso corretto del linguaggio tecnico e la capacità critica rispetto ai limiti e alle implicazioni degli algoritmi.
- Progetto didattico (PD) , finalizzato ad applicare metodi di Intelligenza Artificiale a problemi reali o realistici, dimostrando competenze di sviluppo, sperimentazione, analisi dei risultati e comunicazione tecnico-scientifica.
- Competizione a squadre facoltativa , finalizzata a valorizzare il lavoro collaborativo e la capacità di mettere in pratica, combinare o estendere gli algoritmi visti a lezione.
Criteri di valutazione dell’apprendimento
La prova scritta sarà valutata in base all’accuratezza dei calcoli, alla correttezza degli algoritmi utilizzati, alla completezza dei passaggi logici e alla chiarezza della notazione.
La prova orale sarà valutata in base alla correttezza delle definizioni, alla capacità di collegare argomenti diversi, alla padronanza del linguaggio tecnico e alla capacità di analisi critica.
Il progetto didattico sarà valutato in base all’originalità e adeguatezza della soluzione proposta, alla qualità del codice, alla modularità, alla presenza di eventuali test e alla chiarezza della relazione.
Criteri di misurazione dell’apprendimento e attribuzione del voto finale
Tutte le prove sono valutate in trentesimi. La scala qualitativa adottata è la seguente:
- 30: eccellenza senza lacune;
- 27-29: ottima padronanza, con piccoli dettagli migliorabili;
- 24-26: buona preparazione, con alcune imprecisioni non sostanziali;
- 18-23: preparazione sufficiente ma discontinua, con lacune circoscritte;
- inferiore a 18: livello insufficiente, con lacune concettuali rilevanti.
Il voto finale è determinato mediante media pesata delle singole prove, con peso pari al 40% per la prova scritta, 30% per la prova orale e 30% per il progetto didattico.
A tale valutazione può sommarsi un eventuale bonus per la competizione a squadre e un eventuale bonus aggiuntivo nel caso in cui lo/la studente/studentessa sostenga una prova orale di livello particolarmente elevato.
La lode può essere attribuita in presenza di un livello complessivo eccellente, dimostrato in tutte le componenti della valutazione.
Eventuali materiali consentiti durante le prove saranno comunicati prima dello svolgimento dell’esame.
Appelli d’esame
Gli appelli si svolgeranno secondo il calendario ufficiale pubblicato dall’Ateneo.
Le modalità d’esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con Disturbo Specifico di Apprendimento certificato ai sensi della legge 170/2010, facendo riferimento all’art. 9 del Regolamento per l’inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento.
Testi di riferimento
Testo principale
S. Russell, P. Norvig, Artificial Intelligence: A Modern Approach, Prentice Hall. Disponibile anche in edizione italiana.
Materiali integrativi
Dispense, slide, articoli e materiali sugli argomenti monografici saranno resi disponibili durante il corso attraverso i canali didattici indicati dal docente.
Codice insegnamento 27002216
1. competenze specifiche Obiettivo del corso è fornire agli studenti le conoscenze sulle principali tecniche e architetture software per dispositivi mobili, in particolare: • elaborazione mobile e distribuita; •…
Scheda dell'insegnamento
Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.
Obiettivi formativi
1. competenze specifiche Obiettivo del corso è fornire agli studenti le conoscenze sulle principali tecniche e architetture software per dispositivi mobili, in particolare: • elaborazione mobile e distribuita; • sistema operativo Android; • programmazione dei dispositivi mobili. 2. competenze trasversali Il corso è finalizzato all'acquisizione e alla sperimentazione delle competenze tecnologiche necessarie per la progettazione e lo sviluppo di applicazioni per dispositivi mobili, in particolare: • capacità di progettare soluzioni applicative in ambito ICT; • capacità di cooperare in piccoli gruppi e di condividere e presentare il lavoro svolto.
Programma
Caratteristiche delle applicazioni per dispositivi mobili. Presentazione dell’architettura di Android e dell’SDK. Struttura e ciclo di vita di una applicazione Android. Interfaccia utente IO sul dispositivo: files, database, preferences. Sviluppo di applicazioni "location-based" (GPS, compass) e "map-based". Interazione con accelerometro. API per la comunicazione: servizi telefonici (SMS, rubrica, call log, etc) e networking. Servizi di background e notifiche, Impacchettamento, firma e distribuzione di applicazioni android. Uso del market. Sviluppo di applicazioni in ambiente iOS. XCode e iOS software development kit (SDK). Objective-C Il corso è finalizzato ad acquisire e sperimentare le competenze architetturali e tecnologiche necessarie allo sviluppo di applicazioni per dispositivi mobili.
Modalità d'esame
Metodi di valutazione dell'apprendimento: La valutazione consiste di una prova scritta, una prova orale, e lo svolgimento di un progetto didattico. Criteri di Valutazione dell'apprendimento: La discussione del progetto didattico mira alla verifica delle capacità di progettare e sviluppare un'applicazione in Android o iOS. Il superamento consente l'accesso alla prova orale. La prova scritta mira a verificare la conoscenza e la capacità di applicazione dei principi fondamentali della programmazione in Android o iOS. Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).
Testi di riferimento
Dispense fornite dal Docente. Libri consigliati: Marko Margenta, Learning Android, O'Reilly.
Codice insegnamento 27009216
1. competenze specifiche Si prevede che gli studenti acquisiscano conoscenze di carattere sia teorico/metodologico che pratico. In particolare, gli studenti acquisiranno sia le conoscenze relative ai principali metodi…
Scheda dell'insegnamento
Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.
Obiettivi formativi
1. competenze specifiche Si prevede che gli studenti acquisiscano conoscenze di carattere sia teorico/metodologico che pratico. In particolare, gli studenti acquisiranno sia le conoscenze relative ai principali metodi e algoritmi per la programmazione di sistemi IoT, con particolare riferimento alle redi di sensori ed ai dispositivi IoT, e per la loro progettazione, sia le competenze pratiche che consentiranno loro di utilizzare concretamente sistemi operativi, linguaggi specifici, metodologie e strumenti per sviluppare componenti software per tali sistemi 2. competenze trasversali Le conoscenze relative ai sistemi operativi, linguaggi di programmazione e metodologie di progetto sono certamente più generali e riutilizzabili in altri corsi e contesti.
Programma
Argomento 1: Introduzione ai sistemi IoT Introduzione ai concetti di base dell'IoT utilizzando un approccio "layered": (i) device; (ii) networking; (iii) middleware; (iv) application services; (v) data & semantics Argomento 2: Programmazione di reti di sensori wireless in TinyOS/nesC Introduzione al sistema operativo TinyOS. Programmazione nesC. Utilizzo di sensori di tipo mote. Argomento 3: Node-RED: Flow-based programming for the Internet of Things Introduzione al framework nodeRed per la programmazione di Web of Things. Applicazioni con RaspberryPI. Il modulo si propone di fare acquisire competenze di base ed avanzate relative allo sviluppo dei sistemi IoT (Internet of Things), dal punto di vista della programmazione (framework software e ambienti operativi).
Modalità d'esame
DIDATTICA TRADIZIONALE Metodi di valutazione dell’apprendimento Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010), facendo riferimento alle indicazioni fornite dalla Delegata alle attività concernenti l’integrazione degli Studenti con disabilità e con disturbi specifici di apprendimento nell’Ateneo. La valutazione dell’apprendimento viene effettuata attraverso la realizzazione di un progettino (sviluppata a casa) ed una prova orale. Lo studente, sulla base delle conoscenze e degli strumenti acquisiti, dovrà: - dimostrare di comprendere e sviluppare un programma scritto nel linguaggio nesC/TinyOS - dimostrare di comprendere e sviluppare un programma scritto nel linguaggio visuale NODE-RED - dimostrare di utilizzare le metodologie del corso per lo sviluppo di sistemi IoT Criteri di valutazione dell’apprendimento Prova orale: la prova orale consente di espletare la verifica dei risultati di apprendimento previsti, quali la progettazione e l’implementazione di un sistema IoT mediante le metodologie ed i linguaggi erogati nel corso. La prova orale prevede la discussione approfondita del progetto d’esame e potrà prevedere diverse tipologia di quesiti non strutturati e semistrutturati. La prova orale ha una durata variabile, ma in media si prevede una durata di circa 30 minuti. Criteri di misurazione dell'apprendimento L’attribuzione del voto finale si basa sui risultati ottenuti nella prova scritta e nella prova orale. L’apprendimento si ritiene sufficiente se lo studente ottiene un voto finale maggiore o uguale a 18/30. Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010), facendo riferimento alle indicazioni fornite dalla Delegata alle attività concernenti l’integrazione degli Studenti con disabilità e con disturbi specifici di apprendimento nell’Ateneo. E-LEARNING La valutazione dell’apprendimento viene effettuata attraverso la realizzazione di un progettino (sviluppata a casa) ed una prova orale. Lo studente, sulla base delle conoscenze e degli strumenti acquisiti, dovrà: - dimostrare di comprendere e sviluppare un programma scritto nel linguaggio nesC/TinyOS - dimostrare di comprendere e sviluppare un programma scritto nel linguaggio visuale NODE-RED - dimostrare di utilizzare le metodologie del corso per lo sviluppo di sistemi IoT Criteri di valutazione dell’apprendimento Prova orale: la prova orale consente di espletare la verifica dei risultati di apprendimento previsti, quali la progettazione e l’implementazione di un sistema IoT mediante le metodologie ed i linguaggi erogati nel corso. La prova orale prevede la discussione approfondita del progetto d’esame e potrà prevedere diverse tipologia di quesiti non strutturati e semistrutturati. La prova orale ha una durata variabile, ma in media si prevede una durata di circa 30 minuti. Criteri di misurazione dell'apprendimento L’attribuzione del voto finale si basa sui risultati ottenuti nella prova scritta e nella prova orale. L’apprendimento si ritiene sufficiente se lo studente ottiene un voto finale maggiore o uguale a 18/30. Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).
Testi di riferimento
- Materiale tecnico on-line: slide e articoli del docente - Materiale tecnico (software e guide/tutorial) sul sistema TinyOS: http://www.tinyos.net/ Materiale tecnico (software e guide/tutorial) sul sistema node-RED: https://nodered.org/
Codice insegnamento 27009215
L’insegnamento si propone di fornire conoscenze avanzate e competenze operative per la progettazione, ottimizzazione, distribuzione e gestione in produzione di soluzioni di Machine Learning e Deep Learning, con…
Scheda dell'insegnamento
Obiettivi formativi
L’insegnamento si propone di fornire conoscenze avanzate e competenze operative per la progettazione, ottimizzazione, distribuzione e gestione in produzione di soluzioni di Machine Learning e Deep Learning, con particolare attenzione agli aspetti di performance, affidabilità, MLOps ed esecuzione su piattaforme cloud, edge e dispositivi IoT. Il corso integra fondamenti teorici e attività pratiche, consentendo l'acquisizione di competenze applicabili in contesti industriali e di ricerca avanzata nell’ambito dell’Intelligenza Artificiale.
Conoscenza e capacità di comprensione
- Lo/La studente/studentessa acquisirà conoscenze avanzate sui modelli, le metodologie e gli strumenti per lo sviluppo di sistemi di Machine Learning e Deep Learning, comprendendo problematiche relative all’ottimizzazione delle pipeline AI, alla gestione del ciclo di vita dei modelli, al deployment in produzione e all’esecuzione distribuita su infrastrutture cloud, edge e IoT. Saranno inoltre approfonditi paradigmi e tecniche relativi a MLOps, TinyML, Edge AI, compressione dei modelli e training distribuito.
Capacità di applicare conoscenza e comprensione
Lo/La studente/studentessa sarà in grado di
- sviluppare applicazioni ML/DL mediante programmazione avanzata in Python;
- progettare, testare e ottimizzare pipeline AI attraverso strumenti di profiling e benchmarking;
- applicare tecniche di compressione e training distribuito per migliorare efficienza e scalabilità dei modelli;
- effettuare deployment, monitoraggio e gestione di modelli AI tramite strumenti e pratiche MLOps;
- sviluppare e distribuire modelli AI su infrastrutture cloud, edge e dispositivi IoT, valutandone prestazioni e requisiti computazionali.
Autonomia di giudizio
- Lo/La studente/studentessa maturerà la capacità di valutare criticamente differenti soluzioni architetturali e tecnologiche per sistemi AI, considerando aspetti quali accuratezza, latenza, scalabilità, consumo di risorse, affidabilità e sostenibilità computazionale. Sarà inoltre in grado di selezionare strumenti, framework e strategie di deployment adeguati a specifici scenari applicativi e vincoli operativi.
Abilità comunicative
- Lo/La studente/studentessa sarà in grado di descrivere metodologie, architetture e risultati sperimentali relativi a sistemi di Machine Learning e Deep Learning utilizzando un linguaggio tecnico appropriato. Saprà inoltre documentare, presentare e discutere soluzioni progettuali e risultati sperimentali, anche collaborando efficacemente in piccoli gruppi di lavoro.
Capacità di apprendimento
- Lo/La studente/studentessa svilupperà capacità di apprendimento autonomo utili ad approfondire nuovi framework, piattaforme e metodologie emergenti nel settore dell’Artificial Intelligence Engineering, del MLOps e dell’Edge AI, anche attraverso l’analisi della documentazione tecnica e della letteratura scientifica di riferimento.
Programma
Il corso esplora gli strumenti e i linguaggi a supporto dello sviluppo in produzione di soluzioni di Machine Learning (ML) e Deep Learning (DL). Al termine del corso, gli studenti saranno in grado di: scrivere codice Python robusto, tipizzato e testabile per pipeline di ML; ottimizzare modelli e pipeline per memoria, calcolo e addestramento distribuito; gestire l'intero ciclo di vita di un modello: versioning, distribuzione e tracciamento; comprimere e distribuire modelli su dispositivi edge e IoT con risorse limitate.
ARGOMENTO #1 Python avanzato: ambienti e strumenti per l'intelligenza artificiale.
ARGOMENTO #2 Ottimizzazione e accelerazione della pipeline ML/DL (NumPy, Pytorch, Scikit-Learn).
ARGOMENTO #3 MLOps: container-based deployment, versioning e monitoraggio (Docker, MLFlow, ONXX).
ARGOMENTO #4 ML per Edge Computing e Internet of Things (EdgeAI, tinyML e casi di studio correlati).
Modalità d'esame
Metodi di valutazione dell’apprendimento:
La valutazione si baserà su due prove svolte contestualmente (durata complessiva circa 30 minuti). La prima prova consiste nella presentazione di un progetto sviluppato utilizzando gli strumenti esposti nel corso, durante il quale progetti d'esame degli anni passati sono presentati come casi di studio.. La seconda prova consiste in un’interrogazione sugli argomenti teorici e pratici affrontati durante il corso. Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010), facendo riferimento alle indicazioni fornite dalla Delegata alle attività concernenti l’integrazione degli Studenti con disabilità e con disturbi specifici di apprendimento nell’Ateneo.
Criteri di valutazione dell’apprendimento:
La prima prova permetterà di valutare la capacità di sviluppare pipeline AI robuste, efficienti e scalabili, dalla fase di progettazione a quella di produzione. La prova orale permetterà di valutare le conoscenze teoriche e pratiche acquisite su relative architetture, linguaggi e strumenti.
Criteri di misurazione dell’apprendimento:
Entrambe le prove sono valutate in trentesimi.
Criteri di attribuzione del voto finale:
Se entrambe le prove sono giudicate almeno sufficiente, l’esame è superato con l’attribuzione di un voto finale in trentesimi. Il voto finale viene comunicato contestualmente alla prova e attribuito tenendo conto per due terzi del voto riportato nella prima prova e per un terzo della valutazione della seconda prova.
Appelli d'esame
Gli appelli d’esame sono definiti in conformità al calendario didattico del Corso di Studio e pubblicati attraverso i canali istituzionali dell’Ateneo (https://dimes.unical.it/didattica/iscriversi-studiare-laurearsi/frequentare-i-corsi/). Le modalità di prenotazione e partecipazione agli appelli seguono quanto previsto dal regolamento didattico vigente.
Testi di riferimento
Specifico materiale didattico fornito dal docente, costituito principalmente dalle slide utilizzate durante il corso. Il materiale viene reso disponibile sul sito del corso tramite la piattaforma Microsoft Teams. TESTI DI RIFERIMENTO (CONSIGLIATI):
[1]Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications (2022, Huyen);
[2]Practical MLOps: Operationalizing Machine Learning Models (2021, Noah Gift, Alfredo Deza)
Codice insegnamento 27008832
Il corso ha l’obiettivo di: fornire conoscenze relative ai fondamenti della sicurezza dei sistemi informatici e ai relativi stumenti di base; sviluppare competenze nell’analisi e nella progettazione di scenari di…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha l’obiettivo di:
- fornire conoscenze relative ai fondamenti della sicurezza dei sistemi informatici e ai relativi stumenti di base;
- sviluppare competenze nell’analisi e nella progettazione di scenari di sicurezza informatica e nell’utilizzo di strumenti di sicurezza;
- consentire agli studenti di acquisire capacità metodologiche in relazione alla gestione di scenari di sicurezza informatica.
Conoscenza e comprensione (Descrittore di Dublino 1)
Gli studenti acquisiranno conoscenze relative alle metodologie a agli strumenti per il contrasto del control hijacking, la separazione dei privilegi, l’autenticazione, la sicurezza sul Web e nelle reti informatiche. Comprenderanno i principi della sicurezza informatica e della progettazione di soluzioni di sicurezza.
Capacità di applicare conoscenza e comprensione (Descrittore di Dublino 2)
Gli studenti saranno in grado di applicare tecniche e strumenti per la simulazione di scenari di sicurezza, l’analisi di scenari di sicurezza e l’applicazione delle tecniche di sicurezza.
Capacità critica e di giudizio (Descrittore di Dublino 3)
Gli studenti svilupperanno capacità critiche nell’analisi e nella comprensione di scenari, problematiche, tecniche e strumenti di sicurezza e nella progettazione di soluzioni di sicurezza.
Capacità di comunicazione (Descrittore di Dublino 4)
Gli studenti acquisiranno la capacità di descrivere e discutere con terminologia appropriata i concetti di base della sicurezza informatica e l’utilizzo di strumenti di supporto. Sapranno documentare e presentare scenari di sicurezza in modo chiaro e rigoroso, sia in forma scritta sia orale.
Capacità di apprendimento autonomo (Descrittore di Dublino 5)
Gli studenti svilupperanno la capacità di approfondire autonomamente argomenti relativi alla sicurezza informatica, consultando documentazione tecnica, librerie software e risorse online, anche in lingua inglese.
Programma
Il corso introduce alle tematiche di sicurezza informatica, discutendo in dettaglio metodi e tecniche per affrontarne le principali problematiche. Inoltre, il corso prevede lo studio e l’utilizzo di specifici strumenti software per la simulazione e l’analisi di scenari di sicurezza e per l’applicazione dei metodi e delle tecniche discussi.
LEZIONI (34 ORE):
Introduzione alla sicurezza informatica (4 ore): Politiche e meccanismi di sicurezza. Modelli dell’attaccante. Motivazioni e opportunità degli attaccanti. Errori di progettazione e implementazione.
Sicurezza in rete (4 ore): Evesdropping e spoofing di pacchetti IP. Attacchi basati su TCP. Attacchi ai protocolli di routing. Attacchi basati su DHCP. Attacchi basati su FTP. Contromisure e mitigazione. Meccanismi di autenticazione in rete. SSL/TLS e HTTPS. Protezione di dati e codice mediante HTTPS. ForceHTTPS. Altre criticità di SSL/TLS. Strumenti di analisi e di protezione da attacchi in rete.
Control hijacking (4 ore): Buffer overflow. Opportunità di sfruttamento di buffer overflow. Approcci all’eliminazione dei buffer overflow. Approcci alla mitigazione delle opportunità di buffer overflow. Altre tecniche di control hijacking. Strumenti di analisi e di protezione dal control hijacking.
Separazione dei privilegi (4 ore): Privilegi. Architetture con reference monitor. Meccanismi di separazione dei privilegi in UNIX. Separazione dei privilegi su piattaforme Web. Capabilities e RBAC. Sandboxing di applicazioni. Sandboxing di codice nativo. Strumenti per la separazione dei privilegi.
Sicurezza sul Web (6 ore): Struttura generale dei browser. Lato client delle applicazioni Web. Combinazione di contenuti da diversi provider. Accessi agli stati. Separazione e protezione delle risorse. Richieste e risposte HTTP. Gestione delle sessioni, degli indirizzi di rete e degli URL. Utilizzo di HTML5. Modelli di sicurezza dei browser. Esempi di attacchi (XSS, SQL injection, covert channel ecc.). Strumenti di analisi e di protezione da attacchi Web.
Esecuzione simbolica (2 ore): Tecniche di esecuzione simbolica. Limitazioni teoriche. Analisi statiche e dinamiche. Fuzzing. Derivazione di insiemi di vincoli a partire da codice sorgente. Modellazione della memoria. Modellazione di librerie. Utilizzo di risolutori SMT. Strumenti per l’analisi statica.
Autenticazione degli utenti (6 ore): Obiettivi dell’autenticazione. Schemi di autenticazione. Autenticazione tramite password. Hashing e salting. Trasmissione delle password. Biometria. Autenticazione multi-factor. Attacchi ai meccanismi di autenticazione. Strumenti di analisi e di protezione da attacchi ai meccanismi di autenticazione. Kerberos.
Progettazione di sistemi per la sicurezza (4 ore): Costruzione di sistemi security-aware. Architetture per la sicurezza. Sicurezza delle applicazioni mobili.
ESERCITAZIONI (16 ORE):
Sicurezza in rete (4 ore)
Control hijacking (3 ore)
Separazione dei privilegi (3 ore)
Sicurezza sul Web (6 ore)
Modalità d'esame
Metodi di valutazione dell’apprendimento
La valutazione si baserà su due prove. La prima prova, da svolgersi in forma scritta e della durata di 1,5 ore, contiene una domanda sugli aspetti metodologici e due domande su casi pratici. In caso di superamento della prima prova, lo studente potrà accedere alla seconda prova, da svolgersi in forma orale e della durata di circa 30 minuti, consistente in una discussione degli argomenti teorici e pratici studiati.
Criteri di valutazione dell’apprendimento
Gli esercizi della prova scritta sono progettati in modo da poter valutare che lo studente sia in grado di analizzare scenari di sicurezza sia dal punto di vista metodologico che da quello pratico. Le domande della prova orale permettono di complementare la verifica dei risultati di apprendimento previsti; insieme alla discussione degli esercizi svolti nella prova scritta, permettono inoltre di valutare le capacità trasversali di risoluzione di problemi e di presentazione del lavoro svolto.
Criteri di misurazione dell’apprendimento
La prova scritta è valutata in trentesimi ed è superata se la votazione è maggiore o uguale a 15. In caso di superamento della prova scritta, lo studente è ammesso alla prova orale.
Criteri di attribuzione del voto finale
Se la prova orale è giudicata almeno sufficiente, l’esame è superato con l’attribuzione di un voto finale in trentesimi. Il voto finale viene attribuito tenendo conto in egual misura del voto riportato nella prova scritta e della valutazione sulla prova orale.
Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010), facendo riferimento alle indicazioni fornite dalla Delegata alle attività concernenti l’integrazione degli Studenti con disabilità e con disturbi specifici di apprendimento nell’Ateneo.
Testi di riferimento
Dispense e readings messi a disposizione dal docente.
Codice insegnamento 27006334
Conoscenza e comprensione (Descrittore di Dublino 1) Al termine del corso, lo studente avrà acquisito le conoscenze teoriche e metodologiche relative alla gestione e all'analisi dei processi aziendali. In particolare…
Scheda dell'insegnamento
Obiettivi formativi
Conoscenza e comprensione (Descrittore di Dublino 1)
Al termine del corso, lo studente avrà acquisito le conoscenze teoriche e metodologiche relative alla gestione e all'analisi dei processi aziendali. In particolare dimostrerà di comprendere:
- I linguaggi e le tecniche di modellazione dei processi e i meccanismi di tracciamento delle loro esecuzioni.
- I fondamenti teorici e le tecniche di Process Mining per l'analisi automatica e il monitoraggio dei processi a partire dai log delle esecuzioni (event logs).
- Le potenzialità, i limiti e gli ambiti di applicazione del Process Mining all'interno dei contesti organizzativi.
Capacità di applicare conoscenza e comprensione (Descrittore di Dublino 2)
Lo studente sarà in grado di applicare gli strumenti analitici e informatici acquisiti per operare su processi organizzativi reali. Nello specifico saprà:
- Utilizzare con padronanza i principali software e piattaforme del settore, quali ProM, Disco e Celonis .
- Estrarre un modello di processo dai log di esecuzione per descriverne le modalità tipiche di svolgimento.
- Individuare e misurare gli scostamenti (conformance checking) tra il comportamento prescritto/atteso di un processo e quello reale registrato nei log.
- Analizzare le prestazioni di un processo (in termini di tempi e costi di esecuzione), riconoscendo "colli di bottiglia" e inefficienze.
- Risolvere problemi complessi ed elaborare soluzioni di miglioramento, in particolare attraverso l'approccio algoritmico e lo sviluppo di soluzioni mirate.
Capacità critica e di giudizio (Descrittore di Dublino 3)
Lo studente svilupperà un'autonomia di giudizio che gli consentirà di:
- Valutare e validare la qualità dei modelli estratti tramite le tecniche di Process Mining, interpretando criticamente i dati operativi.
- Estrarre conoscenza utile dai casi reali per supportare i processi di decision making e di process re-engineering .
- Scegliere l'approccio analitico e lo strumento software più idoneo in base alle specificità del processo organizzativo esaminato, agendo con piena consapevolezza dei limiti intrinseci delle tecniche utilizzate.
Capacità di comunicazione (Descrittore di Dublino 4)
Lo studente affinerà le proprie abilità relazionali e comunicative nel contesto professionale e accademico, dimostrando di saper:
- Lavorare e collaborare efficacemente in piccoli gruppi per l'analisi e la risoluzione di casi di studio complessi.
- Condividere e presentare in modo chiaro, fluido e strutturato il lavoro svolto, i risultati del mining e le proposte di ottimizzazione dei processi a referenti sia tecnici sia manageriali.
Capacità di apprendimento autonomo (Descrittore di Dublino 5)
Il corso fornirà allo studente le competenze metodologiche necessarie per:
- Sviluppare autonomia nella ricerca di librerie, estensioni e strumenti software utili alla risoluzione di homework e problemi specifici.
- Consultare e comprendere documentazione tecnica e risorse scientifiche su siti e piattaforme internazionali , gestendo autonomamente materiale informativo in lingua inglese .
- Restare aggiornato in modo indipendente sull'evoluzione delle tecnologie e degli standard di mercato legati al Process Mining e alla Business Process Intelligence.
Programma
Il corso di Metodi Informatici per l’Analisi dei Processi offre un percorso specialistico volto allo studio delle principali tecniche e metodologie informatiche per descrivere e analizzare il comportamento di un processo organizzativo, e per facilitarne la diagnosi, l’ottimizzazione e la re-ingegnerizzazione.
Nel corso verranno forniti contenuti riguardanti la modellazione dei processi per la rappresentazione formale dei flussi di controllo, delle risorse e dei dati e contenuti legati al Process Mining, cioè all'analisi delle tracce lasciate dall'esecuzione dei processi nei sistemi informatici.
PARTE I: Concetti fondamentali sulla gestione di processi organizzativi e sulla loro modellazione
- Concetto di processi organizzativo (“business process”); Business Process -Management (BPM) e ciclo vita di un processo; Process Mining nel ciclo vita di un processo;
- Gestione informatizzata dei processi: modelli workflow e terminologia di riferimento.
- Differenti prospettive per la specifica di un processo di business: manipolazione/scambio di dati, organizzazione e flusso delle attività.
- Specifica del flusso di controllo: workflow pattern e linguaggi di modellazione (Petri Nets, Causal Nets, YAWL);
PARTE II: Tecniche e strumenti di Process Mining
- Dai modelli all’implementazione: log di esecuzione da sistemi workflow e ERP.
- Formati standard per la rappresentazione dei log di processo: XES e MXML;
Process Discovery: algoritmi di Process Mining per l’induzione di modelli di flusso da log di esecuzione. - Tecniche per la scoperta di modelli organizzativi e di modelli di interazione (social nets) fra gli esecutori di un processo.
- Temi complementari (cenni): Process Mining per il supporto a run-time (“operational support”); algoritmi avanzati di Process Discovery
- Tecniche di Conformance Checking per confrontare un modello di processo con un log di esecuzione, e loro impiego per la valutazione (comparativa) e la validazione di modelli di processo;
- Verifica (log-driven) di regole/vincoli di esecuzione espressi in forma dichiarativa.
Esercitazioni:
- Il sistema ProM per l’analisi di log e di modelli workflow:
Formati utilizzati per la rappresentazione dei log e dei modelli;
Architettura del sistema; Plugin per la scoperta di modelli di flusso e per l’analisi di conformance; Plugin per la scoperta di modelli organizzativi e di social nets; - Uso del sistema open-source ProM per l’analisi di log di esempio, e per condurre studi di caso tratti da contesti applicativi reali.
Modalità d'esame
Metodi di Valutazione dell’Apprendimento
Per ogni appello d’esame, la modalità di valutazione dell’apprendimento si articola in una prova orale di durata media di 35 minuti articolata in due fasi: FASE1: La discussione del progetto didattico (durata 15 min) assegnato dal docente ad inizio corso che può essere sviluppato da gruppi o singolarmente, ma sempre sotto la supervisione del docente.
FASE2: domande sugli argomenti del programma del corso (durata 20 min). Le domande della prova orale permettono di complementare la verifica dei risultati di apprendimento previsti.
Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).
Criteri di Valutazione dell’Apprendimento
La fase 1 mira a valutare le competenze acquisite sui vari tipi di analisi dei log e nell’utilizzo dei softwares di process mining presentati durante il corso, nonché le capacità trasversali di risoluzione di problemi, di lavorare in gruppo e di presentare il lavoro svolto. Per essere ammessi alla successiva fase, occorre superare la fase 1 con esito almeno pari a 18/30, che si consegue tramite una valutazione “sufficiente” della stessa, ovvero avere almeno acquisito correttamente le competenze pratiche legate all'utilizzo dei software e all'analisi visuale dei log.
La fase 2 mira a verificare se è stato acquisito il corretto corredo di linguaggio tecnico, la capacità di analisi critica e di giudizio, valutando anche il livello di conoscenza dei contenuti metodologici del corso.
L’esito della prova viene valutato sulla base della chiarezza, correttezza e completezza dell’esposizione circa gli argomenti di discussione proposti.
Per superare la prova con livello sufficiente (18/30) occorre rispondere, in modo corretto e completo, ad almeno uno degli argomenti proposti.
Criteri di Misurazione dell’Apprendimento e Attribuzione del Voto Finale
Gli esiti della discussione del progetto e delle domande contribuiscono a definire, con stesso peso, l’esito complessivo dell’esame.
L’attribuzione del voto finale, in trentesimi, viene assunta sulla base della mediazione degli esiti specifici delle due fasi.
Testi di riferimento
Testo di riferimento: Wil van der Aalst. Process Mining: Discovery, Conformance and Enhancement of Business Processes. Springer-Verlag, Berlin, 2011. Letture consigliate: Marlon Dumas, Wil M. Van der Aalst, and Arthur H. Ter Hofstede. Process-aware information systems: bridging people and software through process technology. John Wiley & Sons, 2005. Materiale online http://www.processmining.org/prom/start Altro materiale didattico, distribuito durante il corso mediante il canale teams predisposto:
Metodi 2026
Codice insegnamento 27006441
Il corso ha l’obiettivo di: fornire conoscenze relative ai paradigmi, ai modelli computazionali e alle tecnologie per l’analisi di Big Data, con particolare riferimento ai framework distribuiti e paralleli per data…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha l’obiettivo di:
- fornire conoscenze relative ai paradigmi, ai modelli computazionali e alle tecnologie per l’analisi di Big Data, con particolare riferimento ai framework distribuiti e paralleli per data analytics;
- sviluppare competenze nell’utilizzo di strumenti e framework per l’elaborazione distribuita dei dati, quali Hadoop, Spark, Hive, MLlib e GraphX, nonché nei paradigmi di programmazione funzionale e workflow-based;
- consentire agli studenti di progettare e sviluppare applicazioni per Big Data analysis in ambienti distribuiti e ad alte prestazioni, comprendendo le problematiche di parallelismo, scalabilità, orchestrazione dei workflow e accelerazione tramite GPU e tecniche di Generative AI.
Conoscenza e comprensione (Descrittore di Dublino 1)
Gli studenti acquisiranno conoscenze relative ai principali paradigmi e framework per l’analisi di Big Data, ai modelli di programmazione distribuita e parallela e alle tecnologie per la gestione e l’elaborazione di grandi moli di dati. In particolare, comprenderanno il modello MapReduce, gli ecosistemi Hadoop e Spark, i sistemi SQL-like distribuiti, i modelli BSP e PGAS, nonché le tecniche di accelerazione mediante GPU e Generative AI applicate alla data analytics.
Capacità di applicare conoscenza e comprensione (Descrittore di Dublino 2)
Gli studenti saranno in grado di applicare le conoscenze acquisite per sviluppare applicazioni di Big Data analysis utilizzando framework distribuiti e strumenti di data analytics avanzata. Saprammo utilizzare tecniche di programmazione funzionale, workflow orchestration, machine learning distribuito e graph processing, nonché configurare e utilizzare ambienti basati su Hadoop, Spark, Hive e GPU computing per l’analisi scalabile dei dati.
Capacità critica e di giudizio (Descrittore di Dublino 3)
Gli studenti svilupperanno capacità critiche nella valutazione di architetture e framework per Big Data analysis, confrontando differenti approcci in termini di scalabilità, efficienza, parallelismo e prestazioni. Saranno inoltre in grado di valutare i vantaggi e i limiti dei diversi modelli di programmazione distribuita e delle tecnologie per machine learning e data analytics su larga scala.
Capacità di comunicazione (Descrittore di Dublino 4)
Gli studenti acquisiranno la capacità di descrivere e discutere con terminologia tecnica appropriata i principali modelli, framework e tecnologie per Big Data analysis. Saranno in grado di presentare in modo chiaro e rigoroso metodologie, problematiche e soluzioni relative all’elaborazione distribuita dei dati, al machine learning distribuito e ai sistemi ad alte prestazioni.
Capacità di apprendimento autonomo (Descrittore di Dublino 5)
Gli studenti svilupperanno la capacità di approfondire autonomamente tematiche avanzate relative ai sistemi e framework per Big Data analysis, consultando documentazione tecnica e fonti specialistiche. Saranno inoltre in grado di aggiornare le proprie competenze per seguire l’evoluzione delle tecnologie distribuite, del machine learning e delle piattaforme per data analytics ad alte prestazioni.
Programma
I contenuti del corso riguardano i principali modelli di programmazione, le tecniche e gli strumenti per l’elaborazione e l’analisi di Big Data in ambienti distribuiti e ad alte prestazioni. In particolare, il corso approfondisce paradigmi di programmazione parallela e distribuita, framework per data analytics e machine learning, e tecnologie per la gestione scalabile di grandi moli di dati. Vengono inoltre affrontati aspetti relativi all’orchestrazione dei workflow, all’elaborazione su GPU e all’utilizzo di strumenti avanzati per applicazioni di Big Data analysis.
Lezioni (34 ore):
Introduzione ai Big Data (2 ore)
- Definizioni di Big Data
- Le “V” dei Big Data
- Big Data analytics
- Data science e data engineering
Sfide computazionali dei framework di Big Data analysis (2 ore)
- Parallelismo e concorrenza
- Data/Task parallelism
- Shared-memory/Distributed-memory systems
- High Performance Data Analytics (HPDA)
- Parallel e distributed machine learning
Programmazione funzionale per Big Data (6 ore)
- Paradigma funzionale
- Lambda expressions
- map/filter/reduce
- Parallel streams
- Approccio funzionale in Java e Python
Modello MapReduce e Hadoop Ecosystem (5 ore)
- Modello MapReduce
- Apache Hadoop
- HDFS
Framework Workflow-based (9 ore)
- Workflow model e DAG-based programming
- Workflow patterns e orchestrazione
- Apache Spark:
- Machine learning distribuito con MLlib
- Graph processing con GraphX
- Apache Airflow
SQL-like Systems e Distributed Analytics (2 ore)
- Apache Hive e HiveQL
- Schema-on-read
- Apache Spark SQL
- Query distribuite
Message Passing e BSP (2 ore)
- shared memory vs distributed memory
- message-passing model
- BSP (Bulk Synchronous Parallel)
- sincronizzazione e comunicazione
Modelli PGAS e UPC++ (2 ore)
- modelli PGAS e APGAS
- global address space distribuito
- parallelismo asincrono
- UPC++
GPU e GenAI per Big Data analysis (4 ore)
- GPU computing per data analytics e machine learning
- Apache Spark con accelerazione GPU
- Distributed Big Data analysis su sistemi GPU-accelerated
- Generative AI nelle applicazioni di Big Data analysis
Esercitazioni (16 ore):
Programmazione funzionale per Big Data (2 ore)
- Definizione di High-Order Functions
- Esempi di applicazioni in Python
Hadoop e HDFS (2 ore)
- Utilizzo di HDFS
- Esecuzione di applicazioni MapReduce
- Esempi di applicazioni MapReduce
Spark (5 ore)
- Installazione di Apache Spark
- Configurazione dell’ambiente di sviluppo
- Utilizzo di Spark in locale
- Introduzione a spark-shell e PySpark
- Integrazione frontend/backend Spark
- Esempi di applicazioni in PySpark
Hive (2 ore)
- Hive su Spark
- HiveQL
- Analisi di dataset su HDFS
MLlib (3 ore)
- Pipeline di machine learning distribuite
- Classification e regression
- Clustering
- Feature extraction
- Training e valutazione di modelli distribuiti
GraphX (2 ore)
- Vertex e Edge RDD
- Creazione e manipolazione di grafi
- Esempi di applicazioni con GraphX
Modalità d'esame
Metodi di valutazione dell’apprendimento
La valutazione si baserà sulla realizzazione di un progetto e su una prova orale. Il progetto, da realizzare sulla base di una traccia definita dal docente ed assegnata nella parte finale del corso, consiste nella realizzazione di un sistema di Big data analysis utilizzando una delle tecnologie illustrate durante il corso. In caso di valutazione positiva del progetto, lo studente potrà accedere alla prova orale, da svolgersi in forma orale e della durata di circa 30 minuti, consistente in un’interrogazione sugli argomenti teorici e pratici affrontati durante il corso.
Criteri di valutazione dell’apprendimento
Il progetto permetterà di valutare la capacità di sviluppare applicazioni di Big Data analysis mediante l’uso dei principali modelli di programmazione e framework illustrati durante il corso, nonché di valutare la capacità di progettazione e di presentazione dei risultati prodotti. La prova orale permetterà di valutare le conoscenze teoriche e pratiche acquisite su modelli di programmazione e sistemi di Big data analysis discussi durante il corso.
Criteri di misurazione dell’apprendimento
Il progetto è valutato in trentesimi, tenendo conto sia della qualità del sistema realizzato sia della presentazione dello stesso. In caso di valutazione almeno sufficiente del progetto, lo studente è ammesso alla prova orale.
Criteri di attribuzione del voto finale
Se la prova orale è giudicata almeno sufficiente, l’esame è superato con l’attribuzione di un voto finale in trentesimi. Il voto finale viene attribuito tenendo conto in egual misura del voto attribuito al progetto e della valutazione sulla prova orale.
Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).
Testi di riferimento
Libro di testo:
“Programming Big Data Applications: Scalable Tools and Frameworks for Your Needs” – D. Talia, P. Trunfio, F. Marozzo, Loris Belcastro, Riccardo Cantini, Alessio Orsino. World Scientific, 2024. https://doi.org/10.1142/q0444
Repository GitHub contente il codice di tutti gli esercizi proposti nel libro di testo:
https://bigdataprogramming.github.io/
Codice insegnamento 27007402
1. Conoscenza e capacità di comprensione (Knowledge and understanding) Al termine del corso, lo studente avrà acquisito una solida conoscenza teorica e metodologica dei modelli statistici avanzati per l’analisi di dati…
Scheda dell'insegnamento
Obiettivi formativi
1. Conoscenza e capacità di comprensione (Knowledge and understanding)
Al termine del corso, lo studente avrà acquisito una solida conoscenza teorica e metodologica dei modelli statistici avanzati per l’analisi di dati quantitativi. In particolare, comprenderà a fondo:
- I principi matematico-statistici del modello di regressione multipla e le tecniche di selezione automatica dei regressori.
- Le problematiche connesse alla violazione delle ipotesi fondamentali del modello lineare classico (multicollinearità, eteroschedasticità e correlazione) e le relative strategie di risoluzione.
- I fondamenti teorici delle principali tecniche di regolarizzazione e dei modelli di regressione con risposta nell’intervallo continuo (0,1) e relative estensioni.
- La distinzione concettuale, epistemologica e operativa tra modelli con finalità puramente inferenziali e modelli orientati all'apprendimento predittivo (Statistical Learning).
2. Conoscenza e capacità di comprensione applicate (Applying knowledge and understanding)
Lo studente sarà in grado di tradurre quesiti concreti del mondo reale in formali problemi statistici, applicando autonomamente le metodologie apprese a dataset complessi. Nello specifico, saprà:
- Costruire, stimare e validare modelli inferenziali e predittivi utilizzando in modo fluente strumenti informatici open source (es. il software R).
- Implementare autonomamente le tecniche diagnostiche per verificare la tenuta delle ipotesi dei modelli e applicare i relativi correttivi.
- Gestire l'intero flusso di un'analisi statistica empirica, dalla scelta della strategia di modellizzazione più idonea fino all'ottenimento dei risultati numerici.
3. Autonomia di giudizio (Making judgments)
Il percorso formativo è strutturato per sviluppare nello studente una spiccata attitudine critica (la "filosofia di fondo" dello Statistico). Lo studente sarà in grado di:
- Scegliere in modo strategico e motivato il modello statistico o la tecnica di regolarizzazione più appropriata sulla base dello specifico obiettivo di ricerca e della natura dei dati reali a disposizione.
- Valutare criticamente la robustezza, i limiti e l'affidabilità delle stime ottenute, evitando interpretazioni distorte o opportunistiche dei dati.
- Auto-valutare in maniera oggettiva l'efficacia del proprio operato e del contributo metodologico fornito all'interno di un contesto collaborativo.
4. Abilità comunicative (Communication skills)
Lo studente affinerà la capacità di interagire efficacemente all'interno di contesti professionali e di ricerca. Sarà in grado di:
- Presentare e argomentare i risultati di analisi statistiche complesse in modo chiaro, rigoroso e con una terminologia scientifica appropriata.
- Dialogare e collaborare proficuamente all'interno di gruppi di lavoro, confrontandosi sia con il docente sia con i propri pari per co-progettare risposte a quesiti applicativi.
- Tradurre evidenze quantitative sofisticate in indicazioni pratiche e comprensibili anche per interlocutori o decisori non specialisti.
5. Capacità di apprendere (Learning skills)
Lo studente svilupperà le metodologie di studio necessarie per l'aggiornamento continuo delle proprie competenze. Al termine del corso avrà acquisito:
- La flessibilità intellettuale e l'autonomia metodologica necessarie per consultare la letteratura scientifica di settore.
- La capacità di comprendere e assimilare autonomamente future estensioni dei modelli statistici trattati e nuovi algoritmi di Statistical Learning, adattando autonomamente le conoscenze pregresse a problemi inediti posti dal mondo reale.
Programma
Il corso si propone di fornire agli studenti competenze teoriche e pratiche per l'analisi dei dati reali.
Il corso si propone di fornire agli studenti gli strumenti necessari per l’analisi di dati quantitativi.
In particolare, il corso affronta le seguenti tematiche:
- Richiami di Inferenza Statistica: modello parametrico e spazio campionario, Stimatore e Stima; principali proprietà degli stimatori; metodo per la costruzione di stimatori; Intervalli di confidenza; Test d’Ipotesi.
- Modelli Lineari: specificazione, stima, diagnostica e previsione.
- Tecniche di selezione automatica dei regressori: forward stepwise, backward stepwise, best subset.
- Violazione delle ipotesi fondamentali e tecniche di regolarizzazione: minimi quadrati generalizzati, ridge regression, Lasso ed Elastic nets;
- Regressione per variabile risposta nell'intervallo (0,1): la regressione Beta e sue estensioni.
Si prevede un’analisi estensiva delle metodologie trattate attraverso la presentazione di opportuni casi di studio, anche grazie all’ausilio del software R.
Modalità d'esame
Metodi di valutazione dell’apprendimento
Per ogni appello d’esame, la modalità di valutazione dell’apprendimento consiste in una prova orale (prova semi-strutturata a stimolo aperto – risposta aperta).
Le modalità operative di conduzione dell’eventuale esame on-line, per motivi di sicurezza sanitaria, si basano sulle indicazioni definite dalle relative Linee Guida dell’Ateneo.
Le modalità d'esame saranno, inoltre, adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010, facendo riferimento alle indicazioni fornite dalla Delegata alle attività concernenti l’integrazione degli Studenti con disabilità e con disturbi specifici di apprendimento nell’Ateneo.
Criteri di valutazione dell’apprendimento
La prova orale è rivolta ad accertare l’acquisizione delle competenze specifiche e i contenuti metodologici fornite dal corso.
Criteri per attribuzione del voto finale
Il voto finale, espresso in trentesimi, tiene conto della chiarezza, correttezza e completezza dell’esposizione degli argomenti.
Testi di riferimento
- Linear Models in Statistics, Second Edition, by Alvin C. Rencher and G. Bruce Schaalje, 2008 John Wiley & Sons, Inc.
-An introduction to statistical learning: with applications in R, by G. James, D. Witten, T. Hastie and R. Tibshirani, 2022, Springer - Ferrari S. e Cribari-Neto F. (2014): Beta Regression for Modelling Rates and Proportions. Journal of Applied Statistics, 31:7, 799-815.
- Materiale fornito dal docente.
Codice insegnamento 27008246
Il corso mira a fornire conoscenze sui modelli, sulle tecniche e sui framework più utilizzati per le basi di dati NoSQL e per la gestione di stream di dati. Si riportano di seguito gli obbiettivi formative organizzati…
Scheda dell'insegnamento
Obiettivi formativi
Il corso mira a fornire conoscenze sui modelli, sulle tecniche e sui framework più utilizzati per le basi di dati NoSQL e per la gestione di stream di dati.
Si riportano di seguito gli obbiettivi formative organizzati secondo i descrittori di Dublino.
Conoscenza e capacità di comprensione
- Conoscenza delle caratteristiche e dei principi generali delle basi di dati NoSQL
- Conoscenza delle caratteristiche e dei principi generali dei modelli di processamento di streaming data
Conoscenza e capacità di comprensione applicate
- Conoscenza e capacità di saper utilizzare i principali DBMS NoSQL
- Conoscenza e capacità di saper utilizzare i principali di Big Data Stream Management
Autonomia di giudizio
- Abilità di analizzare soluzioni integrate di Big Data Stream Management
Abilità comunicative
- Capacità di comunicare efficacemente i vantaggi/svantaggi derivanti dall'adozione dei principi, strumenti e tecnologie trattati nel corso.
Capacità di apprendere
- Capacità di apprendere nuovi strumenti e tecniche per l'analisi e la gestione di Big Data Stream
Programma
Il corso fornisce allo studente una comprensione approfondita dei sistemi di gestione dei dati non relazionali e delle architetture di elaborazione di flussi in tempo reale.
Gli argomenti trattati nel corso sono i seguenti:
- Fondamenti dei sistemi NoSQL
- Famiglie di database NoSQL
- Fondamenti dei Data Streaming Systems
- Tecnologie di Data Streaming
- Integrazione NoSQL e Streaming
Fondamenti dei sistemi NoSQL
- Limiti dei DBMS relazionali su larga scala: ACID vs BASE, Teorema CAP e teorema PACELC: tradeoff fondamentali
- Tassonomia dei database NoSQL: key-value, document, column-family, graph
- Modelli di consistenza: eventual consistency, linearizability, causal consistency
- Sharding, replica e tecniche di distribuzione dei dati
- Installazione e configurazione di ambienti NoSQL
Famiglie di database NoSQL
- Key-Value stores: Redis
- Document store: MongoDB
- Column-family store: Apache Cassandra
- Graph database: Neo4j
- Modellazione e query su MongoDB, Redis, Cassandra e Neo4j
Fondamenti dei Data Streaming Systems
- Elaborazione batch vs stream processing: paradigmi a confronto.
- Architettura Lambda e Kappa: principi e tradeoff progettuali
- Event time vs processing time, watermark, out-of-order events
- Message brokers e code distribuite: pattern at-most/at-least/exactly-once
- Evoluzione storica: Storm come primo framework mainstream e sue limitazioni
Tecnologie di Data Streaming
- Apache Kafka
- Apache Flink
- Cenni ad Apache Spark Structured Streaming: micro-batch vs continuous processing
- Gestione dello stato distribuito
- Esempi di architetture event-driven su Kafka
- Esempi di pipeline streaming con Kafka + Flink per l'analisi di eventi IoT
- Esempi di windowing e aggregazioni con Spark Structured Streaming
Integrazione NoSQL e Streaming
- Change Data Capture (CDC)
- Cenni ad architetture data lakehouse
- Schema evolution e schema registry
- Pattern architetturali: CQRS, event sourcing, outbox pattern
- Esempi di Pipeline end-to-end CDC con Debezium, Kafka e MongoDB
Modalità d'esame
Metodi di valutazione dell’apprendimento
La valutazione si baserà sulla realizzazione di un progetto e su una prova orale. Il progetto, da realizzare sulla base di una traccia definita dal docente ed assegnata nella parte finale del corso, consiste nella realizzazione di una applicazione di Data Stream Processing che utilizzi data stores NOSQL per memorizzare/reperire informazioni aggregate sugli eventi processati. In caso di valutazione positiva del progetto, lo studente potrà accedere alla prova orale, da svolgersi in forma orale e della durata di circa 30 minuti, consistente in una interrogazione sugli argomenti teorici e pratici affrontati durante il corso.
Criteri di valutazione dell’apprendimento
Il progetto permetterà di valutare la capacità di sviluppare applicazioni di Data Stream Processing mediante l’uso dei principali strumenti e tecnologie illustrate durante il corso, nonché di valutare la capacità di progettazione e di presentazione dei risultati prodotti. La prova orale permetterà di valutare le conoscenze teoriche e pratiche acquisite sulle tematiche discusse durante il corso.
Criteri di misurazione dell’apprendimento
Il progetto è valutato in trentesimi, tenendo conto sia della qualità del sistema realizzato sia della presentazione dello stesso. In caso di valutazione almeno sufficiente del progetto, lo studente è ammesso alla prova orale.
Criteri di attribuzione del voto finale
Se la prova orale è giudicata almeno sufficiente, l’esame è superato con l’attribuzione di un voto finale in trentesimi. Il voto finale viene attribuito tenendo conto in egual misura del voto attribuito al progetto e della valutazione sulla prova orale.
Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).
Testi di riferimento
Non c'è un libro di testo, in quanto il materiale si basa principalmente su articoli scientifici e documentazione dei framework e tool per Big Data.
Cionondimeno i testi che seguono coprono gli aspetti teorici trattati nel corso.
- M. Kleppman, Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems, O'Reilly, 2017.
- Pramod Sadalage e Martin Fowler , NoSQL Distilled, Addison-Wesley, 2012.
I seguenti testi trattano invece specifiche tecnologie e strumenti trattati nel corso.
- Mastering MongoDB 7.0: Achieve data excellence by unlocking the full potential of MongoDB, Packt publishing
- Cassandra: The Definitive Guide (O'Reilly)
- Kafka: The Definitive Guide (O'Reilly)
- Fabian Hueske e Vasia Kalavri, Stream Processing with Apache Flink, O'Reilly, 2019
Codice insegnamento 27010295
Conoscenza e capacità di comprensione: Conoscere le proprietà matematiche dei problemi di ottimizzazione non lineare continua. Comprendere i fondamenti dell'analisi convessa e la logica alla base della progettazione…
Scheda dell'insegnamento
Obiettivi formativi
Conoscenza e capacità di comprensione: Conoscere le proprietà matematiche dei problemi di ottimizzazione non lineare continua. Comprendere i fondamenti dell'analisi convessa e la logica alla base della progettazione dei metodi numerici di soluzione (metodi del gradiente, Newton e quasi-Newton, active-set).
Capacità di applicare conoscenza e comprensione: Capacità di riconoscere i problemi decisionali affrontabili con l'ottimizzazione non lineare (con particolare riferimento all'addestramento di modelli di Machine Learning come le SVM) e di formularne i relativi modelli matematici. Saper selezionare o implementare software e codici di calcolo specifici per la loro risoluzione.
Autonomia di giudizio: Saper valutare criticamente l'applicabilità, l'efficienza e i criteri di convergenza dei diversi algoritmi in base alla specifica natura del problema e ai dati a disposizione, diagnosticando eventuali problematiche di underfitting o overfitting.
Abilità comunicative: Capacità di argomentare le scelte modellistiche e algoritmiche adottate, illustrando i concetti matematici con proprietà di linguaggio scientifico e rigore formale.
Capacità di apprendimento: Sviluppare la maturità matematica e metodologica necessaria per integrare autonomamente nuovi strumenti di ottimizzazione e per studiare architetture di Machine Learning più avanzate presenti nella letteratura scientifica.
Programma
L’insegnamento si concentra sulla trattazione delle proprietà matematiche e dei principali metodi risolutivi di problemi di ottimizzazione continua non lineare, avendo come contesto applicativo di riferimento i modelli di ottimizzazione che emergono nell’ambito delle tecniche di machine learning.
FONDAMENTI MATEMATICI
Fondamenti di analisi matematica: gradienti, Hessiani, espansioni di Taylor. Fondamenti di analisi convessa.
OTTIMIZZAZIONE NON VINCOLATA
Condizioni di ottimalità. Metodi di discesa e strategie line-search. Algoritmi di ricerca unidimensionale. Criteri generali di convergenza globale. Rapidità di convergenza. Metodo del gradiente. Metodo di Newton e sua globalizzazione. Metodi Quasi-Newton. Metodi di tipo trust-region.
OTTIMIZZAZIONE VINCOLATA
Condizioni di ottimalità. Programmazione quadratica convessa: metodo Active-set. Cenni sui metodi del gradiente proiettato. Cenni sui metodi a punto interno: algoritmo di Dikin per la programmazione lineare.
METODI DI OTTIMIZZAZIONE PER IL MACHINE LEARNING
Nozioni di base sull'apprendimento statistico: Il bound Vapnik-Chervonenkis. Support vector machines. Classificatori di margine massimo. Formulazione di programmazione quadratica. Metodi basati sul kernel. Formulazione duale: teoria della dualità di Wolfe per la programmazione quadratica. Algoritmo SMO di Platt per la classificazione SVM. Modelli di regressione e Support Vector Regression. Support Vector Machine per la classificazione Multiple Instance.
Modalità d'esame
METODI DI VALUTAZIONE DELL'APPRENDIMENTO
La valutazione si basa su una prova orale della durata di 30-45 minuti, consistente in un colloquio sugli argomenti teorici e su quelli più prettamente algoritmici affrontati durante il corso.
CRITERI DI VALUTAZIONE DELL'APPRENDIMENTO
La prova orale permetterà di valutare le conoscenze teoriche e pratiche acquisite sui problemi di Ottimizzazione nonlineare e sull’applicazione delle tecniche risolutive ai principali modelli di machine learning studiati.
CRITERI DI MISURAZIONE DELL'APPRENDIMENTO
Il livello di conoscenze acquisite dallo studente è valutato in trentesimi.
CRITERI DI ATTRIBUZIONE DEL VOTO FINALE
Verrà adottata la seguente griglia di valutazione della prova orale.
18-23: Conoscenza basilare dei teoremi principali e delle condizioni di ottimalità; capacità di esporre il funzionamento generale dei metodi di discesa senza particolari approfondimenti sulle dimostrazioni.
24-26: Buona padronanza dell'analisi convessa e degli algoritmi (es. differenze tra Newton e Quasi-Newton). Capacità di illustrare correttamente l'applicazione dell'ottimizzazione ai modelli di Machine Learning.
27-30: Ottima conoscenza teorica, comprensione profonda delle strategie di line-search e convergenza. Esposizione fluida e rigorosa.
30 e Lode: Assoluta padronanza della materia, eccellente capacità di collegare la teoria della dualità ai classificatori di margine massimo (SVM), totale autonomia di giudizio e brillantezza nell'esposizione.
Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).
Testi di riferimento
Dispensa e materiale didattico integrativo forniti dal docente.
Grippo L e Sciandrone M. Introduction to Methods for Nonlinear Optimization. Springer Cham. 2023.
Nocedal J e Wright SJ. Numerical Optimization. 2nd ed. Springer Series in Operations Research. New York: Springer, 2006.
James G, Witten D, Hastie T, e Tibshirani R. An Introduction to Statistical Learning. Springer Texts in Statistics 103. New York: Springer, 2013.
Codice insegnamento 27005402
Conoscenza e capacità di comprensione delle metodologie e dei principi teorici sui quali è basato lo studio dei processi stocastici sottostanti la valutazione delle prestazioni e la ottimizzazione di "what-if" di sistemi…
Scheda dell'insegnamento
Obiettivi formativi
Conoscenza e capacità di comprensione delle metodologie e dei principi teorici sui quali è basato lo studio dei processi stocastici sottostanti la valutazione delle prestazioni e la ottimizzazione di "what-if" di sistemi di servizio nell’ingegneria informatica.
Conoscenza e capacità di comprensione delle potenzialità e dei limiti di modelli analitici e relativi algoritmi, a fronte dello sviluppo e dell'implementazione di simulatori ad eventi capaci di cogliere la complessità delle relazioni fra le variabili decisionali di configurazione del sistema.
Conoscenza e capacità di comprensione applicate alla risoluzione di un problema assegnato, tramite l’implementazione di metodi e algoritmi di soluzione dei modelli stocastici, anche in funzione della successiva implementazione su casi di interesse pratico opportunamente scelti.
Autonomia di giudizio nello scegliere, implementare e valutare autonomamente modelli e algoritmi per la risoluzione di un modello "cost-effective" per la valutazione delle prestazioni di un sistema informatico, a partire dallo sviluppo in ambienti "general-purpose".
Abilità comunicative volte al confronto e allo scambio cooperativo con colleghi, nella fase di produzione e presentazione dei risultati attraverso l’esercizio di analisi critica degli stessi risultati.
Capacità di apprendere nella fase di progettazione, realizzazione e valutazione critica dei risultati ottenuti e di raffinare iterativamente sia il processo di risoluzione sia il processo di acquisizione dei dati e valutazione dei risultati.
Il livello raggiunto per ciascuno dei descrittori indicati è misurabile in base alla padronanza dei metodi e degli strumenti chiave resi disponibili durante l’erogazione del corso, in accordo ai tempi della programmazione delle attività didattiche.
Programma
Metodologie specialistiche del dominio disciplinare della analisi probabilistica di processi aleatori e della simulazione stocastica di sistemi di
servizio
1. Processi su grafo per la rappresentazione ed analisi di sistemi ad evoluzione temporale degli stati stocastica.
2. Modelli analitici a coda per la valutazione delle prestazioni di sistemi informatici.
2. Modelli simulativi a coda per la valutazione delle prestazioni di sistemi informatici.
LEZIONI (per blocco di argomenti)
L1. Processi aleatori nei sistemi informatici e nell’organizzazione di servizi in ambiente informatico: previsione del workload, parallelismi, sincronizzazioni, discipline e discontinuità del servizio, congestione e analisi quantitativa delle attese.
L2. Processi di rinnovo e processi rigenerativi: grafo degli stati, analisi probabilistiche sul breve termine e sul lungo termine.
L3. Simulazione discreta di processi aleatori e sistemi di servizio: riproduzione della storia degli stati, valutazione di modalità di accodamento e di erogazione del servizio.
L4. Catene di Markov nel continuo e modelli semi-markoviani, analisi probabilistiche sul breve termine e sul lungo termine.
L5. Catene di Markov nel discreto, probabilità e tempi attesi di primo passaggio, probabilità stazionarie ed ergodiche; stati nascosti.
ESERCITAZIONI (per blocco di argomenti)
E1. Processi aleatori nei sistemi di servizio: illustrazione e analisi di modelli probabilistici in ambienti “Cloud Computing”.
E2. Processi di rinnovo e processi rigenerativi: generazione del grafo degli stati e calcoli di probabilità in ambienti “Cyber Security”.
E3. Simulazione discreta di processi aleatori: costruzione e risoluzione di modelli ad eventi, analisi statistica dei risultati.
E4. Catene di Markov e modelli semi-markoviani: risoluzione di modelli nel continuo (servizi con discontinuità e intrusion detection systems) e nel discreto (rovina del giocatore e Google’s page rank)
E5. Catene di Markov nel discreto con stati nascosti: inferenza con gli algoritmi di Baum-Welch e di Viterbi per applicazioni di
machine learning
LABORATORIO (per blocco di argomenti)
Lb1. Modelli di processi aleatori nei sistemi informatici nell’ambiente SW SHARPE (Symbolic Hierarchical Automated Reliability and Performance Evaluator)
Lb2. Simulazione ad eventi di processi e di sistemi di servizio nell’ambiente di sviluppo ARENA e analisi statistica dei risultati
Lb3. Risoluzione analitica di modelli a coda singola e a rete di code nell’ambiente di calcolo JMT (Java Modeling Tools)
Modalità d'esame
Modelli di esame erogati in appelli precedenti sono a disposizione online (TEAMS), in termini di esercizi svolti, tracce d’esame e file sorgenti di modelli implementati in specifici SW Tools per autoapprendimento.
Metodi di Valutazione dell’Apprendimento
La valutazione dell’apprendimento si articola in due prove individuali
svolte in stretta sequenza da parte di ciascuno studente, di fronte alla
commissione d’esame. Ciascuna prova ha la durata massima di trenta
minuti e viene svolta avendo a disposizione il computer della
commissione. Nella prima prova, lo studente formula e risolve un modello
di processo aleatorio ex novo o parzialmente avviato dalla commissione, anche facendo uso di SW tools dal corso.
Nella seconda prova, lo studente è chiamato a discutere di concetti,
risultati formali e metodi alla base della prima prova, nonché a
rispondere su argomenti teorici del programma svolto e relativamente
distanti dagli argomenti della prima prova.
Criteri di Valutazione dell’Apprendimento
Con la prima prova, la commissione valuta il livello di conseguimento
delle competenze specifiche dello studente relativamente al suo “saper
fare” (identificare un modello, implementarlo ed analizzare i risultati).
Con la seconda prova, la commissione valuta il livello di assimilazione dei
concetti, dei metodi e dei risultati formali alla base del saper fare, nonché
lo spirito critico dello studente.
Criteri di misurazione dell'apprendimento.
La prima prova è misurata con una valutazione di idoneità, mentre la
seconda prova con un risultato numerico.
Criteri di attribuzione del voto finale.
Allo studente valutato idoneo dopo la prima prova verrà attribuito un voto
compreso fra 18/30 e 30/30 dopo la seconda prova. . La frequenza assidua e una partecipazione attiva alle lezioni concorrono nella misura del 20% a definire il punteggio finale dopo la seconda prova.
Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).
Testi di riferimento
Documenti specifici (ppt, pdf, word e xls) per singole lezioni e dispense per
gruppi di lezioni, nonché capitoli di libri e articoli scientifici di tipo
“tutorial”. Tutti i documenti, raggruppati per lezione del giorno, sono resi disponibili online sul canale del corso attivato sulla piattaforma attualmente in uso (TEAMS), insieme a “video-lectures” consigliate.
Testi di riferimento e approfondimento:
Vidyadhar G. Kulkarni, “Modeling and analysis of stochastic systems”,
CRC Press -Taylor & Francis Group, Boca Raton, FL, latest ed. (2017)
Banks, Carson II, Nelson and Nicol, “Discrete-event system simulation”, Pearson New international Edition, Edinburgh GB, (2014).
Codice insegnamento 27007370
Il corso ha i seguenti obbiettivi: - Presentare i concetti che stanno alla base dei sistemi distribuiti. - Analizzare i meccanismi per la comunicazione, la sincronizzazione e la condivisione in un sistema distribuito.…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha i seguenti obbiettivi: - Presentare i concetti che stanno alla base dei sistemi distribuiti. - Analizzare i meccanismi per la comunicazione, la sincronizzazione e la condivisione in un sistema distribuito. - Presentare gli algoritmi e le tecniche di elaborazione distribuita. - Studiare ambienti e strumenti per lo sviluppo di sistemi distribuiti. Il corso presenta anche i concetti che stanno alla base dei sistemi di cloud computing e delle griglie computazionali.
Conoscenza e comprensione (Descrittore di Dublino 1)
Gli studenti acquisiranno conoscenze relative all’organizzazione e all’architettura dei sistemi di calcolo distribuiti. In particolare, comprenderanno i meccanismi di comunicazione, distribuzione e concorrenza in ambienti distribuiti e in ambienti cloud.
Capacità di applicare conoscenza e comprensione (Descrittore di Dublino 2)
Gli studenti saranno in grado di applicare le conoscenze acquisite per analizzare e progettare sistemi distribuiti e per comprendere il comportamento dei sistemi distribuiti nella gestione delle risorse hardware e software. Sapranno affrontare problemi relativi alla sincronizzazione dei processi, dei file system distribuiti, alla gestione dei file system di rete, utilizzando modelli e strumenti concettuali adeguati.
Capacità critica e di giudizio (Descrittore di Dublino 3)
Gli studenti svilupperanno capacità di analisi critica nella valutazione di soluzioni architetturali hardware e software distribuiti, confrontando differenti approcci in termini di efficienza, affidabilità, sicurezza e prestazioni. Saranno inoltre in grado di individuare problematiche legate alla concorrenza, alla gestione delle risorse distribuite in cloud e alla sicurezza dei sistemi distribuiti.
Capacità di comunicazione (Descrittore di Dublino 4)
Gli studenti acquisiranno la capacità di descrivere e discutere, con linguaggio tecnico appropriato, i principali componenti e meccanismi dei sistemi di calcolo distribuiti. Saranno in grado di esporre in modo chiaro e rigoroso problematiche e soluzioni relative alle architetture distribuite e cloud, sia in forma scritta sia orale.
Capacità di apprendimento autonomo (Descrittore di Dublino 5)
Gli studenti svilupperanno la capacità di approfondire autonomamente tematiche relative all’architettura dei calcolatori e ai sistemi distribuiti, consultando documentazione tecnica e fonti specialistiche. Saranno inoltre in grado di aggiornare le proprie conoscenze per affrontare argomenti avanzati e seguire l’evoluzione delle tecnologie hardware e software di cloud computing.
Programma
I contenuti del corso riguardano i modelli, le tecniche e i sistemi per l'elaborazione distribuita e i sistemi cloud. Il corso espone concetti come: Comunicazione e Processi, Migrazione di processi e Agenti software, Mutua esclusione, Consistenza e replicazione, Gestione della sicurezza, Architetture di Cloud e Grid Computing.
Argomenti delle lezioni: 1. Concetti introduttivi * Introduzione ai sistemi distribuiti. * Concetti hardware. * Concetti software. 2. Comunicazione e Processi * Meccanismi di comunicazione: cenni. * Migrazione di processi e Agenti software. 3. Naming * Naming di entità. * Localizzazione di entità mobili. 4. Sincronizzazione * Sincronizzazione di clock e clock logici. * Algoritmi di elezione. * Mutua esclusione. * Transazioni distribuite. 5. Consistenza e replicazione * Modelli di consistenza. * Protocolli di distribuzione e consistenza. 6. Security * Canali sicuri. * Controllo dell’accesso. * Gestione della sicurezza. 7. Introduzione ai concetti e le architetture di Cloud e Grid Computing. * Globus. * Condor. 8. Tecnologie e modelli di Web Service e Grid Service. *Ambienti e strumenti per lo sviluppo di applicazioni su griglie computazionali. 10. Sistemi di Cloud Computing. * Modelli di Cloud * IAAS, PAAS e SAAS. Esercitazioni: * RMI. * Java-based distributed applications. * Map-Reduce. * AWS Cloud applications.
Modalità d'esame
Metodi di valutazione dell’apprendimento
La valutazione si baserà su due prove. La prima prova consiste nella demo del progetto didattico sviluppato, e quindi alla seconda prova da svolgersi in forma orale e della durata di circa 30 minuti, consistente in un’interrogazione sugli argomenti teorici e pratici affrontati durante il corso.
Criteri di valutazione dell’apprendimento
Il progetto serve a valutare le capacità di progettare e implementare sistemi software distribuiti. La prova orale permetterà di valutare le conoscenze teoriche e pratiche acquisite su sistemi, algoritmi, architetture, protocolli e strumenti di programmazione per sistemi distribuiti e cloud.
Criteri di misurazione dell’apprendimento
Le prove sono valutate in trentesimi.
Criteri di attribuzione del voto finale
Se la prova orale è giudicata almeno sufficiente, l’esame è superato con l’attribuzione di un voto finale in trentesimi. Il voto finale viene attribuito tenendo conto in egual misura del voto riportato nella demo del progetto e della valutazione sulla prova orale.
Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010), facendo riferimento alle indicazioni fornite dalla Delegata alle attività concernenti l’integrazione degli Studenti con disabilità e con disturbi specifici di apprendimento nell’Ateneo.
Testi di riferimento
- A. S. Tanenbaum, M. Van Steen, "Sistemi distribuiti. Principi e paradigmi", Pearson Education Italia, 2007.
- Slides.
Testi addizionali (opzionali)
- I. Foster, C. Kesselman, The Grid, 2nd ed. Morgan Kaufmann, 2004.
- F. Berman, G. Fox, T. Hey, Grid Computing, Wiley, 2003.
Codice insegnamento 27007368
● Comprensione dei principali modelli, metodi e algoritmi di rappresentazione, elaborazione, trasformazione, ed analisi di dati multimediali. ● Abilità di applicare i risultati teorici studiati per lo sviluppo di…
Scheda dell'insegnamento
Obiettivi formativi
● Comprensione dei principali modelli, metodi e algoritmi di rappresentazione, elaborazione, trasformazione, ed analisi di dati multimediali.
● Abilità di applicare i risultati teorici studiati per lo sviluppo di applicazioni di analisi avanzata di dati multimediali.
Codice insegnamento 27008833
Ecco la descrizione dell'insegnamento e i relativi risultati di apprendimento, strutturati ed espansi secondo i 5 Descrittori di Dublin e orientati alle competenze tipiche dell'Ingegneria Informatica: Obiettivi Formativi…
Scheda dell'insegnamento
Obiettivi formativi
Ecco la descrizione dell'insegnamento e i relativi risultati di apprendimento, strutturati ed espansi secondo i 5 Descrittori di Dublin e orientati alle competenze tipiche dell'Ingegneria Informatica:
Obiettivi Formativi dell'Insegnamento (Declinati secondo i Descrittori di Dublino)
- Conoscenza e capacità di comprensione: L’insegnamento si propone di fornire allo studente le basi teoriche essenziali per la modellazione cinematica, statica e dinamica dei manipolatori robotici, orientando esplicitamente le equazioni della meccanica applicata verso la loro formulazione algoritmica. Gli studenti acquisiranno una solida conoscenza della cinematica diretta e inversa, della dualità velocità/forze nella statica e delle formulazioni della dinamica dei corpi rigidi necessarie per il calcolo delle coppie attuariali. Svilupperanno inoltre una profonda comprensione dei vincoli informatici applicati all'automazione fisica, quali i cicli di clock dei loop di controllo, le frequenze di campionamento in tempo reale, i limiti di memoria e le logiche di attivazione degli organi di presa (end-effector) nei processi industriali.
- Capacità di applicare conoscenza e comprensione: Attraverso attività strutturate di programmazione e laboratori di simulazione, lo studente imparerà a tradurre i modelli meccanici in software funzionale e pronto per la produzione all'interno degli ambienti MATLAB o Scilab. Sarà in grado di sviluppare algoritmi numerici stabili per determinare geometricamente e visualizzare lo spazio di lavoro (workspace) totale e utile del robot. Inoltre, saprà applicare le competenze acquisite programmando routine software complete per gestire il comportamento del manipolatore, controllare le saturazioni attuariali e simulare l'interazione in tempo reale tra l'organo di presa e gli oggetti del processo produttivo.
- Autonomia di giudizio: Lo studente svilupperà la capacità di valutare criticamente e selezionare gli approcci algoritmici più efficienti per il controllo del robot, tenendo conto dei limiti specifici dell'hardware e dei vincoli operativi. Sarà in grado di redigere studi di fattibilità tecnico-operativi e software-oriented, formulando giudizi autonomi sulla realizzabilità algoritmica di un processo in base ai vincoli di clock in tempo reale e alle limitazioni di memoria. Imparerà inoltre a verificare criticamente la stabilità numerica e l'accuratezza dei propri modelli di simulazione confrontandoli con il comportamento fisico reale.
- Abilità comunicative: Il percorso formativo prepara lo studente a fare da ponte tra l'ingegneria dell'automazione e lo sviluppo software. Sarà capace di comunicare requisiti tecnici complessi, specifiche dei loop di controllo e limitazioni algoritmiche in modo chiaro e rigoroso, utilizzando un linguaggio interdisciplinare appropriato. Lo studente acquisirà la competenza necessaria per redigere relazioni formali di fattibilità tecnica e documentare architetture software in modo efficace, interfacciandosi agevolmente sia con tecnici meccanici sia con team di ingegneria del software.
- Capacità di apprendimento: Il connubio tra una rigorosa modellazione fisica e l'implementazione software fornirà allo studente gli strumenti cognitivi necessari per seguire in autonomia la rapida evoluzione della robotica industriale e dei software di automazione. Svilupperà la capacità di consultare autonomamente testi avanzati di robotica, integrare toolbox di terze parti e adattare le proprie competenze di programmazione a nuovi ambienti di simulazione, sistemi operativi in tempo reale (RTOS) standard di settore e architetture robotiche emergenti.
Programma
Il corso fornisce le basi matematiche e cinematiche per modellare e programmare manipolatori robotici, affrontando trasformazioni spaziali, cinematica diretta/inversa e dinamica tramite l'approccio Denavit-Hartenberg. Gli studenti impareranno a tradurre la teoria in algoritmi software, implementando pianificazione di traiettorie e sistemi di controllo in ambiente MATLAB o SCILAB.
1. INFORMAZIONI GENERALI
- Corso di Studio: Laurea Magistrale in Ingegneria Informatica
- Denominazione Insegnamento: Elementi di Robotica
- Settore Scientifico-Disciplinare: ING-IND/13 (Meccanica Applicata alle Macchine)
- Gruppo Scientifico-Disciplinare / Settore Concorsuale: AIIND-09/A2 (Meccanica Applicata alle Macchine)
- Crediti Formativi: 6 CFU (Totale: 150 ore)
- Ripartizione Oraria Generale: 34 ore di Lezione Frontale, 16 ore di Esercitazioni Algoritmiche/Software, 100 ore di Studio Individuale.
- Testi di Riferimento e Supporto:
- Dispense, note di codice ed esercitazioni fornite dal docente.
- Approfondimenti teorico-algoritmici su: J.J. Craig, Introduction to Robotics: Mechanics and Control, Pearson.
CODICE TEAMS ulo7cyh
- Macro-Blocco A – Introduzione alla Robotica Industriale, Cinematica Diretta e Spazio di Lavoro
- Descrizione: Introduzione alle tipologie di robot e applicazioni industriali, criteri di scelta e valutazione economica. Dal punto di vista modellistico, affronta il problema cinematico diretto tramite le matrici di trasformazione omogenea e la notazione di Denavit-Hartenberg, approfondendo l'analisi geometrica e la programmazione in ambiente MATLAB per il calcolo e la visualizzazione dello spazio di lavoro (workspace).
- Ore frontali: 15 ore di teoria, 4 ore di esercitazione/laboratorio
- Studio individuale: 38 ore di studio e sviluppo algoritmi
- Materiale di riferimento specifico: Appunti del docente (Sezione Cinematica e Introduzione in PDF su Teams) e capitoli dedicati alla cinematica del testo "J.J. Craig - Fundamentals of Robotics".
- Macro-Blocco B – Componentistica Hardware, Statica e Controllo di Basso Livello
- Descrizione: Analisi delle caratteristiche dei controllori, delle tipologie di motori e di sensori industriali, con attività pratiche di programmazione hardware basate su ecosistema Arduino ed esercitazioni in laboratorio. Studio del modello meccanico per la statica dei manipolatori, con la formulazione dell'equilibrio statico e il calcolo delle forze e coppie di attuazione con focus analitico su strutture cinematiche di tipo 2R.
- Ore frontali: 6 ore di teoria, 4 ore di esercitazione/laboratorio
- Studio individuale: 24 ore di ripasso teorico e implementazione codice
- Materiale di riferimento specifico: Appunti del docente (Schemi hardware e Sezione Statica in PDF su Teams) e capitoli sulla statica/attuatori del testo "J.J. Craig - Fundamentals of Robotics".
- Macro-Blocco C – Pianificazione delle Traiettorie, Dinamica, Meccanica della Presa e Programmazione Industriale
- Descrizione: Studio della pianificazione delle traiettorie e della dinamica dei manipolatori (strutture 2R, 3R e antropomorfe) mediante la matrice Jacobiana e il metodo di Lagrange. Approfondimento dei linguaggi e metodi di programmazione per le manipolazioni robotizzate, degli organi di presa (end-effector) e delle attività al calcolatore per il path planning con cinematica inversa, fino alla stesura e presentazione della relazione tecnica finale.
- Ore frontali: 13 ore di teoria, 8 ore di esercitazione/laboratorio
- Studio individuale: 38 ore dedicate alla rifinitura del software e alla stesura della relazione tecnica di gruppo
- Materiale di riferimento specifico: Appunti del docente (Sezione Dinamica, Traiettorie e Guide per la Relazione in PDF su Teams) e capitoli sulla dinamica e generazione delle traiettorie del testo "J.J. Craig - Fundamentals of Robotics".
Riepilogo e Somma Totale delle Ore (Carico di Lavoro Complessivo)
- Totale Ore Frontali di Teoria/Lezione: 34 ore
- Totale Ore Frontali di Esercitazione/Laboratorio: 16 ore
- Totale Ore Frontali (Presenza complessiva): 50 ore
- Totale Ore di Studio Individuale: 100 ore
- Carico di Lavoro Totale dell'Insegnamento: 150 ore (6 CFU)
Modalità d'esame
Criteri di valutazione dell’apprendimento.
Posto di fronte ad un problema relativo agli argomenti svolti nel corso, lo studente dovrà dimostrare di essere in grado di riconoscerne la natura e di saperlo affrontare e risolvere con ognuna delle metodologie di analisi studiante durante il corso.
Criteri di attribuzione del voto finale
L’attribuzione del voto finale si basa sui risultati ottenuti al termine della stesura di una relazione tecnica ed una presentazione di gruppo completati da una prova orale. Entrambe le prove mirano a valutare il livello di conseguimento degli obiettivi e delle competenze specifiche fornite dal corso con riferimento ad ognuno degli argomenti trattati sia durante le lezioni che nella parte esercitativa del corso.
Metodi di valutazione dell’apprendimento
La relazione tecnica di gruppo viene articolata durante le esercitazioni e le attività di laboratorio durante il corso e completata da una presentazioni powerpoint al termine del corso. La prova orale si articola nell’esposizione, da parte dello studente, in risposta a uno/due quesiti specifici sui diversi argomenti trattati durante il corso, i quali che possono riguardare sia le lezioni che la parte esercitativa dell’insegnamento.
Criteri di misurazione dell’apprendimento
La relazione tecnica viene valutata in trentesimi e si ritiene superata, con conseguente ammissione alla prova orale, se lo studente consegue un voto pari almeno a 18/30. Nel corso della prova orale viene valutata non solo la padronanza con cui lo studente dimostra di conoscere gli argomenti del corso, ma anche la chiarezza espositiva ed il rigore logico.
Testi di riferimento
J.J. Craig, Introduction to Robotics: Mechanics and Control
Codice insegnamento 27009221
Acquisire conoscenze su ● Concetti di base di Ethical Hacking e campo di applicazione. ● Standard di esecuzione di Penetration testing. ● Infrastructures scanning. ● Endpoint e Server Hacking. ● Wireless Hacking. ● Web e…
Scheda dell'insegnamento
Obiettivi formativi
Acquisire conoscenze su
● Concetti di base di Ethical Hacking e campo di applicazione.
● Standard di esecuzione di Penetration testing.
● Infrastructures scanning.
● Endpoint e Server Hacking.
● Wireless Hacking.
● Web e Database Hacking.
Acquisire capacità di comprendere come avvengono gli episodi di hacking, che cosa gli avversari fanno e come difendersi dagli attacchi.
Acquisire abilità di analizzare complessi sistemi informativi per avere una migliore comprensione delle vulnerabilità.
Programma
Il corso consente agli studenti di acquisire le conoscenze fondamentali nel campo dell'hacking etico e del penetration testing.
I principali argomenti trattati sono:
- tecniche di raccolta delle informazioni sui sistemi passive (OSINT) e attive (network scanning)
- analisi e sfruttamento di vulnerabilità applicative e sistemistiche
- web security
- tecniche di compromissione multi-step, di privilege escalation e movimenti laterali in ambienti Linux e Windows di livello enterprise.
LEZIONI (34 ore) / ESECITAZIONI (16 ore):
PARTE I: FONDAMENTI, STRUMENTI DI BASE E TECNICHE DI RICOGNIZIONE (13 ore)
Modulo 1: Ricognizione ed Enumerazione Essenziale (Lez. 8 ore / Es. 5 ore)
- Network Scanning
- Web e Subdomain Discovery
- DNS e Host Management
- OSINT: Raccolta di informazioni pubbliche, analisi di repository Git
- FTP/SMB/LDAP Enumeration
- Database Enumeration
PARTE II: LINUX EXPLOITATION (19 ore)
Modulo 2: Web Security (Lez. 6 ore / Es. 2 ore)
- Unrestricted File Upload e Webshells (magic byte, bypass delle estensioni)
- Tecniche avanzate di SQL Injection (blind, time-based, second order)
- Path Traversal & Local File Inclusion
- Tecniche avanzate di Cross Site Scripting
- Server Side Request Forgery, XML External Entity Injection e Server Side Template Injection
- Tecniche di attacco ai WebSocket e Web API
- Deserialization
- Authentication Bypass
Modulo 3: Tecniche di Privilege Escalation su Linux (Lez. 7 ore / Es. 4 ore)
- Abuso del comando Sudo
- Exploitation di BASH_ENV, script personalizzati e comandi built-in
- Exploitation SUID/SGID
- Manipolazione Symlink
- Exploitation di servizi/processi in esecuzione e cronjobs
- Shared Library Hijacking
- Linux Capabilities
PARTE III: WINDOWS EXPLOITATION (18 ore)
Modulo 4: Tecniche di Privilege Escalation Locale su Windows (Lez. 6 ore / Es. 2 ore)
- Privilege Tokens Hacking: Impersonation, Debug, Backup
- Credential Discovery/Dumping
- Cracking di hash delle password
- DLL Hijacking
- Reverse Engineering di applicazioni DOTNET
- Pivoting e Tunneling
- Scheduled Tasks Hijacking
- Introduzione all'uso di framework C2 (Command and Control): Metasploit
Modulo 5: Techniche di Compromissione e di Privilege Escalation su Active Directory (Lez. 7 ore / Es. 3 ore)
- Analisi delle principali catene di attacco
- Attacchi Kerberos: AS-REP Roasting, Kerberoasting (untargeted vs targeted)
- Tecniche Pass-the-Hash, Pass-the-Ticket, Overpass-the-Hash
- Abuso delle Access Control Lists (ACLs)
- Active Directory Certificate Services (ADCS)
- Abuso dei Group Policy Object (GPO)
- Tecniche avanzate: Shadow Credentials, abuso gMSA, Delegation
Modalità d'esame
Metodi di valutazione dell'apprendimento:
La valutazione si articola in due prove. La prima consiste in una prova di laboratorio di tipo Capture The Flag (CTF), in formato Boot2Root, della durata di 3 ore, da svolgere individualmente. La prova consiste di uno scenario realistico costituito da una macchina virtuale vulnerabile by design, basate su sistema Linux o Windows, e caratterizzata da una catena di attacco multi-step. Il superamento di questa prima prova consente l'accesso alla seconda prova, che si svolge in forma orale e ha una durata di circa 20 minuti. Essa consiste nella discussione degli argomenti teorici e pratici trattati durante il corso.
Criteri di valutazione dell'apprendimento:
L'esercizio proposto nell'ambito della prova di laboratorio mira a valutare la capacità dello studente di analizzare uno scenario di sicurezza informatica realistico, sia sotto il profilo metodologico che pratico. La prova orale, che include anche la discussione di un report scritto relativo alla prova di laboratorio, consente di completare la verifica dei risultati di apprendimento attesi e di valutare competenze trasversali come la capacità di risoluzione dei problemi e la chiarezza nell'esposizione dell'attività tecnica svolta.
Criteri di misurazione dell'apprendimento:
La prova di laboratorio è valutata con un giudizio sintetico. Si considera superata se la qualità complessiva della prova è almeno sufficiente. Solo in tal caso lo studente può accedere alla prova orale.
Criteri di attribuzione del voto finale:
Il superamento della prova orale (con esito almeno sufficiente) comporta il superamento dell'esame.
Il voto finale, espresso in trentesimi, è determinato attribuendo pari peso alla valutazione della prova di laboratorio e a quella della prova orale.
Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010), facendo riferimento alle indicazioni fornite dalla Delegata alle attività concernenti l'integrazione degli Studenti con disabilità e con disturbi specifici di apprendimento nell'Ateneo.
Testi di riferimento
- The Hacker Playbook 2: Practical Guide To Penetration Testing, Peter Kim, 2015
- Dispense e letture messe a disposizione dal docente sulla piattaforma on-line
Codice insegnamento 27007400
Il corso si propone di introdurre i principi di base, i concetti principali e gli aspetti pratici dei sistemi di calcolo ad alte prestazioni. Le lezioni forniranno la conoscenza di metodi e tecniche per la…
Scheda dell'insegnamento
Obiettivi formativi
Il corso si propone di introdurre i principi di base, i concetti principali e gli aspetti pratici dei sistemi di calcolo ad alte prestazioni. Le lezioni forniranno la conoscenza di metodi e tecniche per la progettazione e l'implementazione di algoritmi paralleli, e concetti e pratiche di programmazione parallela utilizzando la memoria condivisa, paradigmi di scambio di messaggi e programmazione GPGPU.
Conoscenza e comprensione (Descrittore di Dublino 1)
Gli studenti acquisiranno conoscenze relative all’organizzazione e all’architettura dei sistemi di calcolo paralleli. In particolare, comprenderanno i meccanismi di distribuzione, parallelismo e concorrenza in ambienti HPC CPU/GPU.
Capacità di applicare conoscenza e comprensione (Descrittore di Dublino 2)
Gli studenti saranno in grado di applicare le conoscenze acquisite per analizzare e progettare sistemi paralleli e per comprendere il comportamento dei sistemi HPC nella gestione delle risorse hardware e software. Sapranno affrontare problemi relativi alla sincronizzazione dei processi, al parallelismo CPU-based e GPU-based, utilizzando modelli e strumenti concettuali adeguati.
Capacità critica e di giudizio (Descrittore di Dublino 3)
Gli studenti svilupperanno capacità di analisi critica nella valutazione di soluzioni architetturali hardware e software paralleli, confrontando differenti approcci in termini di efficienza, affidabilità, sicurezza e prestazioni. Saranno inoltre in grado di individuare problematiche legate alla concorrenza, alla gestione delle risorse in sistemi HPC basati su CPU e GPU.
Capacità di comunicazione (Descrittore di Dublino 4)
Gli studenti acquisiranno la capacità di descrivere e discutere, con linguaggio tecnico appropriato, i principali componenti e meccanismi dei sistemi di calcolo parallelo. Saranno in grado di esporre in modo chiaro e rigoroso problematiche e soluzioni relative alle architetture HPC, sia in forma scritta sia orale.
Capacità di apprendimento autonomo (Descrittore di Dublino 5)
Gli studenti svilupperanno la capacità di approfondire autonomamente tematiche relative all’architettura dei calcolatori e ai sistemi paralleli, consultando documentazione tecnica e fonti specialistiche. Saranno inoltre in grado di aggiornare le proprie conoscenze per affrontare argomenti avanzati e seguire l’evoluzione delle tecnologie hardware e software di sistemi HPC.
Programma
Questo corso introduce sistemi, software e metodi di calcolo ad alte prestazioni (HPC) utilizzati per risolvere problemi di grandi dimensioni implementando sistemi software in esecuzione su più processori. Il corso si propone di fornire agli studenti la conoscenza dei principi di base e degli aspetti pratici dei sistemi di calcolo ad alte prestazioni, la conoscenza dei metodi e delle tecniche per la progettazione e l'implementazione di algoritmi paralleli, e concetti e pratiche di programmazione parallela utilizzando la memoria condivisa e lo scambio di messaggi.
1. Introduzione e concetti base
- Introduzione ai sistemi HPC
- Tassonomia di Flynn e concetti HW
- Metriche delle prestazioni
2. Architetture di calcolo parallelo - Macchine a memoria condivisa (multiprocessori)
- Macchine a memoria distribuita (multicomputer)
- Cluster computers
- Architetture multicore
- GPU
- Coerenza della cache
- Architetture ibride
- Computer Exascale
3. Modelli e linguaggi di programmazione parallela - Modello di memoria condivisa e linguaggi
- Modello e linguaggi a memoria distribuita
- Modelli di dati e linguaggi paralleli
- Altri modelli (workflow, stencil, farm, skeleton, altri)
4. Programmazione a memoria condivisa: OpenMP - Concetti generali
- Circuito parallelo
- Variabili di tipo privato e condiviso
- Sezioni Critiche
- Parallelismo funzionale
5. Programmazione a memoria distribuita: MPI - Concetti generali
- Routine di gestione dell'ambiente
- Comunicazioni punto-punto
- Comunicazioni non bloccanti
- Comunicazioni Collettive
- Tipi di dati derivati
- Comunicatori e Gruppi
- Topologie virtuali
6. Programmazione GPGPU: CUDA - Concetti generali, limiti
- CUDA, CUDA C
- Gerarchia dei thread e della memoria
- Concetti di thread, blocchi e grid kernel
- Strategia di ottimizzazione: uso della memoria condivisa, coalescenza
- OpenACC
7. Algoritmi paralleli - Calcolo matriciale
- Algoritmi di ricerca e ordinamento
- Grafici paralleli
- Analisi delle prestazioni di algoritmi paralleli
8. I/O per HPC - I/O parallelo
- File system paralleli
Esercitazioni:
1. Sviluppo software parallelo
2. OpenMP
3. MPI
4. Sviluppo di componenti software paralleli GPGPU in CUDA-C
5. Misurazioni delle prestazioni
Modalità d'esame
Metodi di valutazione dell’apprendimento
La valutazione si baserà su due prove. La prima prova consiste nella demo del progetto didattico sviluppato, e quindi alla seconda prova da svolgersi in forma orale e della durata di circa 30 minuti, consistente in un’interrogazione sugli argomenti teorici e pratici affrontati durante il corso.
Criteri di valutazione dell’apprendimento
Il progetto serve a valutare le capacità di progettare e implementare sistemi software distribuiti. La prova orale permetterà di valutare le conoscenze teoriche e pratiche acquisite su sistemi, algoritmi, architetture, protocolli e strumenti di programmazione per sistemi distribuiti e cloud.
Criteri di misurazione dell’apprendimento
Le prove sono valutate in trentesimi.
Criteri di attribuzione del voto finale
Se la prova orale è giudicata almeno sufficiente, l’esame è superato con l’attribuzione di un voto finale in trentesimi. Il voto finale viene attribuito tenendo conto in egual misura del voto riportato nella demo del progetto e della valutazione sulla prova orale.
Testi di riferimento
- Parallel and High-Performance Computing by Robert Robey and Yuliana Zamora, Manning.
- Introduction to Parallel Computing, Ananth Grama et al., 2/E, Addison-Wesley.
- Parallel Programming with MPI, Peter Pacheco, Morgan Kaufmann, 1997
- Designing and Building Parallel Programs, Ian Foster, Addison-Wesley, online version http://www-unix.mcs.anl.gov/dbpp
- Programming Massively Parallel Processors, David B. Kirk, Wen-mei W. Hwu, Second Edition: A Hands-on Approach.
- Kevin Dowd, Charles Severance, High Performance Computing, O’Reilly.
- G. Spezzano, D. Talia “Calcolo parallelo, automi cellulari e modelli per sistemi complessi”, Franco Angeli.
- NVIDIA CUDA C Programming Guide, http://developer.download.nvidia.com/compute/cuda.
- NVIDIA CUDA C Best Practices Guide, http://developer.download.nvidia.com/compute/cuda
Codice insegnamento 27008834
Il corso ha l’obiettivo di fornire conoscenze teoriche e competenze pratiche relative alla sicurezza dei sistemi Internet of Things (IoT), con particolare riferimento agli aspetti crittografici, ai meccanismi di…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha l’obiettivo di fornire conoscenze teoriche e competenze pratiche relative alla sicurezza dei sistemi Internet of Things (IoT), con particolare riferimento agli aspetti crittografici, ai meccanismi di autenticazione, alla sicurezza cyberfisica e all’utilizzo della blockchain nei sistemi distribuiti.
Conoscenza e capacità di comprensione (Descrittore di Dublino 1)
Lo studente acquisirà conoscenze relative:
- ai principali problemi di sicurezza nei sistemi IoT;
- agli standard e protocolli di sicurezza IoT;
- agli algoritmi crittografici simmetrici e asimmetrici;
- ai meccanismi di trust management e autenticazione;
- alle architetture blockchain applicate all’IoT.
Capacità di applicare conoscenza e comprensione (Descrittore di Dublino 2)
Lo studente sarà in grado di:
- analizzare vulnerabilità di sistemi IoT;
- progettare semplici soluzioni di sicurezza per dispositivi e reti IoT;
- applicare tecniche di hardening e protezione dei dati;
- utilizzare strumenti di analisi hardware e firmware.
Autonomia di giudizio (Descrittore di Dublino 3)
Lo studente svilupperà capacità critiche nella valutazione delle tecnologie di sicurezza più appropriate in funzione dei vincoli computazionali e applicativi dei sistemi IoT.
Abilità comunicative (Descrittore di Dublino 4)
Lo studente sarà in grado di presentare e discutere problematiche di sicurezza IoT utilizzando terminologia tecnica appropriata.
Capacità di apprendimento (Descrittore di Dublino 5)
Lo studente acquisirà la capacità di approfondire autonomamente tematiche innovative relative alla sicurezza IoT attraverso documentazione tecnica e letteratura scientifica.
Programma
Il corso si propone di fare acquisire competenze di base ed avanzate relative a conoscenze metodologiche e tecnologiche sulla sicurezza dei sistemi IoT.
LEZIONI (34 ore)
Introduzione ai sistemi IoT e sicurezza cyberfisica (8 ore)
- Architetture IoT
- Modelli di minaccia
- Vulnerabilità dei sistemi IoT
- Standard di sicurezza IoT
Crittografia e sicurezza nei sistemi IoT (9 ore)
- Algoritmi simmetrici e asimmetrici
- Autenticazione e gestione delle identità
- Best practices nella sicurezza IoT
Hardware e firmware security (9 ore)
- Analisi hardware
- UART, I2C, SPI, JTAG
- Firmware reverse engineering
- RFID, ZigBee e BLE security
Trust e reputation systems (2 ore)
- Modelli di trust management
- Applicazioni all’IoT
Blockchain per IoT Security (6 ore)
- Blockchain permissioned e permissionless
- Hyperledger
- Applicazioni blockchain in ambito IoT
ESERCITAZIONI (16 ore)
- Analisi di vulnerabilità IoT
- Utilizzo di strumenti di penetration testing
- Analisi firmware
- Studio di casi reali
Modalità d'esame
Metodi di valutazione dell’apprendimento
La valutazione si baserà su una prova orale durante la quale lo studente presenterà un progetto pratico preventivamente concordato con i docenti. Il progetto dovrà approfondire alcuni degli aspetti pratici introdotti durante il corso. Il resto della prova orale consisterà in una interrogazione sugli argomenti teorici e pratici affrontati durante il corso.
Il calendario ufficiale degli appelli è disponibile sul portale del Corso di Studio e sui servizi online di Ateneo.
Criteri di valutazione dell’apprendimento
Il progetto presentato dallo studente permetterà di valutare le sue capacità di affrontare e risolvere un problema relativo alla sicurezza nei sistemi IoT.
La prova orale permetterà di valutare le conoscenze teoriche e pratiche acquisite riguardo agli elementi principali di sicurezza in ambito IoT, ai problemi principali di sicurezza, agli standard di sicurezza IoT, alla crittografia, tecniche di trust e reputation, blockchain
La prova orale ha durata variabile indicativamente compresa tra 30 e 45 minuti.
Criteri di misurazione dell’apprendimento
La prova orale verrà valutata in base ai seguenti criteri:
1. Progetto: progettazione e realizzazione di un sistema IoT sicuro. (50%)
2. Conoscenza degli elementi principali di sicurezza in ambito IoT, dei problemi principali legati alla sicurezza, degli standard di sicurezza IoT, degli algoritmi di crittografia. (25%)
3. Conoscenza degli aspetti caratterizzanti i sistemi di Trust e Reputation (10%)
4. Conoscenza degli elementi principali della tecnologia blockchain (15%)
Criteri di attribuzione del voto
Se la prova orale è giudicata almeno sufficiente, l’esame è superato con l’attribuzione di un voto finale in trentesimi.
Il voto finale sarà attribuito secondo il seguente criterio di valutazione:
30 - 30 e lode: Eccellente livello di conoscenza degli argomenti affrontati durante il corso;
26 - 29: Ottimo livello di conoscenza degli argomenti affrontati durante il corso;
24 - 25: Buon livello di conoscenza degli argomenti affrontati durante il corso;
21 - 23: Discreto livello di conoscenza degli argomenti affrontati durante il corso
18-20: Sufficiente livello di conoscenza degli argomenti affrontati durante il corso.
Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).
Testi di riferimento
Testi Suggeriti
[1] IoT Security: Practical guide book Paperback – December 1, 2016, by David Etter
[2] Securing the Internet of Things, Elsevier, 2017 by Shancang Li and Li Da Xu
[3] Demystifying Internet of Things Security - Successful IoT Device/ Edge and Platform Security Deployment, Apress, 2020, by Sunil Cheruvu, Anil Kumar, Ned Smith, and David M. Wheeler
[4] IoT Security for Dummies, Wiley, 2016, by Lawrence Miller
[5] Blockchain for Distributed Systems Security, Wiley-IEEE Computer Society Pr, 2019, by Sachin Shetty (Editor), Charles A. Kamhoua (Editor), Laurent L. Njilla (Editor)
Materiale tecnico on-line: slide, materiale e articoli del docente
Codice insegnamento 27007449
Competenze specifiche Comprendere le problematiche tecnologiche, metodologiche e progettuali riguardanti il quantum computing ed il quantum machine learning. Comprendere i principi della teoria dell’informazione…
Scheda dell'insegnamento
Obiettivi formativi
Competenze specifiche
Comprendere le problematiche tecnologiche, metodologiche e progettuali
riguardanti il quantum computing ed il quantum machine learning.
Comprendere i principi della teoria dell’informazione quantistica, anche in riferimento alla crittografia quantistica, imparando ad utilizzare qubit e registri quantistici per implementare semplici algoritmi per risolvere problemi di ricerca e ottimizzazione.
Competenze trasversali:
Sviluppare la capacità di risolvere problemi complessi in modo creativo
ed innovativo, applicando concetti di computazione quantistica.
Affinare le competenze di collaborazione e comunicazione lavorando in
gruppo durante le esercitazioni guidate e i progetti di laboratorio.
Saper valutare criticamente vantaggi e svantaggi dell’utilizzo degli algoritmi quantistici.
Programma
Il modulo di Quantum Computing fornisce le conoscenze di base relative
alla computazione quantistica, prestando particolare attenzione alle
problematiche tecnologiche, metodologiche e progettuali. I concetti di
fisica quantistica vengono introdotti in modo funzionale alla introduzione
dei temi principali della teoria dell’informazione quantistica. L’obiettivo
primario è quello di fornire agli/alle studenti le conoscenze e gli strumenti
necessari per eseguire algoritmi quantistici e applicare metodi di machine
learning su piattaforme di quantum computing, utilizzando sia la
simulazione che l'esecuzione sull’hardware quantistico reale fornito in
cloud da alcune delle principali aziende ICT. Infine, vengono fornite le basi di crittografia quantistica.
Il corso è diviso in tre parti e copre i seguenti argomenti:
1) Conoscenze di base
- Fondamenti fisici della computazione quantistica
- Definizione, rappresentazione e misurazione dei qubit e dei registri
quantistici - Porte quantistiche e loro rappresentazione tramite operatori unitari
- Porte quantistiche di base: bit flip (X or NOT), phase flip (Z), Hadamard
(H), rotazioni, controlled-NOT, rotazioni controllate - Entanglement quantistico e stati di Bell
- Circuiti quantistici: progettazione, modellazione, reversibilità della
computazione - Elementi di comunicazione quantistica e algoritmo di teletrasporto;
- Basi di crittografia quantistica: distribuzione di chiavi e protocollo BB84.
2) Algoritmi quantistici ed elementi di complessità computazionale - Algoritmo di Grover per problemi di ricerca e speed-up quadratico;
- Algoritmo per la trasformata di Fourier;
- Esempio d’uso di Grover: soluzione del Satisfiability Problem
- Introduzione agli Algoritmi ibridi (classici/quantistici) e loro uso per
l’ottimizzazione ed il machine learning
3) Algoritmi variazionali
-
Algoritmi
quantistici
variazionali
per
risolvere
problemi
di
ottimizzazione:
Variational
Quantum
Eigensolver
(VQE),
Quantum
Approximate
Optimization
Algorithm
(QAOA) - Esempi di uso degli algoritmi variazionali: MaxCut, programmazione
lineare intera, Knapsack - Metodi per importare dati classici su un registro quantistico
- Circuiti variazionali per il machine learning: modelli supervisionati e non
supervisionati, deterministici e probabilistici, modelli generativi
Modalità d'esame
Prova orale che include la discussione di un elaborato che documenti lo
svolgimento di un progetto didattico riguardante l’uso di un algoritmo di
quantum machine learning. Al termine della prova orale verrà attribuito
un voto determinato dalla correttezza, completezza e chiarezza
espositiva della relazione del progetto didattico e dalla valutazione della
discussione del progetto didattico e degli argomenti trattati nel corso. Le
modalità d'esame saranno adeguate alle particolari esigenze degli
studenti e delle studentesse con disabilità certificate ai sensi delle leggi
104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA)
certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del
"Regolamento per l'inclusione e il diritto allo studio di studenti con
Testi in inglese
The "Quantum Computing" unit offers a comprehensive introduction to
the fascinating world of quantum information and quantum computation.
Designed to equip students with essential knowledge in technology,
methodology, and design aspects, this course starts with fundamental
concepts in quantum physics and gradually delves into the realm of
quantum information theory.
Through interactive and engaging sessions, participants will gain hands-
on experience in running quantum algorithms, utilizing both simulation
and real quantum hardware. Cloud-based resources, provided by leading
ICT companies, will empower students to explore the practical
disabilità o con disturbi specifici di apprendimento" (emanato con decreto
rettorale 01.03.2022, n. 370).
Testi di riferimento
Maria Schuld, Francesco Petruccione, “Machine Learning with Quantum
Computers, 2021, Springer
Michael A. Nielsen, Isaac L. Chuang, “Quantum Computation and
Quantum Information”, 2010, Cambridge University Press
Materiale fornito dal docente
Codice insegnamento 27008838
Al termine del corso, lo studente avrà acquisito conoscenze avanzate sui principali formalismi e metodi della Knowledge Representation and Reasoning (KRR) , comprendendo i fondamenti logici, computazionali e semantici…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del corso, lo studente avrà acquisito conoscenze avanzate sui principali formalismi e metodi della Knowledge Representation and Reasoning (KRR) , comprendendo i fondamenti logici, computazionali e semantici dei sistemi intelligenti basati sulla conoscenza. In particolare, lo studente sarà in grado di:
- comprendere e applicare i principali linguaggi logici per la rappresentazione della conoscenza, inclusi logica proposizionale, logica del primo ordine, Datalog, Answer Set Programming e Description Logics;
- analizzare le proprietà espressive e la complessità computazionale dei diversi formalismi di ragionamento;
- modellare basi di conoscenza, ontologie e knowledge graph utilizzando standard e linguaggi dedicati quali RDF e SPARQL;
- progettare e interrogare sistemi basati su conoscenza mediante tecniche di reasoning automatico;
- comprendere il ruolo dei framework argomentativi e dei sistemi non monotoni nella gestione di conoscenza incompleta, incerta o conflittuale;
- valutare l’integrazione tra approcci simbolici e neurali nell’ambito della Neurosymbolic AI e dei Large Language Models.
In riferimento ai Descrittori di Dublino , il corso contribuisce allo sviluppo delle seguenti competenze:
Conoscenza e capacità di comprensione (Knowledge and Understanding)
Lo studente acquisirà una conoscenza sistematica dei formalismi logici e computazionali per la rappresentazione della conoscenza e il ragionamento automatico, comprendendone semantica, proprietà teoriche e applicazioni nell’intelligenza artificiale.
Capacità di applicare conoscenza e comprensione (Applying Knowledge and Understanding)
Lo studente sarà in grado di utilizzare linguaggi e tecniche di KRR per modellare problemi complessi, costruire basi di conoscenza, formulare query e sviluppare procedure di reasoning in differenti contesti applicativi.
Autonomia di giudizio (Making Judgements)
Lo studente svilupperà capacità critiche nella scelta dei formalismi e degli strumenti più appropriati per affrontare problemi di rappresentazione della conoscenza, valutandone espressività, efficienza e limiti computazionali.
Abilità comunicative (Communication Skills)
Lo studente sarà in grado di descrivere formalismi, modelli e risultati sperimentali utilizzando una terminologia tecnica appropriata, comunicando efficacemente problematiche e soluzioni nel dominio della KRR.
Capacità di apprendimento (Learning Skills)
Lo studente acquisirà le competenze metodologiche necessarie per approfondire autonomamente temi avanzati della rappresentazione della conoscenza, del reasoning automatico e dell’intelligenza artificiale neurosimbolica.
Programma
Il corso introduce i principali metodi e formalismi della Knowledge Representation and Reasoning (KRR), disciplina fondamentale dell’Intelligenza Artificiale simbolica. Verranno studiati linguaggi logici per la rappresentazione della conoscenza, tra cui Propositional Logic, First Order Logic, Datalog, Answer Set Programming e Description Logics, con attenzione agli aspetti semantici, algoritmici e computazionali. Il corso affronta inoltre basi di dati relazionali, ontologie, knowledge graph, RDF e SPARQL, insieme a tecniche di reasoning automatico e sistemi argomentativi. Una parte finale sarà dedicata alla Neurosymbolic AI e all’integrazione tra Large Language Models, semantic technologies e query languages. Il corso combina fondamenti teorici e applicazioni avanzate per la progettazione di sistemi intelligenti basati sulla conoscenza.
1. Basic Logics for KRR
- Introduzione alle tecnologie knowledge-based e alla knowledge representation
- Propositional Logic come semplice linguaggio di knowledge representation
- Rappresentazione della conoscenza in First Order Predicate Logic
- Limitazioni della Propositional Logic e della First Order Predicate Logic
2. Relational Database Languages
- Relational Calculus
- Domain independence, genericity e safe queries
- Data dependencies
- Lossless decomposition
3. Datalog
- Sintassi e semantica
- Algoritmi naive e seminaive
- Magic-set e altre tecniche di ottimizzazione
- Potere espressivo e complessità computazionale di Datalog
- Existential rules come estensione di Datalog
- Non-monotonic negation e stratified negation
4. Answer Set Programming
- Unstratified negation in Datalog
- Potere espressivo e complessità computazionale
- Three-valued semantics
- Partial stable models
5. Argumentation Frameworks
- Sintassi e semantica
- Potere espressivo e complessità computazionale
- Extensions
- Relazione con ASP
- Probabilistic e uncertain systems
6. Description Logics
- Description Logics come linguaggi di knowledge representation
- Reasoning nelle Description Logics
- Lightweight Description Logics
- Ontologies e ontology languages
- Altri frammenti decidibili della First Order Logic per la knowledge representation
7. Knowledge Graph
- Fondamenti e standard dei knowledge graph
- RDF (Resource Description Framework)
- SPARQL (Query Language for RDF and OWL)
- Costruzione, embeddings e completion dei knowledge graph
- Reasoning e querying nei knowledge graph
8. Neurosymbolic AI
- L’approccio neurosymbolic
- Argumentation Mining
- Argumentation Mining, LLM e abstract argumentation
- Integrazione tra query languages e LLM
- LLM e semantic operators
Modalità d'esame
Metodi di valutazione dell'apprendimento.
Per ogni sessione di esame, il metodo di verifica dell'apprendimento si articola in due prove, prova scritta e prova orale.
La prova scritta della durata di circa un’ora prevede il completamento di un codice scritto in python per la realizzazione di una “pipeline” che permetta l’analisi di un dataset fornito in input e l’implementazione di algoritmi di machine e deep learning.
La prova orale, della durata di circa mezz'ora, si articola nella presentazione orale (e con l'ausilio della forma scritta) da parte dello studente, sulla base di domande specifiche (solitamente 3) proposte dal docente, di argomenti sviluppati nel corso e facenti parte del programma.
Criteri di valutazione dell'apprendimento.
La prova scritta mira a valutare il livello di raggiungimento delle competenze specifiche fornite dal corso sia dal punto di vista teorico che applicativo. Alla prova scritta viene assegnato un voto in trentesimi. Questa è ritenuta sufficiente per poter accedere alla prova orale se riceve un voto maggiore o uguale di 18.
La prova orale intende approfondire la conoscenza degli algoritmi per l'analisi dei dati presentati durante il corso e degli eventuali ulteriori algoritmi utilizzati per lo sviluppo di applicazioni. Le domande prevedono l'esposizione di algoritmi e tecniche presentati durante il corso. L'esito della prova viene valutato sulla base della chiarezza, correttezza e completezza della presentazione sugli argomenti proposti per la discussione. Per superare la prova con un livello sufficiente, è necessario dimostrare una chiara conoscenza delle tecniche utilizzate per l'analisi dei dati e il corretto funzionamento degli algoritmi richiesti dal docente.
Criteri per misurare l'apprendimento e assegnare il voto finale.
I risultati delle due prove permetteranno di definire il calcolo del risultato complessivo dell'esame. L'attribuzione del voto finale, in trentesimi, è basata sul calcolo della media ponderata degli esiti specifici delle due fasi, il cui peso è 1/3 per la prova scritta e 2/3 per la prova orale.
Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010), facendo riferimento alle indicazioni fornite dalla Delegata alle attività concernenti l’integrazione degli Studenti con disabilità e con disturbi specifici di apprendimento nell’Ateneo.
Testi di riferimento
Michael Huth and Mark Ryan
Logic in Computer Science: Modelling and Reasoning about Systems, Cambrige University press.
Disponibile online http://staff.ustc.edu.cn/~huangwc/book/LogicInCS.pdf
Sergio Greco, Cristian Molinaro:
Datalog and Logic Databases. Synthesis Lectures on Data Management, Morgan & Claypool Publishers 2015.
Baader F, Horrocks I, Lutz C, Sattler U.
An Introduction to Description Logic. Cambridge University Press; 2017.
Sebastian Rudolph.
Foundations of Description Logics. Reasoning Web 2011 : 76-136.
Codice insegnamento 27009513
Il corso ha come obiettivo quello di analizzare i principali meccanismi e protocolli utilizzati nell'ambito della sicurezza nelle reti e di approfondire i principali algoritmi e protocolli di autenticazione,…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha come obiettivo quello di analizzare i principali meccanismi e protocolli utilizzati nell'ambito della sicurezza nelle reti e di approfondire i principali algoritmi e protocolli di autenticazione, comunicazioni sicure e di protezione delle reti.
Programma
Il corso introduce elementi e tecnologie per poter progettare delle reti sicure o per poter identificare potenziali attacchi ai sistemi di rete. La sicurezza sarà esaminata dal punto di vista della segretezza, integrità dei dati e dell'autenticazione dei dispositivi/elementi di rete che inviano o gestiscono le informazioni. La sicurezza di rete è analizzata al livello di rete, al livello di trasporto e nel contesto applicativo. Il corso fornirà anche alcuni informazioni sull'utilizzo di tool per poter monitorare la rete, poterla proteggere e poter identificare alcune tipologie di attacchi.
Introduzione alle tecniche di autenticazione e scambio di chiavi nelle reti per mitigare alcuni tipologie di attacchi; Introduzione alle firme digitali e i certificati (X.509); introduzione ai protocolli di autenticazione, autorizzazione e accounting (cenni su Kerberos e approfondimenti su RADIUS); Introduzione al protocollo IPsec; la sicurezza al livello trasporto e i protocolli SSL/TLS; firewall e sicurezza perimetrale; configurazione di una VPN; classificazione delle tipologie di attacchi su reti e attacchi DoS. Sicurezza nelle reti programmabili; Sicurezza leggera per dispositivi IoT; Sicurezza su reti wireless.
Modalità d'esame
L'esame consiste in un progetto ed una prova orale. Il voto sarà espresso in trentesimi a seguito della valutazione del progetto e della prova orale.
Metodi di valutazione dell’apprendimento:
La valutazione dell’apprendimento avverrà tramite lo svolgimento di un progetto con relativa presentazione.
Criteri di valutazione dell’apprendimento:
La discussione del progetto permetterà di valutare la capacità di sintesi, il livello di approfondimento degli argomenti studiati, la capacità di comprensione delle feature di sicurezza ed eventuali vulnerabilità associate ai diversi elementi architetturali che compongono un sistema di rete.
Criteri di misurazione dell’apprendimento:
A fine esame verrà attribuito un voto in trentesimi, che terrà conto della capacità di sintesi, del grado di apprendimento dei concetti illustrati inerenti il progetto la capacità di comprensione dei protocolli sicuri associati alle architetture di rete che caratterizzano le reti tradizionali e le reti wireless ed eventualmente anche delle capacità pratiche sviluppate connesse agli argomenti affrontati durante le esercitazioni.
Metodi di valutazione dell’apprendimento:
La valutazione dell’apprendimento avverrà tramite lo svolgimento esclusivamente di progetto con eventuale integrazione di una prova orale volta a chiarire aspetti del progetto. La stessa verterà sugli argomenti trattati durante le varie lezioni e durante le esercitazioni.
Criteri di valutazione dell’apprendimento:
La prova orale permetterà di valutare la capacità di sintesi, il livello di approfondimento degli argomenti studiati, la capacità di comprensione delle funzioni associate ai diversi elementi architetturali che compongono un sistema di rete.
Criteri di misurazione dell’apprendimento:
A fine esame verrà attribuito un voto in trentesimi, che terrà conto della capacità di sintesi, del grado di apprendimento dei concetti illustrati durante il Corso, la capacità di comprensione delle funzioni e dei protocolli sicuri associati ai diversi elementi architetturali che caratterizzano le reti ed eventualmente anche delle capacità pratiche sviluppate connesse agli argomenti affrontati durante le esercitazioni.
Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).
Criteri di attribuzione del voto finale
Se il progetto finale con la relativa discussione sono giudicati almeno sufficiente, l’esame è superato con l’attribuzione di un voto finale in trentesimi.
Testi di riferimento
Crittografia e sicurezza delle reti. W. Stallings.
Protocolli per la sicurezza in Internet. U. Black
Codice insegnamento 27007399
Competenze specifiche Comprendere le problematiche tecnologiche, metodologiche e progettuali riguardanti il quantum computing ed il quantum machine learning. Comprendere i principi della teoria dell’informazione…
Scheda dell'insegnamento
Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.
Obiettivi formativi
Competenze specifiche Comprendere le problematiche tecnologiche, metodologiche e progettuali riguardanti il quantum computing ed il quantum machine learning. Comprendere i principi della teoria dell’informazione quantistica, anche in riferimento alla crittografia quantistica, imparando ad utilizzare qubit e registri quantistici per implementare semplici algoritmi per risolvere problemi di ricerca e ottimizzazione. Competenze trasversali: Sviluppare la capacità di risolvere problemi complessi in modo creativo ed innovativo, applicando concetti di computazione quantistica. Affinare le competenze di collaborazione e comunicazione lavorando in gruppo durante le esercitazioni guidate e i progetti di laboratorio. Saper valutare criticamente vantaggi e svantaggi dell’utilizzo degli algoritmi quantistici.
Programma
Il corso è diviso in tre parti e copre i seguenti argomenti: 1) Conoscenze di base - Fondamenti fisici della computazione quantistica - Definizione, rappresentazione e misurazione dei qubit e dei registri quantistici - Porte quantistiche e loro rappresentazione tramite operatori unitari - Porte quantistiche di base: bit flip (X or NOT), phase flip (Z), Hadamard (H), rotazioni, controlled-NOT, rotazioni controllate - Entanglement quantistico e stati di Bell - Circuiti quantistici: progettazione, modellazione, reversibilità della computazione - Elementi di comunicazione quantistica e algoritmo di teletrasporto; - Basi di crittografia quantistica: distribuzione di chiavi e protocollo BB84. 2) Algoritmi quantistici ed elementi di complessità computazionale - Algoritmo di Grover per problemi di ricerca e speed-up quadratico; - Algoritmo per la trasformata di Fourier; - Esempio d’uso di Grover: soluzione del Satisfiability Problem - Introduzione agli Algoritmi ibridi (classici/quantistici) e loro uso per l’ottimizzazione ed il machine learning 3) Algoritmi variazionali - Algoritmi quantistici variazionali per risolvere problemi di ottimizzazione: Variational Quantum Eigensolver (VQE), Quantum Approximate Optimization Algorithm (QAOA) - Esempi di uso degli algoritmi variazionali: MaxCut, programmazione lineare intera, Knapsack - Metodi per importare dati classici su un registro quantistico - Circuiti variazionali per il machine learning: modelli supervisionati e non supervisionati, deterministici e probabilistici, modelli generativi Il modulo di Quantum Computing fornisce le conoscenze di base relative alla computazione quantistica, prestando particolare attenzione alle problematiche tecnologiche, metodologiche e progettuali. I concetti di fisica quantistica vengono introdotti in modo funzionale alla introduzione dei temi principali della teoria dell’informazione quantistica. L’obiettivo primario è quello di fornire agli/alle studenti le conoscenze e gli strumenti necessari per eseguire algoritmi quantistici e applicare metodi di machine learning su piattaforme di quantum computing, utilizzando sia la simulazione che l'esecuzione sull’hardware quantistico reale fornito in cloud da alcune delle principali aziende ICT. Infine, vengono fornite le basi di crittografia quantistica.
Modalità d'esame
Prova orale che include la discussione di un elaborato che documenti lo svolgimento di un progetto didattico riguardante l’uso di un algoritmo di quantum machine learning. Al termine della prova orale verrà attribuito un voto determinato dalla correttezza, completezza e chiarezza espositiva della relazione del progetto didattico e dalla valutazione della discussione del progetto didattico e degli argomenti trattati nel corso. Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con Testi in inglese The "Quantum Computing" unit offers a comprehensive introduction to the fascinating world of quantum information and quantum computation. Designed to equip students with essential knowledge in technology, methodology, and design aspects, this course starts with fundamental concepts in quantum physics and gradually delves into the realm of quantum information theory. Through interactive and engaging sessions, participants will gain hands- on experience in running quantum algorithms, utilizing both simulation and real quantum hardware. Cloud-based resources, provided by leading ICT companies, will empower students to explore the practical disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).
Testi di riferimento
Maria Schuld, Francesco Petruccione, “Machine Learning with Quantum Computers, 2021, Springer Michael A. Nielsen, Isaac L. Chuang, “Quantum Computation and Quantum Information”, 2010, Cambridge University Press Materiale fornito dal docente
Codice insegnamento 27009533
Modulo 1: SOFTWARE SECURITY Obiettivo primario del corso è quello di fornire un’adeguata conoscenza delle cause delle vulnerabilità di sicurezza dei sistemi software legate alle fasi di progettazione, sviluppo,…
Scheda dell'insegnamento
Obiettivi formativi
Modulo 1: SOFTWARE SECURITY
Obiettivo primario del corso è quello di fornire un’adeguata conoscenza delle cause delle vulnerabilità di sicurezza dei sistemi software legate alle fasi di progettazione, sviluppo, configurazione e messa in esercizio e l’apprendimento di tecniche di progettazione e sviluppo che tengano conto in modo appropriato del requisito di sicurezza. Il corso fornisce inoltre competenze introduttive sulle principali tecniche di analisi ed exploitation delle vulnerabilità binarie.
1. Conoscenza e capacità di comprensione
- Conoscenza dei principali pattern di programmazione insicuri e tecniche per evitarli.
- Conoscenza delle metodologie di attacco e difesa dei sistemi informativi.
- Conoscenza delle principali vulnerabilità software legate alla gestione della memoria.
- Conoscenza delle tecniche di mitigazione e delle moderne contromisure di sicurezza.
2. Conoscenza e capacità di comprensione applicate
- Capacità di affrontare le fasi di analisi di vulnerabilità dei sistemi informativi.
- Capacità di applicare tecniche di base di attacco a sistemi informativi.
- Capacità di mettere in atto misure di correzione e/o mitigazione delle vulnerabilità.
- Capacità di utilizzare strumenti per l’analisi di software binario e vulnerability assessment.
3. Autonomia di giudizio
- Capacità critiche e di giudizio conseguite attraverso lo studio degli argomenti che vengono proposti durante il corso e lo sviluppo degli elaborati (esercizi e progetti), evidenziando spiccate capacità di “problem solving”.
- Abilità nell'analisi e nella risoluzione dei problemi.
- Abilità nel trovare soluzioni alternative o innovative.
4. Abilità comunicative
- Abilità nel lavoro di gruppo.
5. Capacità di apprendere
- Capacità di aggiornarsi continuamente e in modo autonomo sulle nuove vulnerabilità software, sui nuovi pattern di attacco e sulle relative tecniche di difesa e mitigazione.
Modulo 2: DATA SECURITY
Il corso ha l’obiettivo di fornire agli studenti conoscenze teoriche e pratiche relative alla protezione dei dati e dei sistemi informatici moderni, con particolare attenzione agli aspetti di data security, crittografia, protezione del software e privacy.
Conoscenza e capacità di comprensione (Descrittore di Dublino 1)
Lo studente acquisirà conoscenze relative ai principali modelli di sicurezza, ai meccanismi di autenticazione e controllo degli accessi, alle primitive crittografiche, ai metodi di protezione del software e ai paradigmi avanzati di protezione dei dati.
Capacità di applicare conoscenza e comprensione (Descrittore di Dublino 2)
Lo studente sarà in grado di analizzare scenari di sicurezza, applicare tecniche di protezione dei dati e del software, utilizzare strumenti crittografici e valutare vulnerabilità e contromisure in sistemi informatici reali.
Autonomia di giudizio (Descrittore di Dublino 3)
Lo studente svilupperà capacità critiche nella valutazione delle tecniche di protezione dei dati, considerando sicurezza, prestazioni, privacy e affidabilità dei sistemi.
Abilità comunicative (Descrittore di Dublino 4)
Lo studente sarà in grado di descrivere e discutere problematiche e soluzioni di data security utilizzando una terminologia tecnica appropriata.
Capacità di apprendimento (Descrittore di Dublino 5)
Lo studente acquisirà la capacità di approfondire autonomamente metodologie e strumenti innovativi nell’ambito della sicurezza dei dati e della protezione del software.
Programma
Modulo 1: SOFTWARE SECURITY
Il corso:
- approfondisce le problematiche di sicurezza nei sistemi informatici in riferimento agli aspetti legati alla progettazione, sviluppo, implementazione e analisi delle componenti software;
- presenta le metodologie per la progettazione e lo sviluppo di software che soddisfi adeguati criteri di sicurezza;
- introduce le principali tecniche di analisi delle vulnerabilità software e di binary exploitation.
PRIMA PARTE: Secure Software Design
Principi di base sulla sicurezza dei sistemi software.
Threat modelling. Tecniche di mitigazione delle minacce. Security patterns. Security design e security review.
Tecniche di identificazione delle vulnerabilità: analisi statica e analisi dinamica del software.
Programmazione software sicura: Secure Software Development (SSD), Defensive Programming, tecniche di detection e prevention.
Costrutti software che favoriscono la sicurezza: domain primitives, integrità dello stato, riduzione della complessità dello stato, gestione sicura degli errori e delle eccezioni.
Progettazione sicura del software: processi e standard di software security, principi di progettazione sicura, security requirements, secure software supply chain, DevSecOps.
Domain-Driven Design: costrutti che favoriscono la sicurezza, primitive di dominio, integrità dello stato, riduzione della complessità dello stato.
Test-Driven Development: definizione di test, mock e patch, gestione sicura delle eccezioni.
SECONDA PARTE: Binary analysis and exploitation
Introduzione alla binary analysis: principali vulnerabilità software, funzioni vulnerabili, buffer overflow, stack corruption e heap corruption.
Processo di compilazione del software, struttura dei file ELF, architetture x86 e x86_64, memory management e calling conventions.
Tools per binary exploitation: GDB, Pwntools, checksec, objdump, readelf, ltrace e strace.
Integer Overflow. Shellcode. Format String vulnerabilities.
Mitigazioni moderne: NX/DEP, Stack Canary, ASLR, PIE, RELRO e tecniche di bypass delle mitigazioni.
Return Oriented Programming (ROP): gadget discovery, ROP chains, ret2libc con e senza mitigazioni.
Modulo 2: DATA SECURITY
Il corso di DATA SECURITY fornisce una panoramica completa di concetti e tecniche essenziali per proteggere informazioni sensibili. Gli studenti acquisiranno conoscenze di base su argomenti quali la privacy e la sicurezza dei dati, i modelli di access control e i Trusted Execution Environments. Il corso approfondisce algoritmi crittografici ed esplora metodi avanzati. Inoltre, gli studenti esploreranno le tecniche di offuscamento dei dati e del software, il watermarking e i metodi di tamperproofing. Questo corso fornisce agli studenti le conoscenze e le competenze necessarie per affrontare le sfide legate alla sicurezza dei dati negli ambienti informatici moderni.
LEZIONI (34 ore)
Fondamenti di Data e Information Security (2 ore)
- CIA Triad
- Threat modeling
- Risk management
Authentication e Access Control (4 ore)
- DAC, MAC, RBAC, ABAC
- Biometria e autenticazione
Primitive crittografiche e hashing (2 ore)
- Hash functions
- Sicurezza delle funzioni hash
Crittografia asimmetrica e RSA (6 ore)
- RSA
- Firme digitali
- Vulnerabilità e attacchi crittografici
Information Hiding (8 ore)
- Steganografia
- Watermarking
- Fingerprinting
- Watermarking nel dominio delle frequenze
Binary Security e Software Protection (8 ore)
- Binary obfuscation
- Antivirus evasion
- Binary watermarking
Tecniche avanzate di protezione dei dati (4 ore)
- Secure Multi-Party Computation
- Homomorphic Encryption
- Differential Privacy
- Trusted Execution Environments (TEE, TPM, SE)
ESERCITAZIONI (16 ore)
Utilizzo di strumenti crittografici, analisi di vulnerabilità, esercizi di watermarking e casi di studio relativi alla protezione software e hardware.
Modalità d'esame
Modulo 1: SOFTWARE SECURITY
L’esame consiste in una prova scritta e in una prova orale obbligatoria.
La prova scritta ha una durata minima di un’ora e mezza e si compone di due esercizi applicativi di binary exploitation . Durante lo svolgimento della prova scritta non è consentito l'uso di appunti, manuali o dispositivi elettronici . I risultati della prova scritta saranno comunicati tramite sul canale MS Teams del corso .
La prova orale consiste in un colloquio volto ad accertare la comprensione degli argomenti trattati a lezione (Secure Software Design e Binary Analysis).
Il voto finale, espresso in trentesimi, viene formulato come media ponderata della valutazione della prova scritta e quella della prova orale .
Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370)
Modulo 2: DATA SECURITY
Metodi di valutazione dell’apprendimento
La valutazione si baserà su due prove. La prima prova si svolgerà in forma scritta. In caso di superamento della prima prova, lo studente potrà accedere alla seconda prova, da svolgersi in forma orale e della durata di circa 30 minuti, consistente in una discussione degli argomenti teorici e pratici studiati. La prova scritta ha una durata indicativa di 60-120 minuti e comprende esercizi applicativi, quesiti a risposta aperta e analisi di scenari di sicurezza. Non è consentito l’utilizzo di materiale didattico durante la prova, salvo diversa indicazione del docente. Gli esiti della prova scritta saranno comunicati tramite i canali istituzionali del corso.
Criteri di valutazione dell’apprendimento
Gli esercizi della prova scritta sono progettati in modo da poter valutare che lo studente sia in grado di analizzare scenari di data security sia dal punto di vista metodologico che da quello pratico. Le domande della prova orale permettono di complementare la verifica dei risultati di apprendimento previsti; insieme alla discussione degli esercizi svolti nella prova scritta, permettono inoltre di valutare le capacità trasversali di risoluzione di problemi e di presentazione del lavoro svolto.
Criteri di misurazione dell’apprendimento
La prova scritta è valutata in trentesimi ed è superata se la votazione è maggiore o uguale a 15. In caso di superamento della prova scritta, lo studente è ammesso alla prova orale.
Criteri di attribuzione del voto finale
Se la prova orale è giudicata almeno sufficiente, l’esame è superato con l’attribuzione di un voto finale in trentesimi. Il voto finale viene attribuito tenendo conto del voto riportato nella prova scritta e della valutazione sulla prova orale.
Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).
Testi di riferimento
Modulo 1: SOFTWARE SECURITY
Designing Secure Software: A Guide for Developer, Loren Kohnfelder
No Starch Press,US, 2021
Secure by Design, Dan Bergh Johnsson, Daniel Deogun, Daniel Sawano
ISBN 9781617294358 Manning, 2019
Practical Binary Analysis- Build Your Own Linux Tools for Binary Instrumentation, Analysis, and Disassembly, Dennis Andriesse,
No Starch Press,US, 2018, ISBN-13: 9781593279127
Modulo 2: DATA SECURITY
- Dispense e articoli scientifici forniti dal docente sulla piattaforma online del corso.
- Materiale integrativo relativo a crittografia, software protection, watermarking e privacy-preserving computation.
- Eventuali riferimenti bibliografici specifici saranno comunicati durante il corso.
Codice insegnamento 27008844
MODULO 1: PROGRAMMAZIONI BACK END Conoscenza e comprensione Lo/La studente/studentessa acquisirà conoscenze relative ai principi e alle problematiche dello sviluppo di applicazioni web con architettura a tre livelli, con…
Scheda dell'insegnamento
Obiettivi formativi
MODULO 1: PROGRAMMAZIONI BACK END
Conoscenza e comprensione
Lo/La studente/studentessa acquisirà conoscenze relative ai principi e alle problematiche dello sviluppo di applicazioni web con architettura a tre livelli, con particolare riferimento alla progettazione e implementazione del back-end di applicazioni web e mobile basate su servizi REST. Saranno inoltre approfondite le caratteristiche dell’architettura Jakarta EE, dei framework per lo sviluppo enterprise (ad esempio Spring Framework) e delle tecnologie ORM per la gestione della persistenza dei dati.
Capacità di applicare conoscenza e comprensione (Applying Knowledge and Understanding)
- Lo/La studente/studentessa sarà in grado di progettare e sviluppare backend per applicazioni web e mobile secondo un approccio API-first, realizzando servizi REST interoperabili e modulari. Sarà inoltre capace di progettare e implementare librerie software per la gestione di oggetti persistenti mediante tecnologie ORM e framework enterprise Java.
Autonomia di giudizio (Making Judgements)
- Lo/La studente/studentessa svilupperà la capacità di valutare soluzioni architetturali e tecnologiche differenti per lo sviluppo di backend enterprise, scegliendo framework, pattern e tecnologie adeguate in funzione dei requisiti applicativi, della scalabilità e della manutenibilità del sistema.
Abilità comunicative (Communication Skills)
- Lo/La studente/studentessa acquisirà la capacità di collaborare efficacemente in piccoli gruppi di lavoro, condividendo codice, documentazione e risultati progettuali, nonché di presentare e discutere le soluzioni sviluppate utilizzando una terminologia tecnica appropriata.
Capacità di apprendimento (Learning Skills)
- Lo/La studente/studentessa maturerà competenze utili all’apprendimento autonomo di nuovi framework, librerie e tecnologie per lo sviluppo di applicazioni enterprise, con particolare attenzione all’evoluzione degli ecosistemi Java e delle architetture web moderne.
MODULO 2: PROGRAMMAZIONE FRONT END
L’obiettivo è quello di introdurre gli studenti alle problematiche relative allo sviluppo di applicazioni web con architettura a tre livelli, concentrandosi sullo sviluppo del front end dell'applicazione. Si studieranno le tecnologie Web con particolare riferimento alla progettazione e sviluppo di Single Page Application (SPA) analizzando esempi di framework che supportano la loro realizzazione.
Competenze specifiche:
- Abilità di progettare e realizzare interfacce web dinamiche
- Abilità di progettare e realizzare SPA.
Competenze trasversali:
- Abilità alla collaborazione in piccoli gruppi ed alla condivisione e presentazione del lavoro svolto;
Programma
MODULO 1: PROGRAMMAZIONI BACK END
Il corso introduce allo sviluppo di applicazioni web, partendo dal modello architetturale a tre livelli e analizzandone l’evoluzione verso paradigmi più modulari e orientati ai servizi. In particolare, viene approfondito l’ecosistema Java per lo sviluppo enterprise, con riferimento alle specifiche di Jakarta EE e ai framework applicativi della famiglia Spring, tra cui Spring Boot.
Argomento #1 Architetture web a tre livelli in Java e paradigmi orientati ai servizi.
Argomento #2 Strato di presentazione: HTML, Servlet, gestione del ciclo di vita delle richieste web, meccanismi di dispatching, handler e intercettazione delle richieste nei framework MVC.
Argomento #3 Strato di business: gestione dichiarativa delle transazioni, Web Services REST, Spring Framework, approccio API-first per la progettazione e lo sviluppo di servizi interoperabili, principi di Aspect-Oriented Programming (AOP) per la gestione degli aspetti trasversali.
Argomento #4 Strato di persistenza: JDBC, architettura JPA (Java Persistence Architecture), tecnologie ORM per la gestione della persistenza dei dati.
Modalità d'esame
MODULO 1: PROGRAMMAZIONI BACK END
Metodi di valutazione dell’apprendimento:
La valutazione si baserà su due prove svolte contestualmente (circa 30 minuti). La prima prova consiste nella presentazione di un progetto del back-end di un'applicazione web sviluppata utilizzando gli strumenti esposti nel corso. Durante il corso, progetti didattici degli anni passati sono presentati come casi di studio. La seconda prova consiste in un’interrogazione sugli argomenti teorici e pratici affrontati durante il corso.
Criteri di valutazione dell’apprendimento:
La prima prova permetterà di valutare la capacità di sviluppare il back-end di applicazioni web e la conoscenza delle relative tecnologie. La prova orale permetterà di valutare le conoscenze teoriche e pratiche acquisite su architetture, linguaggi e strumenti di programmazione delle applicazioni web.
Criteri di misurazione dell’apprendimento:
Entrambe le prove sono valutate in trentesimi.
Criteri di attribuzione del voto finale.
Se entrambe le prove sono giudicate almeno sufficiente, l’esame è superato con l’attribuzione di un voto finale in trentesimi. Il voto finale viene attribuito contestualmente, tenendo conto per due terzi del voto riportato nella prima prova e per un terzo della valutazione della seconda prova.
Appelli d’esame
Gli appelli d’esame sono definiti in conformità al calendario didattico del Corso di Studio e pubblicati attraverso i canali istituzionali dell’Ateneo (https://dimes.unical.it/didattica/iscriversi-studiare-laurearsi/frequentare-i-corsi/). Le modalità di prenotazione e partecipazione agli appelli seguono quanto previsto dal regolamento didattico vigente. Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010), facendo riferimento alle indicazioni fornite dalla Delegata alle attività concernenti l’integrazione degli Studenti con disabilità e con disturbi specifici di apprendimento nell’Ateneo.
Testi di riferimento
MODULO 1: PROGRAMMAZIONI BACK END
Slide fornite dal docente; libro "Pro Spring 5An In-Depth Guide to the Spring Framework and Its Tool"Clarence Ho, Iuliana Cosmina, Rob Harrop, Chris Schaefer, Editori: Clarence Ho, Rob Harrop, Chris Schaefer
Codice insegnamento 27009548
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.