Corso di laurea

Sicurezza informatica e intelligenza artificiale

Università degli Studi di Milano · 10 materie · 0 file condivisi

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

Sfoglia il materiale didattico

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

Materie del corso

Accertamento di lingua inglese - livello b1 (3 CFU) 1° anno · 3 CFU · 0 file

Raggiungere il livello B1 del Quadro Comune Europeo di Riferimento per le lingue (QCER) Reading: capire testi scritti di uso corrente legati alla sfera quotidiana; capire la descrizione di avvenimenti, di sentimenti e di…

Scheda dell'insegnamento

Obiettivi formativi

Raggiungere il livello B1 del Quadro Comune Europeo di Riferimento per le lingue (QCER)

Reading: capire testi scritti di uso corrente legati alla sfera quotidiana; capire la descrizione di avvenimenti, di sentimenti e di desideri contenuta in lettere personali.Listening: capire gli elementi principali in un discorso chiaro in lingua standard su argomenti familiari; capire l'essenziale di molte trasmissioni televisive su argomenti di attualità o temi di interesse personale, purché il discorso sia relativamente lento e chiaro.

Programma

Reading: capire testi scritti di uso corrente legati alla sfera quotidiana; capire la descrizione di avvenimenti, di sentimenti e di desideri contenuta in lettere personali.Listening: capire gli elementi principali in un discorso chiaro in lingua standard su argomenti familiari; capire l'essenziale di molte trasmissioni televisive su argomenti di attualità o temi di interesse personale, purché il discorso sia relativamente lento e chiaro.

Modalità d'esame

Modalità di valutazione: TestGiudizio di valutazione: livello raggiunto

Codice insegnamento accertamento-di-lingua-inglese-livello-b1-3-cfu

Architetture informatiche e reti 1° anno · 18 CFU · INFO-01/A · 0 file

Il cluster è finalizzato a fornire allo studente le conoscenze di base relative all'organizzazione dei sistemi di calcolo e alle infrastrutture di rete, necessarie per comprendere il funzionamento dei sistemi informatici…

Scheda dell'insegnamento

Obiettivi formativi

Il cluster è finalizzato a fornire allo studente le conoscenze di base relative all'organizzazione dei sistemi di calcolo e alle infrastrutture di rete, necessarie per comprendere il funzionamento dei sistemi informatici moderni e i meccanismi che ne regolano l'esecuzione dei programmi, la gestione delle risorse e la comunicazione tra sistemi.Il percorso formativo introduce i principi fondamentali dell'architettura dei calcolatori e dei sistemi operativi, affrontando concetti quali processo, concorrenza, gestione della memoria, file system e politiche di allocazione delle risorse. In parallelo, vengono presentati i fondamenti delle reti di calcolatori e le nozioni essenziali del paradigma cloud computing e i suoi modelli di servizio. Il cluster mira a sviluppare una visione integrata dei livelli hardware, di sistema e di rete, funzionale alla comprensione di aspetti prestazionali e di affidabilità e alle principali implicazioni di sicurezza dei sistemi digitali. Le competenze acquisite costituiscono inoltre una base propedeutica per i cluster successivi, nei quali tali concetti vengono riutilizzati in contesti applicativi più complessi.Il cluster si articola nei due moduli: Computing Systems, Reti e Cloud, progettati in modo coerente e coordinato. I moduli concorrono congiuntamente allo sviluppo delle competenze previste collegando i meccanismi interni di esecuzione e gestione delle risorse (sistemi di calcolo e sistemi operativi) ai principi di comunicazione, interconnessione e distribuzione delle risorse (reti e cloud).

Conoscenza e capacità di comprensioneAl termine del cluster, lo studente acquisisce conoscenze di base relative ad architetture dei sistemi di calcolo, sistemi operativi, reti di calcolatori e infrastrutture cloud, necessarie per comprendere i principi di funzionamento dei sistemi informatici moderni. In particolare, lo studente è in grado di:· descrivere i principali componenti di un sistema di calcolo e il loro ruolo nell'esecuzione dei programmi;· spiegare i meccanismi fondamentali dei sistemi operativi, con riferimento a processi e concorrenza, gestione della memoria, file system e gestione delle risorse;· descrivere i principi di base delle reti di calcolatori (modello a strati, protocolli e servizi essenziali) e il loro ruolo nella comunicazione tra sistemi;· illustrare i concetti fondamentali del paradigma cloud computing (es. virtualizzazione, modelli di servizio e distribuzione delle risorse).Capacità di applicare conoscenza e comprensioneAl termine del cluster, lo studente è in grado di:· utilizzare strumenti di base per osservare e descrivere lo stato di un sistema e di una rete (processi, memoria, I/O, connettività), formulando ipotesi motivate su problemi elementari;· applicare concetti di sistema operativo e di rete per interpretare comportamenti tipici (ad esempio concorrenza, uso delle risorse, comunicazioni) in scenari guidati;· configurare o utilizzare, a livello introduttivo, servizi e risorse di rete/cloud in scenari semplici, comprendendone vincoli e dipendenze.Autonomia di giudizioLo studente sviluppa la capacità di:· interpretare il comportamento di programmi e servizi a livello di sistema, individuando cause comuni di inefficienza o malfunzionamento;· valutare, in modo qualitativo, effetti e trade-off tra prestazioni, affidabilità e principali implicazioni di sicurezza in scelte elementari di configurazione e utilizzo.Abilità comunicativeAl termine del cluster, lo studente è in grado di:· comunicare in modo chiaro e tecnicamente corretto, anche in forma scritta, osservazioni e risultati di semplici attività di analisi/diagnostica di sistema e rete, utilizzando terminologia appropriata e schemi essenziali (ad esempio descrizione dell'architettura, del flusso di esecuzione o della comunicazione).Capacità di apprendimentoLo studente acquisisce la capacità di:· aggiornare in autonomia le proprie competenze su tecnologie e soluzioni emergenti (sistemi, reti, cloud), interpretando documentazione tecnica e standard di riferimento;· sperimentare nuovi strumenti di osservazione e diagnostica (monitoraggio, logging, test di rete) e valutarne utilità e limiti rispetto a obiettivi prestazionali o di affidabilità;· trasferire concetti e metodi appresi a scenari e architetture non trattati esplicitamente (es. nuovi protocolli, nuove piattaforme cloud), motivando le scelte.

Programma

Computing Systems
1 - Introduzione al corso e rappresentazione dei dati
1.1. L'ambiente di lavoro (Intro a shell di UNIX e gcc, pwn college)
1.2. Componenti fondamentali di un sistema di calcolo
1.3. Livelli di astrazione: hardware, sistema operativo, programmi
1.4. I sistemi di numerazione:
1.4.1. Il sistema binario
1.4.2. Il sistema esadecimale
1.4.3. Data Sizes
1.5. Rappresentazione dati non numerici
1.5.1. Rappresentazione delle stringhe
1.5.2. Rappresentazione del codice
1.6. Algebra booleana
1.6.1. AND, OR, NOT, XOR
1.6.2. Operazioni di mascheramento
1.7. Aritmetica su interi
1.7.1. I numeri negativi
1.7.2. Le operazioni di somma e sottrazione
1.8. Rappresentazione dei numeri reali
1.8.1. Posizionale
1.8.2. Floating point
2 - Il linguaggio ASSEMBLER
2.1. L'architettura di un sistema digitale
2.1.1. La memoria
2.1.2. I dischi
2.1.3. BUS
2.1.4. La gerarchia di memoria
2.2. Introduzione al linguaggio assembler x-86-64
2.2.1. Il linguaggio macchina
2.2.2. Il linguaggio assembler
2.2.3. Istruzioni per l'accesso alle informazioni
2.2.4. Istruzioni Aritmetiche
2.2.5. Istruzioni di controllo
2.2.6. Assemblare un programma
2.3. Forme di indirizzamento
2.3.1. Indirizzamento immediato, diretto, indiretto, indicizzato
2.3.2. Offset e base register
2.4. Operazioni logiche
2.4.1. AND, OR, XOR, NOT
2.4.2. Mascheramento e manipolazione dei bit
2.5. System call
2.5.1. Meccanismo delle system call
2.5.2. Passaggio dei parametri
2.6. Introduzione a OBJDUMP (Paragrafo 3.2 CS:APP)
2.6.1. Lettura del codice assembly generato
2.6.2. Disassemblaggio di programmi
2.6.3. Analisi del codice oggetto
2.7. Procedure e stack
2.7.1. Chiamata di funzione
2.7.2. Stack frame
2.7.3. Passaggio dei parametri e valori di ritorno
3 - Architettura del processore e modello di esecuzione
3.1. Introduzione ai circuiti logici
3.1.1. I circuiti combinatori
3.1.1.1. AND, OR, NOT
3.1.1.2. Multiplexer
3.1.1.3. Sommatore
3.1.1.4. ALU
3.2. I circuiti sequenziali
3.2.1.1. Il clock
3.2.1.2. I registri
3.2.1.3. Register file
3.2.1.4. Data memoru
3.3. Implementazione di una semplice CPU Single Cycle
3.3.1. Definizione dell'ISA: Un caso di studio
3.3.2. Le fasi di esecuzione di un'istruzione
3.3.3. La microprogrammazione
3.3.4. La progettazione HW
3.4. Analisi delle criticità di una CPU single cycle
3.5. Il pipelining
3.6. Una versione di cPU con Pipelining
3.7. Criticità del pipelining
4 - Interfaccia HW - SW: la gestione degli eventi
4.1. La gestione delle eccezioni
4.1.1. Il ruolo dell'hardware
4.1.2. Il kernel mode
4.1.3. Il ruolo del software
4.1.4. Esempio di gestione delle eccezioni
4.2. Interrupt sincroni
4.2.1. Le syscall
4.2.2. Esempio di syscall
4.3. La gestione dell' I/O
4.3.1. Controllo programma
4.3.2. Interrupt
4.3.3. Il supporto HW
4.3.4. Interrupt Asincroni
4.3.5. La gestione degli interrupt
4.4. I Bus
4.5. I Dischi
4.6. RAID e SSD
4.7. Il DMA
5 - Il sistema operativo come gestore di attività
5.1. I processi
5.1.1. La nozione di processo
5.1.2. Il flusso di esecuzione di un processo
5.1.3. Lo spazio di indirizzamento
5.1.4. Il Process control Block
5.1.5. L'esecuzione concorrente
5.1.6. Il context switch
5.2. I processi in UNIX
5.2.1. fork()
5.2.2. execve()
5.2.3. waitpid()
5.3. Lo scheduling
5.3.1. Lo scheduler
5.3.2. FIFO; SJF; RR
5.4. I thread
5.4.1. Il concetto di thread
5.4.2. Kernel thread vs user thread
5.5. L'esecuzione concorrente
5.5.1. I Processi concorrenti
5.5.2. Il concetto di race condition
5.5.3. I semafori
5.6. Problemi di programmazione concorrente
5.6.1. Il produttore consumatore
5.6.2. Lettori Scrittori
5.7. Deadlock e Starvation
5.7.1. Il problema del deadlock
5.7.2. Le quattro condizione necessarie
6 - La memoria e il file system
6.1. La gerachia di memoria e le Cache
6.2. La memoria virtuale
6.2.1. Indirizzo fisico e virtuale
6.2.2. Il concetto di memoria virtuale
6.2.3. La traduzione degli indirizzi
6.2.4. Il page fault
6.3. La traduzione degli indirizzi
6.4. TLB
6.5. Il file system
6.5.1. Astrazione dei file
6.5.2. Le directory
6.5.3. L'allocazione degli spazi su disco
6.6. La consistenza del file system
6.7. Le protezioni nei file system

Reti e Cloud
Il modulo, articolato in due parti, presenterà le tecnologie e i protocolli alla base del funzionamento delle reti di calcolatori e i fondamenti del cloud computing.
La prima parte introdurrà i principi, le architetture e i protocolli delle reti di calcolatori, descrivendo i meccanismi che consentono la trasmissione dei dati, l'interconnessione delle reti e il funzionamento di Internet.
1. Fondamenti della trasmissione dati. Segnali analogici e digitali. Codifica di linea. Bit rate e baud rate. Banda e spettro. Capacità del canale. Tecniche di modulazione. Mezzi trasmissivi guidati e non guidati. Multiplexing e commutazione.
2. Reti locali. Ethernet e standard IEEE 802. Protocolli MAC. CSMA/CD e CSMA/CA. Switching Ethernet. VLAN, trunking, reti gerarchiche e Spanning Tree Protocol.
3. Protocollo Internet. Architettura a livelli. IPv4. Incapsulamento IP/Ethernet. ARP. Indirizzamento IP. Subnetting. NAT. DHCP. ICMP. IPv6 e principali meccanismi di transizione.
4. Instradamento. Routing statico e dinamico. Aggregazione delle rotte. Algoritmi Distance Vector e Link State. Protocolli RIP, OSPF e BGP.
5. Livello di trasporto. Multiplexing e demultiplexing. TCP e UDP. Affidabilità della trasmissione. Controllo degli errori, del flusso e della congestione.
6. Protocolli e servizi applicativi. Paradigma client-server. Servizi alla base del funzionamento della rete Internet (DHCP, DNS). Posta elettronica (SMTP, POP3, IMAP4, MIME). World Wide Web (HTTP/1, HTTP/2, HTTP/3)
7. Programmazione distribuita. Socket API, socket TCP e UDP, server iterativi e concorrenti.
La seconda parte analizzerà il paradigma del cloud computing, analizzandone i modelli di servizio, le tecnologie abilitanti e le moderne architetture cloud-native.
1. Virtualizzazione. Virtualizzazione, emulazione e simulazione. Architettura delle macchine virtuali. Hypervisor e tecniche di virtualizzazione (full virtualization, paravirtualizzazione e virtualizzazione assistita dall'hardware). Virtualizzazione client e server.
2. Fondamenti del cloud computing. Paradigma del cloud computing. Utility computing, autonomic computing e sistemi distribuiti. Definizione NIST e caratteristiche essenziali del cloud. Modelli di servizio (IaaS, PaaS, SaaS). Modelli di deployment (public, private, community, hybrid e multi-cloud). Principali tecnologie IaaS e PaaS.
3. Migrazione verso il cloud. Strategie di migrazione delle applicazioni e dei workload. Analisi costi-benefici e strategie di migrazione (7R). Cloudonomics. Service Level Agreement (SLA). Modelli di pricing.
4. Applicazioni cloud-native. Metodologia Twelve-Factor App. Architetture cloud-native. Architetture a microservizi. Containerizzazione. Docker e Kubernetes.
5. Aspetti non funzionali del cloud computing. Problematiche di sicurezza nel cloud. Triade CIA. Modello di responsabilità condivisa. Principi e contromisure per un cloud sicuro. High availability e disaster recovery.

Modalità d'esame

L'esame consiste di una prova scritta che punta ad accertare, tramite una serie di domande a risposta aperta ed esercizi, le conoscenze dello studente su tutti gli argomenti trattati nel cluster architetture informatiche e reti. La prova sarà divisa in due parti, una per ogni modulo del cluster:
Modulo 1 - Computing systems: Domande teorico-pratiche su architettura degli elaboratori e sistemi operativi. A completamento verranno proposti esercizi su diversi argomenti quali: rappresentazione dei dati, programmazione assembler, tracce di stack, uso di system call in assembly, microprogrammazione.
Modulo 2 - Reti e cloud: Domande teorico-pratiche ed esercizi su tutti gli argomenti relativi alle reti di calcolatori e al paradigma cloud computing.
Una volta superati entrambi i moduli, viene formulata la valutazione complessiva, espressa in trentesimi, tenendo conto dei seguenti parametri: grado di conoscenza degli argomenti, capacità di ragionamento critico, chiarezza espositiva e proprietà di linguaggio.

Testi di riferimento

Computing Systems
Testi di riferimento:
R. Bryant, D. O'Hallaron, Computer Systems: A Programmer's Perspective, Pearson.
A. S. Tanenbaum, H. Bos, Modern Operating Systems, Pearson.
R. Love, Linux System Programming, O'Reilly.

Reti e Cloud
Testi di riferimento:

  • D.E. Comer, "Internetworking with TCP/IP: Principles, protocols, and architectures", Volume I, Prentice Hall. Disponibile anche in edizione italiana (edizioni Pearson Education)
  • Nayan B. Ruparelia, Cloud Computing. Cambridge, MA: The MIT Press, 2023.
    Ulteriori riferimenti consigliati:
  • J. Kurose, K. Ross, "Computer Networking: A Top down Approach featuring the Internet", 3rd ed. Addison Wesley
  • C. Huitema, "IPv6: New Internet Protocol", Prentice-Hall
  • Cornelia Davis, Cloud Native Patterns: Designing Change-Tolerant Software, Manning Publications, 2019.
  • Chris Richardson, Microservices Patterns: With Examples in Java. Shelter Island, NY: Manning Publications, 2018.

Codice insegnamento architetture-informatiche-e-reti

Fondamenti di ai 1° anno · 24 CFU · INFO-01/A · 0 file

Il cluster è finalizzato a fornire allo studente le basi concettuali e operative dell'intelligenza artificiale e dell'analisi dei dati, con l'obiettivo di comprendere come i dati possano essere raccolti, preparati,…

Scheda dell'insegnamento

Obiettivi formativi

Il cluster è finalizzato a fornire allo studente le basi concettuali e operative dell'intelligenza artificiale e dell'analisi dei dati, con l'obiettivo di comprendere come i dati possano essere raccolti, preparati, esplorati e utilizzati per costruire semplici sistemi intelligenti.Il percorso formativo integra analisi e visualizzazione dei dati, programmazione e fondamenti di machine learning, accompagnando lo studente dalla comprensione del dataset e delle sue criticità alla costruzione e valutazione di modelli, fino alla lettura e comunicazione dei risultati. Il cluster mira a sviluppare competenze di base per impostare correttamente un problema data-driven, selezionare tecniche adeguate e realizzare pipeline riproducibili.Il cluster si articola nei moduli Analisi e Visualizzazione Dati, Programmazione e Algoritmi II, Machine Learning, progettati in modo coordinato. I moduli concorrono congiuntamente allo sviluppo delle competenze previste secondo una logica di pipeline data-driven: esplorazione e rappresentazione del dato, implementazione di procedure e sperimentazioni riproducibili, addestramento e valutazione di modelli supervisionati e non supervisionati.

Conoscenza e capacità di comprensioneAl termine del cluster, lo studente acquisisce conoscenze di base relative a dati, analisi statistica descrittiva, visualizzazione e machine learning, necessarie per comprendere le fasi essenziali di un processo data-driven. In particolare, lo studente è in grado di:· descrivere le fasi principali di una pipeline data-driven (raccolta, pulizia, esplorazione, modellazione, valutazione e comunicazione dei risultati);· riconoscere le principali tipologie di dati e i concetti di base della statistica descrittiva utili all'esplorazione iniziale;· descrivere i concetti fondamentali dell'apprendimento supervisionato e non supervisionato e le principali classi di modelli introduttivi;· illustrare il ruolo delle metriche di valutazione e dei principi di validazione, comprendendo l'importanza di una valutazione corretta dei risultati.Capacità di applicare conoscenza e comprensioneAl termine del cluster, lo studente è in grado di:· eseguire analisi descrittive ed esplorative, individuando pattern, valori anomali e criticità del dataset e rappresentandoli con visualizzazioni adeguate;· implementare, mediante strumenti di programmazione e librerie standard, procedure di preparazione dei dati e pipeline riproducibili di addestramento e valutazione;· addestrare e confrontare modelli di machine learning di base (supervisionati e non supervisionati) su dataset assegnati, selezionando metriche appropriate allo scopo;· applicare procedure introduttive di validazione (ad esempio separazione training/test e validazione incrociata in scenari guidati) per ridurre valutazioni distorte.Autonomia di giudizioLo studente sviluppa la capacità di:· selezionare tecniche di analisi e modelli di base coerenti con l'obiettivo e con le caratteristiche dei dati;· interpretare criticamente i risultati (punti di forza, limiti, errori), riconoscendo segnali comuni di valutazioni non affidabili (ad esempio overfitting o scelte non coerenti di metrica);· individuare possibili strategie di miglioramento (pre-trattamento, selezione delle variabili, scelta del modello e dei parametri) motivandone l'impatto atteso.Abilità comunicativeAl termine del cluster, lo studente è in grado di:· comunicare in modo chiaro e tecnicamente corretto il problema affrontato, la pipeline adottata, i risultati ottenuti e le principali incertezze/limitazioni, utilizzando report essenziali e visualizzazioni esplicative.Capacità di apprendimentoLo studente acquisisce la capacità di:· consultare in autonomia documentazione e risorse tecniche (librerie, strumenti, linee guida metodologiche) per estendere o adattare pipeline di analisi e modellazione;· replicare e adattare esperimenti su nuovi dataset definendo criteri di valutazione coerenti e verificando la robustezza delle conclusioni;· apprendere e utilizzare nuovi modelli o strumenti di base facendo leva sulle competenze matematiche e di programmazione già acquisite;· pianificare iterazioni successive dell'analisi (miglioramenti di dati, modelli e validazione) sulla base dei risultati ottenuti.

Programma

Machine Learning
Introduzione al machine learning
Paradigmi dell'apprendimento
Pipeline di un progetto di machine learning
Identificazione e trasformazione delle feature
Modelli classici di machine learning

  • Percettrone e Adaline
  • Regressione logistica
  • Support vector machines
  • K-Nearest Neighbors (KNN)
  • Alberi di decisione
  • Metodi ensemble
  • Random forest
    Regolarizzazione
    Metriche di valutazione
    Overfitting, underfitting e generalizzazione
    Cross-validazione
    Ottimizzazione dei parametri
    Apprendimento semisupervisionato
    Progetto di ML

Analisi e Visualizzazione dei Dati
Il corso introduce la Data Visualization come strumento per trasformare dati complessi in informazioni comprensibili, utili all'analisi e alla comunicazione. Dopo una prima introduzione alle motivazioni che rendono necessaria la visualizzazione, alla crescita e complessità dei dati e al passaggio dal dato alla conoscenza, vengono presentate alcune tappe fondamentali della storia della visualizzazione, mostrando come diversi tipi di grafico siano nati per rispondere a compiti specifici quali confrontare quantità, localizzare fenomeni, individuare relazioni o supportare decisioni.
Una seconda parte è dedicata ai meccanismi percettivi e cognitivi che influenzano la lettura delle visualizzazioni. Vengono affrontati il funzionamento del sistema visivo, la distinzione tra sensazione, percezione e cognizione, il ruolo della memoria iconica, della working memory e della memoria a lungo termine, gli attributi preattentivi e i principi della Gestalt. Questi concetti vengono collegati alla progettazione della gerarchia visiva, all'uso di colore, posizione, forma, dimensione e raggruppamento, con l'obiettivo di ridurre il carico cognitivo e guidare l'attenzione verso le informazioni rilevanti.
La parte conclusiva riguarda la qualità, la correttezza e l'efficacia comunicativa delle visualizzazioni. Vengono discussi i principi di Tufte, l'integrità grafica, il Lie Factor, il data-ink ratio, il visual clutter e il chartjunk, insieme alle strategie per trasformare un grafico esplorativo in una visualizzazione esplicativa mediante titoli, annotazioni, benchmark ed evidenziazione selettiva. Il corso si conclude con criteri operativi per scegliere il tipo di grafico in base al compito — confronto, andamento, relazione, composizione, distribuzione o informazione geografica — e con una panoramica delle principali tecniche per visualizzare e confrontare distribuzioni, tra cui istogrammi, density plot, boxplot, violin plot, small multiples e ridgeline plot.

Programmazione e Algoritmi II
Blocco "Il Linguaggio Python"

  • Python: origini e filosofia, l'interprete; da C a python
  • Operatori, indentazione e strutture di controllo in python
  • Il sistema dei tipi, inferenza di tipo in python
  • Strutture di dati dinamiche e gestione della memoria
  • Sottoprogrammi, meccanismi di passaggio di parametri, scoping
  • Elementi avanzati di programmazione Python
  • Effective Python Programming: utilizzo concreto e confronto critico con il linguaggio C
    Blocco "Programmazione Funzionale"
  • Analisi e scomposizione di un problema in funzioni, funzioni e semantica, funzioni come oggetti di prima classe
  • Funzioni anonime
  • Ricorsione: concetto e tecniche di progettazione di codice ricorsivo
  • Primitive funzionali notevoli
  • Effective Functional Programming, vantaggi, svantaggi e scelte di utilizzo di un approccio funzionale
    Blocco "Programmazione Concorrente e Parallela"
  • Il concetto di programmazione concorrente e parallela, macchine e sistemi operativi, race conditions, sincronizzazione e condivisione di risorse
  • Programmazione parallela su task disgiunti, parallelizzazione a livello di costrutto
  • Programmazione concorrente multithreading
  • Programmazione concorrente multi-processo
  • Programmazione parallela e concorrente per sfruttare bene le risorse di calcolo CPU e GPU
    Blocco "Modularità e Classi"
  • Factoring, Locality, Encapsulation, Information Hiding
  • Abstract Data Types
  • Obiettivi, filosofia e nomenclatura della programmazione orientata agli oggetti
  • Classi Python, "magic" methods (dunder), packages, decorations
  • Tipi Parametrici e generics
  • Fattorizzazione, semantica e impatto sulla programmazione con assistenti AI
    Blocco "Algoritmi su Grafo"
  • Grafi: definizioni, proprietà, rappresentazioni
  • Algoritmi tree-search ad etichettatura statica (breadth-first search, depth-first search)
  • Algoritmi tree-search ad etichettatura dinamica (Algoritmo di Dijkstra)
  • Analisi e miglioramento di algoritmi tree-search
  • Heap, priority queues
  • Componenti connesse in grafi dinamici, union-find
  • I grafi nelle applicazioni di Sicurezza Informatica
  • Greedy e Ricerca Esaustiva (contesto e motivazioni)
  • Elementi di analisi della complessità algoritmica
  • Spanning Trees
    Blocco "Elementi di Progettazione e Analisi di Algoritmi"
  • Programmazione Dinamica
  • Knapsack, string matching
  • Algoritmi e crittosistemi
  • Progettare un algoritmo: dall'idea all'implementazione efficiente, passando per l'analisi di complessità

Modalità d'esame

L'esame si svolgerà in presenza.
Le prove avranno la forma di domande aperte o chiuse in modo da valutare da un lato la capacità dello studente di spiegare e interpretare i contenuti e dall'altro la capacità di combinare in modo nuovo elementi noti originando e creando nuova conoscenza o nuovi punti di vista. In aggiunta, al fine di di valutare la capacità dello studente di analizzare la situazione problematica, applicare e dimostrare le procedure sul caso specifico, le prove avranno anche la forma di risoluzione di problemi concreti ed esercizi pratici.

Testi di riferimento

Machine Learning
Note e lucidi a cura dei docenti, disponibili sulla piattaforma.

Analisi e Visualizzazione dei Dati
Note e lucidi a cura dei docenti, disponibili sulla piattaforma.
Author: Stephen Few, Title: Show Me the Numbers: Designing Tables and Graphs to Enlighten, ISBN 0970601999, Publisher: Analytics Press, September 2004.
Author: Stephen Few, Title: Title: Now You See It: An Introduction to Visual Data Sensemaking, Publisher: Analytics Press, 2021

Programmazione e Algoritmi II
Libri suggeriti per il linguaggio python:

  • Learning Python (Lutz) - 6a edizione
    Libri suggeriti per lo studio di algoritmi e strutture dati:
  • Introduction to algorithms (Cormen, Leiserson, Rivest, Stein) - 4a edizione

Codice insegnamento fondamenti-di-ai

Matematica e fondamenti di programmazione 1° anno · 21 CFU · INFO-01/A · 0 file

Il cluster è finalizzato a fornire allo studente le conoscenze matematiche, metodologiche e operative di base necessarie per l'analisi e la risoluzione di problemi mediante modellazione matematica e successiva…

Scheda dell'insegnamento

Obiettivi formativi

Il cluster è finalizzato a fornire allo studente le conoscenze matematiche, metodologiche e operative di base necessarie per l'analisi e la risoluzione di problemi mediante modellazione matematica e successiva implementazione algoritmica.Il percorso formativo introduce il linguaggio formale e i concetti fondamentali della matematica, utili per la descrizione di dati, relazioni e problemi, affiancandoli ai fondamenti della programmazione e degli algoritmi. In particolare, vengono fornite le prime competenze di sviluppo software, con riferimento ai meccanismi essenziali della computazione e al ragionamento algoritmico finalizzato alla risoluzione di problemi formalizzati in termini matematici.Il cluster è progettato per accompagnare anche studenti privi di esperienze pregresse, guidandoli progressivamente dalla formalizzazione del problema alla progettazione della soluzione algoritmica e alla sua implementazione. L'obiettivo formativo è la costruzione di una preparazione solida e coerente, propedeutica ai cluster successivi, nei quali le competenze matematiche e di programmazione acquisite vengono riutilizzate e approfondite in contesti applicativi più complessi.Il cluster si articola nei moduli Programmazione e Algoritmi I, Matematica I e Matematica II, progettati in modo integrato. I moduli concorrono congiuntamente allo sviluppo delle competenze previste, integrando le basi matematiche del continuo e del discreto con i fondamenti di programmazione e algoritmi, al fine di sviluppare capacità di formalizzazione dei problemi, progettazione algoritmica e implementazione delle soluzioni.

Conoscenza e capacità di comprensioneAl termine del cluster, lo studente acquisisce le conoscenze di base di matematica del discreto e del continuo e fondamenti di programmazione e algoritmi, necessarie per la formalizzazione e la descrizione rigorosa di problemi, dati e relazioni, utilizzando correttamente il linguaggio formale e la notazione di riferimento. In particolare, lo studente è in grado di:· analizzare un problema e scomporlo in sotto problemi, definendo una soluzione mediante modellazione matematica e progettazione algoritmica;· tradurre una soluzione in un algoritmo, motivando le scelte progettuali adottate;· implementare soluzioni algoritmiche in un linguaggio di programmazione imperativo, utilizzando strutture di controllo, funzioni e strutture dati di base;· verificare e migliorare la correttezza delle soluzioni implementate attraverso attività elementari di test, debugging e documentazione essenziale.Autonomia di giudizioLo studente sviluppa la capacità di:· valutare in modo qualitativo la correttezza delle soluzioni proposte;· stimare, in termini intuitivi, la complessità computazionale di un algoritmo (numero di operazioni) e la sua scalabilità al crescere della dimensione dei dati;· confrontare soluzioni alternative in relazione a semplicità, efficienza e chiarezza implementativa.Abilità comunicativeAl termine del cluster, lo studente è in grado di comunicare in modo chiaro e formalmente corretto, anche in forma scritta, il problema affrontato, il modello adottato, la soluzione algoritmica proposta e i risultati ottenuti, utilizzando un linguaggio appropriato al contesto scientifico e tecnico.Capacità di apprendimentoLo studente acquisisce la capacità di:· reperire, selezionare e utilizzare in autonomia risorse didattiche e di approfondimento (testi, dispense, tutorial, documentazione tecnica) per colmare lacune e approfondire concetti matematici e di programmazione;· affrontare problemi ed esercizi non precedentemente trattati, formulando ipotesi risolutive, scomponendo il problema in parti elementari e verificando correttezza ed efficienza delle soluzioni;· adottare in autonomia strumenti e pratiche di sviluppo (ad esempio ambienti di sviluppo, controllo di versione e test) per migliorare la qualità, la tracciabilità e la manutenibilità del codice.

Programma

Matematica I

  • Operazioni di base tra insiemi: unione, intersezione, differenza insiemistica. Relazioni e relative proprietà fondamentali: transitività, riflessività, simmetria. Relazioni di equivalenza e d'ordine.
  • Insiemi fondamentali di numeri: numeri naturali, interi, razionali e complessi.
  • Equazioni, disequazioni algebriche e trascendenti. Funzioni elementari.
  • Principio d'induzione.
  • Vettori, operazioni tra vettori. Matrici: operazioni tra matrici, relazione tra matrici e sistemi lineari, metodo di Gauss.
  • Nozioni base di geometria: piani, rette, parallelismo, perpendicolarità.

Matematica II

  • Successioni di numeri reali.
  • Funzioni di una variabile reale.
  • Limiti di funzioni e continuità.
  • Calcolo differenziale e derivabilità.
  • Studio di funzioni.
  • Calcolo Integrale.
  • Integrali indefiniti e definiti.
  • Calcolo di aree e volumi.
  • Integrali impropri.

Programmazione e Algoritmi I
Introduzione alla programmazione

  • Linguaggi formali, automi e Macchina di Turing come fondamenti teorici della programmazione.
  • Architettura degli elaboratori e rappresentazione delle informazioni.
  • Concetto di algoritmo e principali notazioni formali.
  • Dalla programmazione non strutturata a quella strutturata.
    Fondamenti del linguaggio C
  • Struttura di un programma C e processo di compilazione.
  • Tipi di dato, operatori, espressioni e macro.
  • Strutture di controllo, cicli e istruzioni di salto.
  • Vettori, stringhe ed estensione del sistema dei tipi.
    Funzioni, puntatori e organizzazione dei dati
  • Funzioni, scope delle variabili e modularizzazione del codice.
  • Passaggio dei parametri e meccanismi di chiamata e ritorno.
  • Puntatori, vettori e gestione della memoria.
  • Strutture dati definite dall'utente e uso avanzato dei puntatori.
  • Gestione dei file e dell'input/output.
    Memoria dinamica e paradigmi di programmazione
  • Allocazione dinamica della memoria e ricorsione.
  • Puntatori a funzione e qualificatori del linguaggio.
  • Introduzione ai paradigmi imperativo, funzionale e logico.
    Astrazione e progettazione del software
  • Astrazione e modellazione dei sistemi software.
  • Tipi di dato astratti e organizzazione del codice.
  • Testing, sviluppo e qualità del software.
  • Analisi della complessità e notazioni asintotiche.
    Algoritmi e strutture dati
  • Liste lineari e doppiamente concatenate.
  • Pile, code, alberi e grafi.
  • Algoritmi di ricerca e ordinamento.
  • Tecniche di hashing e strutture per la ricerca efficiente.

Modalità d'esame

L'esame si svolgerà in presenza.
Le prove avranno la forma di domande aperte o chiuse in modo da valutare da un lato la capacità dello studente di spiegare e interpretare i contenuti e dall'altro la capacità di combinare in modo nuovo elementi noti originando e creando nuova conoscenza o nuovi punti di vista. In aggiunta, al fine di di valutare la capacità dello studente di analizzare la situazione problematica, applicare e dimostrare le procedure sul caso specifico, le prove avranno anche la forma di risoluzione di problemi concreti ed esercizi pratici.

Testi di riferimento

Matematica I
Raccolta di esercizi e problemi (in parte svolti o con soluzione) sugli argomenti fondamentali dei due moduli.
Per approfondimenti teorici ed ulteriori esercizi si consiglia il testo: "Elementi di Analisi Matematica Uno" Autori: Sbordone, Marcellini, Ed. Liguori, ISBN: 9788820733834

Matematica II
Raccolta di esercizi e problemi (in parte svolti o con soluzione) sugli argomenti fondamentali dei due moduli.
Per approfondimenti teorici ed ulteriori esercizi si consiglia il testo: "Elementi di Analisi Matematica Uno" Autori: Sbordone, Marcellini, Ed. Liguori, ISBN: 9788820733834

Programmazione e Algoritmi I
Dispense e lucidi a cura dei docenti, disponibili sulla piattaforma.

Codice insegnamento matematica-e-fondamenti-di-programmazione

Approfondimenti di ai e sicurezza informatica 2° anno · 21 CFU · IINF-05/A · 0 file

Il cluster è finalizzato a fornire allo studente conoscenze integrate e di approfondimento su temi selezionati di intelligenza artificiale, con particolare riferimento al deep learning, e di sicurezza informatica, in…

Scheda dell'insegnamento

Obiettivi formativi

Il cluster è finalizzato a fornire allo studente conoscenze integrate e di approfondimento su temi selezionati di intelligenza artificiale, con particolare riferimento al deep learning, e di sicurezza informatica, in continuità con le competenze introdotte nei cluster precedenti. Il percorso combina lo sviluppo e la valutazione sperimentale di modelli con attività di analisi di minacce in contesti controllati e autorizzati, al fine di consolidare un approccio metodologico alla sperimentazione.Vengono introdotti e consolidati i fondamenti dei modelli di deep learning, con riferimento alle principali architetture e strategie di addestramento, considerando aspetti di robustezza e requisiti di sicurezza nella progettazione e valutazione dei modelli. In parallelo, il cluster affronta principi e metodologie di sicurezza offensiva con finalità esclusivamente didattiche, concentrandosi su identificazione di vulnerabilità e analisi del comportamento degli attacchi in ambienti dedicati, nel rispetto di vincoli di autorizzazione e di pratiche responsabili.Il cluster si articola nei moduli Deep Learning, Offensive Security e Laboratorio su AI, progettati in modo coerente e coordinato. I moduli concorrono congiuntamente allo sviluppo delle competenze previste integrando sperimentazione su dati e modelli, analisi delle superfici di attacco e ragionamento sulle possibili mitigazioni, con attenzione alla tracciabilità delle attività svolte e alla produzione di documentazione tecnica essenziale.

Conoscenza e capacità di comprensioneAl termine del cluster, lo studente acquisisce conoscenze necessarie per comprendere metodi di deep learning e fasi operative della sicurezza offensiva in contesti controllati. In particolare, lo studente è in grado di:· descrivere i concetti chiave del deep learning e il ruolo delle principali architetture e tecniche di addestramento in applicazioni moderne;· descrivere fasi e obiettivi di un processo di sicurezza offensiva con finalità didattiche (ricognizione, analisi delle vulnerabilità, validazione), chiarendo il ruolo di ambienti controllati e autorizzazioni.Capacità di applicare conoscenza e comprensioneAl termine del cluster, lo studente è in grado di:· impostare dati, obiettivi e procedure di valutazione per addestrare e valutare modelli di deep learning utilizzando strumenti e librerie standard, in scenari di laboratorio;· svolgere attività guidate di sicurezza offensiva in contesti controllati e autorizzati, raccogliendo evidenze e collegando osservazioni a possibili mitigazioni;· organizzare flussi sperimentali riproducibili (codice, dati, configurazioni) e produrre artefatti tecnici strutturati (ad es. notebook e report sintetici).Autonomia di giudizioLo studente sviluppa la capacità di:· interpretare le prestazioni dei modelli e riconoscere criticità tipiche (sovra-adattamento/sotto-adattamento), proponendo azioni correttive motivate;· valutare criticamente le evidenze raccolte in attività di sicurezza offensiva guidate, esplicitando limiti, rischi residui e trade-off delle opzioni di mitigazione.Abilità comunicativeAl termine del cluster, lo studente è in grado di documentare in modo chiaro e tecnicamente corretto esperimenti e risultati (AI e sicurezza), includendo assunzioni, limiti e implicazioni operative.Capacità di apprendimentoLo studente acquisisce la capacità di:· consultare e sintetizzare risorse specialistiche (articoli scientifici, documentazione tecnica) per riprodurre, adattare o estendere metodi di deep learning e tecniche di sicurezza in contesti controllati;· progettare in autonomia esperimenti e verifiche curando tracciabilità e riproducibilità (versionamento di codice, dati e configurazioni) e valutando criticamente i risultati;· aggiornare strumenti e metodologie di analisi e test in modo responsabile, operando solo in contesti autorizzati e nel rispetto di principi etici e normativi.

Programma

Conoscenza e capacità di comprensioneAl termine del cluster, lo studente acquisisce conoscenze necessarie per comprendere metodi di deep learning e fasi operative della sicurezza offensiva in contesti controllati. In particolare, lo studente è in grado di:· descrivere i concetti chiave del deep learning e il ruolo delle principali architetture e tecniche di addestramento in applicazioni moderne;· descrivere fasi e obiettivi di un processo di sicurezza offensiva con finalità didattiche (ricognizione, analisi delle vulnerabilità, validazione), chiarendo il ruolo di ambienti controllati e autorizzazioni.Capacità di applicare conoscenza e comprensioneAl termine del cluster, lo studente è in grado di:· impostare dati, obiettivi e procedure di valutazione per addestrare e valutare modelli di deep learning utilizzando strumenti e librerie standard, in scenari di laboratorio;· svolgere attività guidate di sicurezza offensiva in contesti controllati e autorizzati, raccogliendo evidenze e collegando osservazioni a possibili mitigazioni;· organizzare flussi sperimentali riproducibili (codice, dati, configurazioni) e produrre artefatti tecnici strutturati (ad es. notebook e report sintetici).Autonomia di giudizioLo studente sviluppa la capacità di:· interpretare le prestazioni dei modelli e riconoscere criticità tipiche (sovra-adattamento/sotto-adattamento), proponendo azioni correttive motivate;· valutare criticamente le evidenze raccolte in attività di sicurezza offensiva guidate, esplicitando limiti, rischi residui e trade-off delle opzioni di mitigazione.Abilità comunicativeAl termine del cluster, lo studente è in grado di documentare in modo chiaro e tecnicamente corretto esperimenti e risultati (AI e sicurezza), includendo assunzioni, limiti e implicazioni operative.Capacità di apprendimentoLo studente acquisisce la capacità di:· consultare e sintetizzare risorse specialistiche (articoli scientifici, documentazione tecnica) per riprodurre, adattare o estendere metodi di deep learning e tecniche di sicurezza in contesti controllati;· progettare in autonomia esperimenti e verifiche curando tracciabilità e riproducibilità (versionamento di codice, dati e configurazioni) e valutando criticamente i risultati;· aggiornare strumenti e metodologie di analisi e test in modo responsabile, operando solo in contesti autorizzati e nel rispetto di principi etici e normativi.

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento approfondimenti-di-ai-e-sicurezza-informatica

Fondamenti di gestione dati e sicurezza informatica 2° anno · 24 CFU · GIUR-14/A · 0 file

Il cluster è finalizzato a fornire allo studente le conoscenze di base per comprendere come i dati e le informazioni vengono organizzati, archiviati, interrogati e gestiti nei sistemi digitali, con particolare…

Scheda dell'insegnamento

Obiettivi formativi

Il cluster è finalizzato a fornire allo studente le conoscenze di base per comprendere come i dati e le informazioni vengono organizzati, archiviati, interrogati e gestiti nei sistemi digitali, con particolare riferimento alle basi di dati e ai principali processi di gestione del ciclo di vita dell'informazione (qualità, integrità, disponibilità).Parallelamente, il cluster introduce i fondamenti della sicurezza informatica in ottica difensiva, affrontando minacce e vulnerabilità tipiche e le principali strategie di protezione, rilevazione e risposta. Il percorso include inoltre elementi essenziali del quadro etico-giuridico e penale connesso a dati, sicurezza e intelligenza artificiale, al fine di sviluppare consapevolezza delle responsabilità professionali e dell'impatto delle scelte tecnologiche.Il cluster si articola nei moduli Database, Defensive Security, Aspetti penali ed etici della AI e della sicurezza, progettati in modo coerente e coordinato. I moduli concorrono congiuntamente allo sviluppo delle competenze previste integrando gestione dei dati, principi di protezione e gestione del rischio, e aspetti di responsabilità e conformità, così da supportare scelte informate in scenari applicativi introduttivi.

Conoscenza e capacità di comprensioneAl termine del cluster, lo studente acquisisce conoscenze di base relative a basi di dati, sicurezza difensiva e quadro etico-giuridico, necessarie per comprendere il ruolo dei dati nei sistemi digitali e le principali implicazioni di sicurezza e responsabilità. In particolare, lo studente è in grado di:· descrivere concetti fondamentali di basi di dati e sistemi di gestione dei dati (modelli, schemi, vincoli, transazioni in termini introduttivi);· riconoscere aspetti essenziali di qualità del dato, integrità e gestione del ciclo di vita delle informazioni nei sistemi digitali;· descrivere le principali categorie di minacce e vulnerabilità e i principi generali delle strategie difensive (prevenzione, rilevazione, risposta);· illustrare i riferimenti essenziali di responsabilità professionale ed elementi di etica e diritto applicabili a dati, sicurezza e uso dell'intelligenza artificiale (in termini introduttivi).Capacità di applicare conoscenza e comprensioneAl termine del cluster, lo studente è in grado di:· progettare e interrogare basi di dati, formulando query e interpretandone correttamente i risultati in scenari guidati;· applicare pratiche e misure di base per la gestione sicura dei dati e dei sistemi informativi, coerenti con i requisiti di integrità, riservatezza e disponibilità, in casi studio guidati e con strumenti e metodi introduttivi.· riconoscere e descrivere, su casi studio, le misure di mitigazione più appropriate rispetto a minacce comuni.Autonomia di giudizioLo studente sviluppa la capacità di:· applicare concetti introduttivi di gestione del rischio (identificazione di asset/minacce, valutazione qualitativa dell'impatto, priorità) per motivare scelte di sicurezza di base;· valutare, in modo qualitativo, trade-off tra sicurezza, usabilità e vincoli operativi nelle scelte elementari di protezione e gestione dei dati;· inquadrare correttamente implicazioni etiche e legali connesse a dati, sicurezza e intelligenza artificiale, adottando un approccio responsabile.Abilità comunicativeAl termine del cluster, lo studente è in grado di comunicare in modo chiaro e tecnicamente corretto, anche in forma scritta, requisiti essenziali, misure adottate e motivazioni (incluse limitazioni e rischi residui) in semplici casi di gestione dati e sicurezza.Capacità di apprendimentoLo studente acquisisce la capacità di:· mantenersi aggiornato su evoluzioni tecniche e normative rilevanti (vulnerabilità, mitigazioni, buone pratiche, aspetti etici e legali), selezionando fonti affidabili;· apprendere autonomamente l'uso di strumenti e piattaforme per la gestione dei dati e la sicurezza (ad esempio sistemi di database, controllo accessi, logging e auditing), valutandone impatti e vincoli;· integrare conoscenze interdisciplinari (tecniche, organizzative, giuridiche) per motivare scelte progettuali e operative in contesti applicativi introduttivi.

Programma

Conoscenza e capacità di comprensioneAl termine del cluster, lo studente acquisisce conoscenze di base relative a basi di dati, sicurezza difensiva e quadro etico-giuridico, necessarie per comprendere il ruolo dei dati nei sistemi digitali e le principali implicazioni di sicurezza e responsabilità. In particolare, lo studente è in grado di:· descrivere concetti fondamentali di basi di dati e sistemi di gestione dei dati (modelli, schemi, vincoli, transazioni in termini introduttivi);· riconoscere aspetti essenziali di qualità del dato, integrità e gestione del ciclo di vita delle informazioni nei sistemi digitali;· descrivere le principali categorie di minacce e vulnerabilità e i principi generali delle strategie difensive (prevenzione, rilevazione, risposta);· illustrare i riferimenti essenziali di responsabilità professionale ed elementi di etica e diritto applicabili a dati, sicurezza e uso dell'intelligenza artificiale (in termini introduttivi).Capacità di applicare conoscenza e comprensioneAl termine del cluster, lo studente è in grado di:· progettare e interrogare basi di dati, formulando query e interpretandone correttamente i risultati in scenari guidati;· applicare pratiche e misure di base per la gestione sicura dei dati e dei sistemi informativi, coerenti con i requisiti di integrità, riservatezza e disponibilità, in casi studio guidati e con strumenti e metodi introduttivi.· riconoscere e descrivere, su casi studio, le misure di mitigazione più appropriate rispetto a minacce comuni.Autonomia di giudizioLo studente sviluppa la capacità di:· applicare concetti introduttivi di gestione del rischio (identificazione di asset/minacce, valutazione qualitativa dell'impatto, priorità) per motivare scelte di sicurezza di base;· valutare, in modo qualitativo, trade-off tra sicurezza, usabilità e vincoli operativi nelle scelte elementari di protezione e gestione dei dati;· inquadrare correttamente implicazioni etiche e legali connesse a dati, sicurezza e intelligenza artificiale, adottando un approccio responsabile.Abilità comunicativeAl termine del cluster, lo studente è in grado di comunicare in modo chiaro e tecnicamente corretto, anche in forma scritta, requisiti essenziali, misure adottate e motivazioni (incluse limitazioni e rischi residui) in semplici casi di gestione dati e sicurezza.Capacità di apprendimentoLo studente acquisisce la capacità di:· mantenersi aggiornato su evoluzioni tecniche e normative rilevanti (vulnerabilità, mitigazioni, buone pratiche, aspetti etici e legali), selezionando fonti affidabili;· apprendere autonomamente l'uso di strumenti e piattaforme per la gestione dei dati e la sicurezza (ad esempio sistemi di database, controllo accessi, logging e auditing), valutandone impatti e vincoli;· integrare conoscenze interdisciplinari (tecniche, organizzative, giuridiche) per motivare scelte progettuali e operative in contesti applicativi introduttivi.

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento UC24530

Sicurezza intelligente 2° anno · 18 CFU · INFO-01/A · 0 file

Il cluster è finalizzato ad approfondire temi emergenti relativi all'interazione tra intelligenza artificiale e sicurezza informatica, con particolare riferimento ai modelli generativi e alle architetture basate su…

Scheda dell'insegnamento

Obiettivi formativi

Il cluster è finalizzato ad approfondire temi emergenti relativi all'interazione tra intelligenza artificiale e sicurezza informatica, con particolare riferimento ai modelli generativi e alle architetture basate su agenti (agentic AI), e ai relativi impatti su sistemi e processi digitali. Il percorso introduce i principi di funzionamento dei modelli generativi e ne inquadra i principali ambiti applicativi, evidenziando opportunità, limiti e profili di rischio.Il cluster approfondisce il ruolo dell'AI nei processi di cybersecurity sia come supporto alle capacità di difesa (ad esempio per analisi, rilevamento e supporto alla risposta) sia come tecnologia che introduce nuove superfici di attacco e vulnerabilità, con particolare attenzione a rischi specifici dei sistemi basati su modelli (ad esempio manipolazioni di input, esposizione di informazioni, abuso e dipendenze da componenti esterne). L'obiettivo formativo è sviluppare una visione integrata che includa aspetti tecnici, principi di governance e misure di protezione per l'adozione e l'uso responsabile di sistemi che impiegano modelli di AI.Il cluster si articola nei moduli Generative AI e Sicurezza e AI, progettati in modo coerente e coordinato. I moduli concorrono congiuntamente allo sviluppo delle competenze previste, integrando fondamenti di AI generativa con l'analisi dei rischi e delle principali mitigazioni connesse all'uso dell'AI in scenari di sicurezza, secondo le prospettive complementari di AI per la sicurezza e sicurezza dell'AI.

Conoscenza e capacità di comprensioneAl termine del cluster, lo studente è in grado di descrivere i principi di base dei modelli generativi e le principali aree applicative dell'intelligenza artificiale generativa, includendo i possibili impatti sui sistemi digitali.Capacità di applicare conoscenza e comprensioneAl termine del cluster, lo studente è in grado di:· applicare principi e tecniche di base per l'uso sicuro di sistemi basati su intelligenza artificiale generativa in uno scenario assegnato, definendo requisiti minimi di protezione (ad esempio gestione dei dati sensibili, controllo degli input e degli output, tracciabilità delle interazioni, controllo degli accessi) e traducendoli in scelte operative motivate;· impostare ed eseguire una valutazione pratica dei rischi di sicurezza di un sistema che impiega modelli generativi, definendo casi di test e scenari controllati (ad esempio tentativi di manipolazione dell'input, richieste non autorizzate, esposizione di informazioni), raccogliendo evidenze e risultati, e selezionando misure di mitigazione appropriate, documentandone efficacia e limiti.Autonomia di giudizioLo studente sviluppa la capacità di:· valutare rischi e minacce tipiche associate a sistemi basati su modelli generativi (ad esempio esposizione di dati, manipolazioni dell'input, uso improprio), individuando requisiti di protezione;· analizzare come l'AI possa supportare attività di difesa e risposta, chiarendo benefici e limiti rispetto a metodi tradizionali;· riconoscere nuove superfici di attacco e vulnerabilità introdotte dall'adozione di modelli di AI, discutendo scenari realistici e possibili misure di mitigazione;· proporre misure di mitigazione e principi di governance per un uso sicuro e responsabile di sistemi di AI in contesti operativi.Abilità comunicativeAl termine del cluster, lo studente è in grado di comunicare in modo chiaro implicazioni e trade-off di sicurezza legati a scelte di progettazione e utilizzo dell'AI, utilizzando terminologia appropriata e argomentazioni strutturate.Capacità di apprendimentoLo studente acquisisce la capacità di:· aggiornare in autonomia conoscenze e strumenti relativi a modelli generativi e alle loro implicazioni per la sicurezza (minacce emergenti, contromisure, valutazione del rischio);· sperimentare e confrontare strategie e configurazioni (ad esempio tecniche di prompting e di valutazione) per migliorare affidabilità, sicurezza e trasparenza dei risultati;· apprendere nuove soluzioni e librerie per integrare modelli di intelligenza artificiale generativa in flussi applicativi, documentando scelte e limitazioni.

Programma

Conoscenza e capacità di comprensioneAl termine del cluster, lo studente è in grado di descrivere i principi di base dei modelli generativi e le principali aree applicative dell'intelligenza artificiale generativa, includendo i possibili impatti sui sistemi digitali.Capacità di applicare conoscenza e comprensioneAl termine del cluster, lo studente è in grado di:· applicare principi e tecniche di base per l'uso sicuro di sistemi basati su intelligenza artificiale generativa in uno scenario assegnato, definendo requisiti minimi di protezione (ad esempio gestione dei dati sensibili, controllo degli input e degli output, tracciabilità delle interazioni, controllo degli accessi) e traducendoli in scelte operative motivate;· impostare ed eseguire una valutazione pratica dei rischi di sicurezza di un sistema che impiega modelli generativi, definendo casi di test e scenari controllati (ad esempio tentativi di manipolazione dell'input, richieste non autorizzate, esposizione di informazioni), raccogliendo evidenze e risultati, e selezionando misure di mitigazione appropriate, documentandone efficacia e limiti.Autonomia di giudizioLo studente sviluppa la capacità di:· valutare rischi e minacce tipiche associate a sistemi basati su modelli generativi (ad esempio esposizione di dati, manipolazioni dell'input, uso improprio), individuando requisiti di protezione;· analizzare come l'AI possa supportare attività di difesa e risposta, chiarendo benefici e limiti rispetto a metodi tradizionali;· riconoscere nuove superfici di attacco e vulnerabilità introdotte dall'adozione di modelli di AI, discutendo scenari realistici e possibili misure di mitigazione;· proporre misure di mitigazione e principi di governance per un uso sicuro e responsabile di sistemi di AI in contesti operativi.Abilità comunicativeAl termine del cluster, lo studente è in grado di comunicare in modo chiaro implicazioni e trade-off di sicurezza legati a scelte di progettazione e utilizzo dell'AI, utilizzando terminologia appropriata e argomentazioni strutturate.Capacità di apprendimentoLo studente acquisisce la capacità di:· aggiornare in autonomia conoscenze e strumenti relativi a modelli generativi e alle loro implicazioni per la sicurezza (minacce emergenti, contromisure, valutazione del rischio);· sperimentare e confrontare strategie e configurazioni (ad esempio tecniche di prompting e di valutazione) per migliorare affidabilità, sicurezza e trasparenza dei risultati;· apprendere nuove soluzioni e librerie per integrare modelli di intelligenza artificiale generativa in flussi applicativi, documentando scelte e limitazioni.

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento sicurezza-intelligente

Complementi di sicurezza 3° anno · 18 CFU · IINF-05/A · 0 file

Il cluster è finalizzato ad approfondire aspetti applicativi della sicurezza informatica connessi alla progettazione, allo sviluppo e alla protezione di sistemi software. Il percorso introduce principi e pratiche di…

Scheda dell'insegnamento

Obiettivi formativi

Il cluster è finalizzato ad approfondire aspetti applicativi della sicurezza informatica connessi alla progettazione, allo sviluppo e alla protezione di sistemi software. Il percorso introduce principi e pratiche di progettazione e sviluppo sicuro lungo il ciclo di vita del software, con attenzione a metodi che riducono vulnerabilità e rischi dalle fasi di analisi e progettazione fino a implementazione, test e verifica.Il cluster affronta inoltre le principali problematiche di sicurezza in ambito web e mobile, analizzando classi ricorrenti di vulnerabilità e corrispondenti strategie di mitigazione. Le attività di laboratorio supportano l'applicazione dei concetti mediante casi studio guidati e l'utilizzo di strumenti di analisi e verifica in contesti controllati e autorizzati, promuovendo un approccio metodico all'individuazione delle debolezze e alla valutazione dell'efficacia delle contromisure.Il cluster si articola nei moduli Progettazione Software Sicuro, Sicurezza nei sistemi Web e Mobile e Laboratorio su Cybersecurity, progettati in modo coerente e coordinato. I moduli concorrono congiuntamente allo sviluppo delle competenze previste integrando principi di progettazione sicura, conoscenza delle vulnerabilità web/mobile e attività di verifica in contesti controllati, con attenzione alla documentazione tecnica essenziale e alla tracciabilità delle attività svolte.

Conoscenza e capacità di comprensioneAl termine del cluster, lo studente è in grado di:· riconoscere le principali vulnerabilità in contesti web e mobile e descriverne cause tipiche e impatti;· descrivere principi fondamentali di progettazione e sviluppo sicuro lungo il ciclo di vita del software, includendo il ruolo di requisiti e verifiche.Capacità di applicare conoscenza e comprensioneAl termine del cluster, lo studente è in grado di:· applicare principi di progettazione e sviluppo sicuro lungo il ciclo di vita del software, individuando punti critici e requisiti di sicurezza in casi studio guidati;· condurre attività introduttive di analisi delle minacce (threat modeling) e collegare minacce, vulnerabilità e misure di mitigazione a livello di applicazione;· proporre e applicare strategie di mitigazione (validazione input, gestione delle sessioni, controllo accessi, protezione dei dati) in modo motivato, in funzione dello scenario e dei vincoli;· utilizzare strumenti di analisi e test con metodi introduttivi (statici/dinamici) per individuare debolezze e verificare la correzione in scenari di laboratorio controllati e autorizzati.Autonomia di giudizioLo studente sviluppa la capacità di:· definire priorità di intervento e remediation valutando qualitativamente impatto, probabilità e vincoli operativi, esplicitando limiti e trade-off;· valutare l'efficacia delle contromisure e il rischio residuo sulla base delle evidenze raccolte in casi studio guidati.Abilità comunicativeAl termine del cluster, lo studente è in grado di:· documentare risultati e raccomandazioni in modo chiaro, includendo motivazioni, priorità, limiti e trade-off di remediation, utilizzando linguaggio tecnico appropriato.Capacità di apprendimentoLo studente acquisisce la capacità di:· mantenersi aggiornato su pratiche di progettazione e sviluppo sicuro (linee guida, standard, framework) e trasferirle a contesti applicativi nuovi;· interpretare advisory di sicurezza e note di rilascio (patch/aggiornamenti) per pianificare interventi di mitigazione e verifiche, valutando impatti e priorità;· apprendere nuovi strumenti di analisi statica/dinamica e di verifica della sicurezza applicativa in contesti controllati e autorizzati, documentando procedure e risultati e operando nel rispetto di vincoli di autorizzazione.

Programma

Conoscenza e capacità di comprensioneAl termine del cluster, lo studente è in grado di:· riconoscere le principali vulnerabilità in contesti web e mobile e descriverne cause tipiche e impatti;· descrivere principi fondamentali di progettazione e sviluppo sicuro lungo il ciclo di vita del software, includendo il ruolo di requisiti e verifiche.Capacità di applicare conoscenza e comprensioneAl termine del cluster, lo studente è in grado di:· applicare principi di progettazione e sviluppo sicuro lungo il ciclo di vita del software, individuando punti critici e requisiti di sicurezza in casi studio guidati;· condurre attività introduttive di analisi delle minacce (threat modeling) e collegare minacce, vulnerabilità e misure di mitigazione a livello di applicazione;· proporre e applicare strategie di mitigazione (validazione input, gestione delle sessioni, controllo accessi, protezione dei dati) in modo motivato, in funzione dello scenario e dei vincoli;· utilizzare strumenti di analisi e test con metodi introduttivi (statici/dinamici) per individuare debolezze e verificare la correzione in scenari di laboratorio controllati e autorizzati.Autonomia di giudizioLo studente sviluppa la capacità di:· definire priorità di intervento e remediation valutando qualitativamente impatto, probabilità e vincoli operativi, esplicitando limiti e trade-off;· valutare l'efficacia delle contromisure e il rischio residuo sulla base delle evidenze raccolte in casi studio guidati.Abilità comunicativeAl termine del cluster, lo studente è in grado di:· documentare risultati e raccomandazioni in modo chiaro, includendo motivazioni, priorità, limiti e trade-off di remediation, utilizzando linguaggio tecnico appropriato.Capacità di apprendimentoLo studente acquisisce la capacità di:· mantenersi aggiornato su pratiche di progettazione e sviluppo sicuro (linee guida, standard, framework) e trasferirle a contesti applicativi nuovi;· interpretare advisory di sicurezza e note di rilascio (patch/aggiornamenti) per pianificare interventi di mitigazione e verifiche, valutando impatti e priorità;· apprendere nuovi strumenti di analisi statica/dinamica e di verifica della sicurezza applicativa in contesti controllati e autorizzati, documentando procedure e risultati e operando nel rispetto di vincoli di autorizzazione.

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento complementi-di-sicurezza

Prova finale 3° anno · 3 CFU · 0 file
Tirocinio 3° anno · 18 CFU · 0 file

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.