Corso di laurea

Informatica

Università degli Studi di Modena e Reggio Emilia · 32 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

Algoritmi Di Crittografia 1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file

L’insegnamento intende fornire conoscenze approfondite sui principali algoritmi di crittografia asimmetrica per cifratura e firma digitale. Verranno altresì discussi i principali attacchi basati sia su possibili…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento intende fornire conoscenze approfondite sui principali algoritmi di crittografia asimmetrica per cifratura e firma digitale. Verranno altresì discussi i principali attacchi basati sia su possibili debolezze implementative sia su altri fattori di contesto. A quest’ultimo proposito, una porzione significativa del corso sarà dedicata a momenti di aggiornamento delle ricorrenti tecniche di “aggiramento” anche delle più evolute tecniche di cifratura, sulla scorta di esperienze pratiche ricavate dalla quotidiana attività di difesa e protezione dei sistemi. In tal contesto, in particolare per quanto attiene allo specifico modulo dedicato alla criminalità informatica, saranno analizzati nel dettaglio gli aspetti classici e le ultime evoluzioni delle fenomenologie criminali che interessano la materia con richiami generali alla normativa di riferimento. Saranno esposti come spunti di riflessione episodi di vulnerabilità riconducibili per la gran parte a tecniche sempre più raffinate di cd ingegneria sociale decisamente imperniate nello sfruttamento del fattore umano comunemente individuato come il reale anello debole della catena di ogni tipo di sicurezza. I singoli spunti pratici di riflessione saranno mirati ad affinare la più ampia sensibilizzazione sulle tematiche della sicurezza ed accrescere una matura consapevolezza critica degli studenti sulla necessità i una visione sistemica nella applicazione dei più evoluti processi tecnologici in un contesto di profonda rimodulazione di modelli organizzativi. In particolare, prendendo spunto da concrete casistiche ricavate da esperienze operative sul campo e da riflessioni sui report di rinomate organizzazioni di cyber security, saranno approfondite le tematiche connesse ai fenomeni più insidiosi di crimine informatico tramite tecniche di ransomware con richiami agli attacchi ai contesti aziendali e al sistema finanziario. Il tutto con il precipuo obiettivo di arricchire la "cassetta degli attrezzi” dei frequentatori agevolandone l’inserimento più proficuo nelle loro prossime attività. professionali.

Programma

L'insegnamento si svolge nel II semestre del I anno, per un totale di 42 ore di didattica frontale. La scansione dei contenuti sotto riportati, in termini di ore, è da intendersi come indicativa. 1. Introduzione e cenni sulla crittografia simmetrica (4h) 2. Algoritmi e basi matematiche per la crittografia asimmetrica (7h) 3. Il problema dello scambio di chiavi e protocollo di Diffie e Hellman (3 h) 4. Algoritmi e protocolli asimmetrici per la cifratura: RSA, Rabin, ElGamal (3h) 5. Firma digitale, algoritmi RSA, ElGamal, DSA (4h) 6. Approcci all’autenticazione: TLS e PGP (4h) 7. Curve ellittiche, proprietà a algoritmi per lo scambio di chiavi (ECDH) e per la firma digitale (ECDSA) (5h) 8. Criminalità informatica (14 h) - Crimini informatici e reati informatici - Sicurezza e criminalità informatica - Fattore umano e ingegneria sociale. Teoria e casi di studio - Crittografia criminale - Rischio Informatico nei contesti aziendali - Cybercrime nel settore finanziario - Esempi concreti di modelli di sicurezza informatica

Non ci sono prerequisiti formali. Tuttavia un certo grado di maturità matematica risulta più che utile per una adeguata comprensione dei risultati di algebra e teoria dei numeri su cui si basano gli attuali protocolli asimmetrici. Parimenti utile è aver seguito un corso di programmazione e uno di algoritmi.

La didattica è basata escusivamente su lezioni/esercitazioni da svolgere in aula. Gli studenti sono invitati, quando possibile, di portare il proprio computer portatile per lo svolgimento di esempi sotto la guida del docente. Il corso è erogato in lingua italiana. La frequenza non è obbligatoria ma fortemente consigliata. Tutte le informazioni tecniche e organizzative sull'insegnamento saranno caricate su piattaforma moodle.unimore.it. Si invita lo studente ad iscriversi ed a consultare tale piattaforma con regolarità. Si fa però presente che il materiale didattico aggiuntivo fornito dal docente sarà caricato su altra piattaforma (le indicazioni saranno però sempre su moodle).

Modalità d'esame

La prova d'esame consisterà in un colloquio orale della durata di circa 40 minuti. Il colloquio verterà esclusivamente sugli argomenti presentati a lezione. Oltre che sulla base dell'effettiva conoscenza dei contenuti (sufficiente di per se ad ottenere la sufficienza, in caso positivo) anche sulla approproprietezza del linguaggio tecnico, la chiarezza espositiva e la capacità di analizzare criticamente i casi applicativi presentati.

Testi di riferimento

Non c’è un testo preciso di riferimento. Il materiale didattico (dispense, appunti reperibili in rete, software, ...) verrà messo a disposizione dai docenti con indicazioni riportate sulla piattaforma moodle.unimore.it. Per consultazione si segnala comunque il seguente testo: J.P. Aumasson. Serious Cryptography. No Starch Press, San Francisco 2018

Codice insegnamento 25235

Algoritmi Di Ottimizzazione 1° anno · 1° semestre · 6 CFU · MATH-06/A · 0 file

Sviluppare capacità di risolvere problemi di ottimizzazione complessi tramite alcune delle più moderne ed efficienti tecniche: teoria dei grafi, constraint programming, linear programming, machine learning e…

Scheda dell'insegnamento

Obiettivi formativi

Sviluppare capacità di risolvere problemi di ottimizzazione complessi tramite alcune delle più moderne ed efficienti tecniche: teoria dei grafi, constraint programming, linear programming, machine learning e metaeuristiche. Presentare metodologie e tecniche matematico-algoritmiche per affrontare problemi computazionalmente complesssi. Sviluppare capacità di implementare algoritmi matematico-informatici in grado di risolvere problemi complessi.

Programma

Teoria (1.5 ECTS) - Teoria dei Grafi - Soddisfacibilità booleana (SAT) - Programmazione lineare intera (MILP) - Programmazione a vincoli (CP) - TSP e algoritmi Euristici (HEU) LAB (4.5 ECTS) - Sviluppo di risolutori

Conoscenze di base di programmazione lineare. Conoscenze di linguaggi base di programmazione: python

Lezioni frontali, esercitazioni di laboratorio, sviluppo di progetti in piccolo gruppi Il corso è erogato in lingua italiana, in presenza. La frequenza non è obbligatoria, ma fortemente consigliata, in particolare per la parte laboratoriale.

Modalità d'esame

L’esame consiste nella realizzazione di un progetto in python su un problema di ottimizzazione da sviluppare e implementare singolarmente o in piccoli gruppi (75%) e in un esame scritto sugli argomenti del corso (25%).

Testi di riferimento

Dispense dell'docente, disponibili online su Moodle Ronald L. Rardin (2017, second ed.), "Optimization in Operations Research", Pearson.

Codice insegnamento 26549

Autonomous Driving Systems 1° anno · 1° semestre · 9 CFU · IINF-05/A · 0 file

Il corso mira a fornire le nozioni necessarie per comprendere la pipeline di elaborazione di un sistema di guida autonoma, compresa la percezione, la pianificazione e l'attuazione su piattaforme embedded ad alte…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a fornire le nozioni necessarie per comprendere la pipeline di elaborazione di un sistema di guida autonoma, compresa la percezione, la pianificazione e l'attuazione su piattaforme embedded ad alte prestazioni. Applicherà un insieme eterogeneo di tecniche che vanno dalla visione artificiale e dalle tecniche di machine/deep learning, alla robotica ed al controllo, affrontando molteplici problemi nel settore automobilistico, come il rilevamento di corsie e oggetti, la stima dello stato, il posizionamento preciso, la fusione di sensori e la pianificazione del percorso.

Programma

Articolato in tre moduli principali, il corso guida gli studenti dalla comprensione dei sensori e delle piattaforme computazionali fino all’elaborazione di immagini, fusione sensoriale e algoritmi di controllo per la navigazione autonoma. Al termine, gli studenti avranno acquisito competenze chiave per progettare e implementare soluzioni per veicoli autonomi, con un focus su applicazioni nel settore automotive, industriale e robotico. In particolare ogni modulo è dedicato a un aspetto chiave della guida autonoma: Modulo 1 [3CFU] Fondamenti della guida autonoma e percezione sensoriale Questo modulo fornisce le basi per comprendere il funzionamento dei sistemi di guida autonoma, con un focus su sensori, piattaforme computazionali e localizzazione. Verranno analizzati i principali sensori impiegati in veicoli autonomi (LiDAR, radar, telecamere, IMU, GPS) e le loro applicazioni nella percezione dell'ambiente. Saranno approfondite le tecniche di fusione sensoriale, elaborazione dati LiDAR per il riconoscimento degli oggetti e le strategie per la localizzazione del veicolo, con metodi quali filtri di Kalman e particellari. Modulo 2 [3CFU] Visione artificiale e fusione sensoriale avanzata In questo modulo verrà esplorato l'uso delle telecamere come sensori per la guida autonoma, analizzandone i modelli matematici (pinhole, fisheye, stereo) e le distorsioni ottiche con relative tecniche di calibrazione. Verranno trattate le tecniche di estrazione e tracciamento delle feature (FAST, SIFT, BRIEF), il matching tra immagini e i metodi di flusso ottico. Seguirà una sezione dedicata ai sistemi multi-camera e alla ricostruzione 3D con triangolazione e bundle adjustment. Infine, si studierà l'integrazione tra LiDAR e telecamere per migliorare la percezione e il rilevamento degli oggetti attraverso la fusione multimodale dei sensori. Modulo 3 [3CFU] Pianificazione e controllo per la guida autonoma Questo modulo introduce le principali strategie di pianificazione e controllo utilizzate nei veicoli autonomi. Dopo una panoramica sui problemi di controllo applicati alla guida autonoma, verranno affrontati i modelli bicicletta, con particolare attenzione al modello cinematico, lineare e non lineare. Si studieranno tecniche di controllo come PID, Pure Pursuit e Model Predictive Control (MPC). Infine, saranno trattati algoritmi di pianificazione per l'evitamento ostacoli, come A*, RRT e Frenet-based planner con implementazioni pratiche su un simulatore.

Per seguire il corso, sono necessarie conoscenze di programmazione (C/C++ o Python).

Lezioni frontali e esercitazioni in laboratorio. Gli studenti non frequentanti possono accedere alle slide delle lezioni e al materiale delle esercitazioni.

Modalità d'esame

Prima parte del corso: – 3 assignment obbligatori Seconda parte del corso: – 1 assignment obbligatoro Terza parte del corso: – 3 assignment obbligatori Esame orale sul lavoro svolto negli assignment

Testi di riferimento

First part: - Probabilistic Robotics. Wolfram Burgard, Sebastian Thrun, Dieter Fox. 2005 - Creating Autonomous Vehicle Systems. Liyun Li, Jean Luc Gaudiot, Jie Tang, Shaoshan Liu . 2018 - Udacity robotics & SDCE course - Coursera self driving course - Many papers in the robotics and computer vision domains Second part: - “FeedbackSystems. AnIntroductionforScientistsand Engineers”. Karl Johan Åström, Richard M. Murray. Available here: https://www.cds.caltech.edu/~murray/books/AM05/pdf/am08-complete_22Feb09.pdf - “PredictiveControl forLinear and HybridSystems”, Francesco Borrelli, Alberto Bemporad, ManfredMorari. Available here: https://www.amazon.it/Predictive-Control-Linear-Hybrid-Systems/dp/1107016886 - “ModelPredictiveControl: Theory, Computation, and Design”. James B. Rawlings, David Q. Mayne, MoritzM. Diehl. Available here: https://sites.engineering.ucsb.edu/~jbraw/mpc/

Codice insegnamento 30069

Big Data Analytics 1° anno · 2° semestre · 9 CFU · INFO-01/A · 0 file

L’insegnamento approfondisce le principali tecniche di gestione e analisi di grandi quantità di informazioni nel contesto dei Big Data e del Data Science. Gli obiettivi specifici sono: -presentare principi di…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento approfondisce le principali tecniche di gestione e analisi di grandi quantità di informazioni nel contesto dei Big Data e del Data Science. Gli obiettivi specifici sono: -presentare principi di modellazione e manipolazione di dati NOSQL; -presentare architetture di Big Data; -presentare il ciclo di vita dei dati nel Data Analytics e le principali tecniche; -presentare tecniche di tabular analytics; -presentare tecniche di graph analytics; -presentare le principali metodologie di costruzione di data pipeline; -fornire la capacità di individuare gli strumenti adeguati alla risoluzione di un problema di gestione dell’informazione in contesti di Big Data; -fornire la capacità di utilizzare tecniche esistenti ed ideare tecniche innovative per la soluzione di problemi di data analytics.

Programma

L'insegnamento comprende 63 ore di didattica frontale (9 CFU), per ognuno degli argomenti è prevista sia l'esposizione degli aspetti teorici sia lo svolgimento di diversi use case ed esercitazioni pratiche. La scansione dei contenuti in termini di ore è da intendere come puramente indicativa. Essa può infatti subire modifiche nel corso dell’insegnamento alla luce dei riscontri e della partecipazione degli studenti. Introduzione al corso (2 ore) Big Data (28 ore) - Introduzione, sorgenti e tipi di dato - Modelli dati NoSQL: key-value, document-based, column-based, graph-based - Architetture BigData: CAP theorem, Hadoop, Spark - MongoDB: schema design, comandi CRUD, indicizzazione, aggregazione, replicazione - Neo4j: panoramica, linguaggio Cypher, operazioni di selezione, aggregazione, creazione nodi, indicizzazione Data Analytics (10 ore) - Data life cycle - Data preparation - Exploratory Data analysis - Il pacchetto PANDAS per la manipolazione di dati in forma tabellare Text analytics (12 ore) - Introduzione e casi d'uso - Text classification: definizione, metodi di classificazione, supervised machine learning, classificatore Naive Bayes (formalizzazione, learning), valutazione della classificazione (accuracy, precision, recall, f-measure) - Sentiment analysis: definizione, tecniche, task avanzati, sentiment lexicon - Relation extraction: definizione, tecniche, utilizzo di pattern e named-entity - Casi d'uso di classificazione, sentiment analysis e relation extraction con librerie NLTK, Spacy Graph analytics (11 ore) - Introduzione e casi d'uso - Dati graph-structured - Task, strumenti e algoritmi di graph analytics: path analysis, connectivity analysis, centrality analysis, community analysis - Utilizzo di Neo4j e applicazione a casi di studio

Fondamenti di gestione di informazioni relazionali e testuali, algoritmi e strutture dati.

Le lezioni del corso, oltre a fornire approfondimenti sulla teoria e sulle tecniche proposte, prevedono una serie di attività pratiche e progettuali per “toccare con mano” le principali soluzioni tecnologiche viste a lezione. Al termine del corso, lo studente avrà così una visione completa su come progettare, strutturare ed implementare al meglio applicazioni data-centric avanzate nei domini applicativi considerati. Infine, verranno forniti alcuni puntatori per approfondire quanto visto a lezione e mantenersi autonomamente aggiornati sulle nuove tecnologie a propria disposizione. Tutte le attività saranno svolte in presenza in aule e laboratori. Le domande, gli interventi e la partecipazione degli studenti sono graditi e incoraggiati. La frequenza non è obbligatoria, ma fortemente consigliata. Il corso è erogato in lingua italiana. Tutte le informazioni tecniche e organizzative sull'insegnamento, nonché il materiale didattico, saranno caricati su piattaforma moodle.unimore.it. Si invita lo studente ad iscriversi ed a consultare tale piattaforma con regolarità.

Modalità d'esame

Il corso prevede una serie di attività da svolgere individualmente sui vari argomenti svolti nel corso. La natura anche pratica delle attività, nella forma di approfondimento di tecniche viste a lezione e loro applicazione nel contesto di una reale applicazione data-centric, consente di valutare la capacità di rispondere a specifici requisiti di information management con soluzioni efficaci ed efficienti. Le attività vengono consegnate preliminarmente all'appello, l’esame consiste nella presentazione e discussione orale delle attività svolte (durata approssimativa 20-25 minuti). Il voto finale dipende dalla valutazione delle attività svolte e dalla presentazione delle stesse. Ogni attività concorre con lo stesso peso alla definizione del voto finale. Il voto finale viene comunicato tramite email tipicamente entro una settimana dalla data dell'appello di riferimento.

Testi di riferimento

Dispense in inglese a cura dei docenti disponibili sul sito del corso. Il materiale del corso includerà anche una lista di libri e articoli scientifici disponibili per ciascuno degli argomenti trattati, consigliati per eventuali approfondimenti individuali.

Codice insegnamento 25239

Computer Graphics 1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file

Il corso presenta i principi di base della computer grafica computazionale. Al termine del corso, lo studente sarà in grado di: - comprendere gli algoritmi di grafica di base; - implementare gli algoritmi stessi; -…

Scheda dell'insegnamento

Obiettivi formativi

Il corso presenta i principi di base della computer grafica computazionale. Al termine del corso, lo studente sarà in grado di: - comprendere gli algoritmi di grafica di base; - implementare gli algoritmi stessi; - applicare l'uso delle conoscenze precedenti a problemi specifici.

Programma

L'insegnamento comprende 48 ore di didattica frontale. Per ognuno degli argomenti è prevista l'esposizione degli aspetti teorici ed esempi di implementazione usando librerie di supporto. La suddivisione dei contenuti in termini di ore è da intendere come indicativa. I contenuto includono: - Concetti di base 10% - Immagini 20% - Scene 15% - Raytracing 15% - Pathtracing 30% - Curve e superfici 10%

Il corso richiede nozioni di base di algebra lineare, calcolo integrale e differenziale, e probabilità.

  • Le informazioni organizzative e il materiale didattico saranno caricati anche sulla piattaforma moodle.unimore.it. - Le lezioni saranno svolte in presenza in aula. - Le lezioni saranno presentate in un contesto sia teorico che pratico. - La frequenza non è obbligatoria, ma fortemente consigliata. - Le domande, gli interventi e la partecipazione degli studenti sono molto graditi e incoraggiati.

Modalità d'esame

La prova d'esame consiste in un progetto, da fare a casa, seguito da una prova orale, in cui di discuterà del progetto e di tutti gli argomenti del corso. Il progetto consiste nell'implementazione di un metodo alla stato dell'arte in uno degli argomenti discussi nel corso, e sarà assegnato indicando pubblicazioni opportune. Il progetto potrà essere scelto da una lista di progetti indicati dal docente, o proposto dallo studente previa conferma del docente. Il voto finale sarà la medie del voto del progetto e del voto dell'esame orale. Il voto del progetto dipende dalla correttezza dei risultati ottenuti. Il voto dell'orale dipende dalla conoscenza degli argomenti del corso e del progetto.

Testi di riferimento

  • Note scritte dal docente - Material online gratuito e pubblicazioni scientifiche

Codice insegnamento 28075

Crittografia Applicata 1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file

Il corso ha l’obiettivo di presentare metodi, protocolli e tecnologie basati sull’applicazione di schemi e tecniche di crittografia per garantire la sicurezza di protocolli, architetture e sistemi informatici. Il corso…

Scheda dell'insegnamento

Obiettivi formativi

Il corso ha l’obiettivo di presentare metodi, protocolli e tecnologie basati sull’applicazione di schemi e tecniche di crittografia per garantire la sicurezza di protocolli, architetture e sistemi informatici. Il corso inoltre propone lo studio e l’utilizzo sperimentale di tecnologie hardware associate all’utilizzo sicuro di schemi e protocolli crittografici. Gli argomenti affrontati nel corso sono fondamentali per la comprensione e potenzialmente la progettazione di soluzioni moderne di sicurezza informatica. A questo scopo, il corso affronta anche tematiche legate alla comprensione e alla modellazione di attacchi di sicurezza informatica ai sistemi reali che influenzano la progettazione e l'impiego di tecniche di crittografica, così come l'integrazione con altre tecniche di sicurezza informatica. Ad esempio, verranno presi in analisi alcuni popolari casi d'uso nell'ambito di differenti paradigmi di comunicazione, storage, autenticazione e autorizzazione, e sistemi hardware e software con caratteristiche eterogenee.

Programma

Introduzione a concetti di crittografia moderna, delle primitive fondamentali (~1 CFU): - garanzie di sicurezza fondamentali degli schemi crittografici; - primitive e framework popolari degli schemi crittografici. Introduzione alla modellazione di schemi crittografici applicati (~1 CFU): - modellazione degli scenari e delle minacce (threat modeling); - attacchi notevoli alle garanzie di sicurezza fondamentali; - tecniche per la dimostrazione della sicurezza di protocolli. Tecniche per la protezione dei dati in contesti applicati (~2 CFU): - protocolli di comunicazione sicura; - architetture per la gestione delle identità e distribuzione di chiavi. Tecniche di crittografia per autenticazione e autorizzazione (~2 CFU): - modellazione dei protocolli di autenticazione e dei relativi attacchi; - protocolli standard di autenticazione e schemi di protezione delle credenziali. Verranno inoltre proposti alcuni argomenti di approfondimento agli studenti interessati, includendo alcune tecniche più avanzate o sperimentali volte all'introduzione a tematiche di ricerca nell’ambito della crittografia applicata, ad esempio: - schemi avanzati di crittografia applicata per la sicurezza di dati esternalizzati; - tecniche di autenticazione avanzate; - privacy enhancing technologies.

Il corso assume che gli studenti abbiano già acquisito conoscenze relative a: - protocolli di rete (stack TCP/IP, HTTP) - conoscenze fondamentali di algebra e di statistica - principi di sistemi operativi Il corso affontra inoltre argomenti pratici per cui è opportuna la conoscenza di un linguaggio di programmazione (consigliato: Python) e la familiarità di comandi e script Bash per l'interazione con sistemi operativi Linux. Nonostante i concetti fondamentali associati alla sicurezza informatica per la comprensione degli argomenti del corso verranno affrontati in modo sintetico durante lo svolgimento del corso stesso, è consigliato affrontare il corso con una conoscenza preliminare di alcuni concetti generali di sicurezza informatica, quali concetti e paradigmi relativi alla sicurezza dei sistemi informatici, caratterizzazione di attacchi e difese informatiche a livello di sistema e di rete. Questi concetti sono acquisibili ai corsi di Sicurezza Informatica e Sviluppo Sicuro del Software. In modo simile, alcune parti del corso (ad esempio, alcuni argomenti di approfondimento o alcune osservazioni avanzate) possono essere comprese in modo più completo da parte di chi ha acquisito conoscenze teoriche più approfondite nell'ambito dell'algebra, della statistica e della crittografia. Questi concetti sono acquisibili al corso di Algoritmi di Crittografia.

Insegnamento teorico in aula con supporto di proiettore e slide. Insegnamenti pratici dove gli studenti possono utilizzare un proprio computer per riprodurre le esercitazioni o per svolgere esercizi proposte dal docente. Durante lo svolgimento del corso vengono lasciati degli argomenti di approfondimento e degli esercizi di laboratorio facoltativi aggiuntivi che gli studenti possono svolgere al di fuori dell'orario di lezione per esercitarsi.

Modalità d'esame

L'esame si articola in due modalità alternative: - Esame orale: colloquio della durata di circa un'ora, mirato a valutare la conoscenza degli argomenti teorico-pratici del corso e la capacità di risolvere problemi applicativi. - Progetto autonomo: elaborato teorico o sperimentale su un tema concordato con il docente, da presentare con il supporto di slide, dimostrazioni pratiche (live demo) o analisi dei risultati. Non è possibile svolgere un progetto in gruppo. Uso delle risorse: - Esame orale: prova in modalità closed-book (nessuna risorsa consentita durante lo svolgimento). - Progetto: utilizzo libero delle risorse, con l'obbligo di dichiararne in modo trasparente l'impiego e di esplicitare chiaramente il proprio apporto individuale.

Testi di riferimento

Il materiale di studio comprende le slide del docente (su Moodle Unimore) e risorse online gratuite (standard, articoli scientifici/divulgativi e documentazione tecnica). Per lo studio autonomo e gli approfondimenti sono consigliati capitoli selezionati dai seguenti testi: - " The Joy of Cryptography", Mike Rosulek - "Real-World Cryptography", David Wong - "Serious Cryptography", Jean-Philippe Aumasson

Codice insegnamento 27349

Diritto Dell'Informatica E Delle Nuove Tecnologie 1° anno · 1° semestre · 6 CFU · GIUR-05/A · 0 file

Al termine del corso, lo studente sarà in grado di individuare e analizzare le principali questioni giuridiche connesse all’impiego e allo sviluppo delle tecnologie informatiche, nonché di orientarsi nel quadro dei…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente sarà in grado di individuare e analizzare le principali questioni giuridiche connesse all’impiego e allo sviluppo delle tecnologie informatiche, nonché di orientarsi nel quadro dei principi e delle normative fondamentali applicabili. Per una più completa comprensione degli obiettivi formativi, si rimanda alla lettura dei risultati di apprendimento attesi.

Programma

Il corso avrà ad oggetto il seguente programma: Parte I. Introduzione al diritto dell’informatica - 2 ore Scienza giuridica e tecnologie informatiche; origini e sviluppo del diritto dell’informatica; diritto dell’informatica e informatica giuridica; diritto pubblico, diritti fondamentali e le sfide delle nuove tecnologie Parte II. Diritto pubblico dell’informatica - 24 ore Sovranità digitale, capacità industriale e asset strategici: reti digitali, cavi sottomarini, semiconduttori, cloud e controllo sui dati strategici (4) Cibersicurezza e continuità delle funzioni essenziali: quadro europeo e italiano (4) Digital Services Act e il Digital Markets Act (4) Diritti fondamentali e nuove tecnologie: cittadinanza digitale e digital divide; diritto di accesso a Internet; impatto delle tecnologie su diritti e libertà costituzionali; il cd. costituzionalismo digitale (6) La governance pubblica in ambito tecnologico e informatico - Pubblica Amministrazione e nuove tecnologie: amministrazione digitale, documento informatico e firme elettroniche, identità digitale e servizi online, PEC e comunicazioni telematiche; decisioni algoritmiche nella Pubblica Amministrazione (6) Parte III. Diritto dell’intelligenza artificiale - 8 ore L’IA Act (6) La legge italiana sull’Intelligenza artificiale (2) Parte IV. Diritto privato dell'informatica - 8 ore E-commerce e contratti per la fornitura di servizi digitali (4) Tutela della proprietà intellettuale nell’era digitale: nomi di dominio, contenuti digitali, licenze creative commons, software proprietario e open source, banche dati (4) Parti I e II: 4 CFU; parte III: 1 CFU; parte IV: 1 CFU Il tempo dedicato ai singoli argomenti potrà variare in base alle esigenze e agli interessi manifestati dagli studenti in relazione al loro percorso formativo. Il docente potrà inoltre invitare docenti esterni su alcune tematiche specifiche oggetto del programma individuate come meritevoli di focus particolari.

La comprensione dei contenuti del corso richiede alcune conoscenze giuridiche di base in materia di diritto costituzionale e pubblico, diritto privato e diritto dell’Unione europea. Considerata la collocazione dell’insegnamento nell’ambito del corso di laurea magistrale in Informatica, il docente introdurrà, in relazione ai singoli argomenti, le nozioni preliminari necessarie ad affrontarne gli aspetti più specifici.

Il corso, erogato in lingua italiana, prevede 42 ore di lezioni frontali, durante le quali gli studenti sono invitati ad interloquire con il docente. In quanto possibile, le lezioni saranno accompagnate dalla discussione di vicende e casi giurisprudenziali di attualità. Potranno essere invitati, di persona o tramite collegamento, docenti esterni per l’approfondimento di tematiche specifiche.

Modalità d'esame

La verifica dell’apprendimento si svolgerà mediante una prova orale, generalmente articolata in tre domande vertenti sugli argomenti compresi nel programma. Il colloquio avrà una durata indicativa di circa 20-30 minuti.

Testi di riferimento

Gli studenti possono preparare l’esame sui seguenti libri di testo: - F. Faini - S. Pietropaoli, Scienza giuridica e tecnologie informatiche, Giappichelli, Torino, 2° ed., 2021, capitoli 1, 2, 3, 4, 5, 6, 7, 8, 12; - F. Mensi, P. Falletta, Diritto delle nuove tecnologie, Cedam, 2025, capitoli 1, 2, 4, 7, 8, 11, 12, 13. Si consiglia anche la lettura (facoltativa) di T. Casadei - S. Pietropaoli (a cura di), Diritto e tecnologie informatiche. Questioni di informatica giuridica, prospettive istituzionali e sfide sociali, Wolters-Kluwer-Cedam, Milano, 2° edizione, 2024. Gli studenti FREQUENTANTI possono utilizzare, in sostituzione dei libri di testo, le slides che il docente rende disponibili settimanalmente su Moodle e gli appunti delle lezioni.

Codice insegnamento 30527

Elaborazione Di Dati Scientifici 1° anno · 1° semestre · 6 CFU · CHEM-01/A · 0 file

Il corso si propone di far acquisire allo studente consapevolezza degli strumenti d'indagine delle discipline sperimentali, e del loro uso nell'ambiente produttivo, della tipologia dei dati acquisiti e delle…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di far acquisire allo studente consapevolezza degli strumenti d'indagine delle discipline sperimentali, e del loro uso nell'ambiente produttivo, della tipologia dei dati acquisiti e delle problematiche inerenti la loro armonizzazione, codificazione e organizzazione e delle sue implicazioni ai fini dell'elaborazione dell'informazione. Al termine dell'insegnamento lo studente sarà in grado di: - conoscere i metodi principali per il data mining e per l'analisi di dati ad elevata dimensionalità e complessità e per la loro rappresentazione grafica; - conoscere le principali metodologie di indagine delle scienze sperimentali anche in ambito produttivo; - riconoscere le diverse tipologie e struttura dei dati e le problematiche inerenti la codificazione, trasformazione e preprocessing, ed anche la loro influenza nell'estrazione dell'informazione; - saper utilizzare le principali metodologie di analisi multivariata dei dati nei contesti: a) analisi esplorativa; b) analisi di cluster c) modellazione lineare; - costruire modelli appropriati per l'analisi di insiemi di dati mediante esercitazioni pratiche svolte con tool commerciali e/o open source. - interpretare criticamente e validare i risultati ottenuti. Per maggiore dettaglio sugli obiettivi formativi si rimanda alla sezione relativa ai risultati di apprendimento attesi.

Programma

  • Introduzione al corso (1 CFU): Motivazioni e contesto per l’analisi multivariata dei data, gli ambiti applicativi, focus sull'ambito scientifico. Il paradigma "Data Driven Discovery" nelle scienze sperimentali. Natura e peculiarità dei set di dati scientifici in funzione delle diverse metodologie di acquisizione (misure chimiche, fisiche, etc., analisi strumentale, immagini digitali e iperspettrali, tecniche ifenate, monitoraggio temporale, spaziale, etc.). - Analisi Esplorativa (2 CFU) Comprendere e organizzare i dati. Esplorazione statistica dei dati univariata e multivariata. Rappresentazione grafica. Qualità dei dati. Preprocessing. Outliers. Metodi di decomposizione/proiezione (PCA, cenni ad altre). - Metodi di Clustering (0.5 CFU) Misure di Similarità/Dissimilarità. rassegna dei possibili metodi e approcci. Discussione di esempi applicative in diversi ambiti. -Modellamento lineare (2.5 CFU): Calibrazione e regressione. Introduzione ai metodi di class-modeling, classificazione/discriminazione. Metodi di validazione dei modelli. Principali algoritmi utilizzati. Cenni alla modellazione non-lineare, reti neurali, uso di reti deep e large language models in chimica. Ciascun argomento prevede l'integrazione con esercitazioni che prevedono l'analisi di data set legati a sperimentazione in ambito chimico con software chemiometrico.

Alcune nozioni di statistica di base (media, deviazione standard, distribuzione normale, intervalli di fiducia) e di programmazione e tecniche algoritmiche di base.

Le lezioni si svolgono in presenza. Le lezioni frontali si svolgono con ausilio di presentazioni (proiezione di slides) e scrittura (lavagna, schermo). Il docente pone domande per stimolare la discussione. Per i principali metodi trattati sarà illustrato a titolo di esempio come utilizzarli nell'ambito di uno specifico software a disposizione con licenza di Ateneo agli studenti in ambiente Matlab. Saranno assegnate alcune esercitazioni da condurre in autonomia dagli studenti su data sets di letteratura. E' lasciata agli studenti la possibilità di utilizzare open source software in altri ambienti o di sviluppare proprie routine. Gli studenti lavoratori sono invitati a mettersi in contatto con il Docente per ricevere indicazioni specifiche aggiornate sul materiale didattico messo a disposizione.

Modalità d'esame

L'accertamento del profitto avviene mediante una prova di verifica finale orale svolta in presenza. In itinere sono assegnate esercitazioni da svolgere autonomamente dallo studente che preparano alla prova finale: è richiesta la consegna di un report per ciascuna esercitazione. I report sono valutati secondo i criteri: organizzazione, linguaggio e capacità di sintesi; selezione dei metodi appropriate di analisi; corretta applicazione; capacità di descrivere ed interpretare i risultati. Verifica finale: a piccoli gruppi (2 studenti) è assegnato un progetto di analisi di un data set con uno o più metodi tra quelli presentati nel corso. Durante la prova di verifica finale e' richiesto di effettuare una presentazione (slides) e discussione orale dei risultati ottenuti, dei metodi usati, e del software utilizzato. Durante la discussione sono poste domande dal docente a ciascun studente prendendo spunto dalla presentazione in modo da accertare la preparazione sui diversi argomenti trattati nel corso. Nell'attribuzione del punteggio della verifica finale viene valutata la corretezza della scelta dei metodi impiegati e la conoscenza di come sono implementati nel software utilizzato (30%), la capacità di applicare le conoscenze acquisite nella discussione del data set (30%), l'abilità comunicativa (10%), il livello delle conoscenze teoriche acquisite (30%). La votazione finale è espressa in trentesimi con eventuale lode.

Testi di riferimento

Pang-Ning Tan, Michael Steinbach, Vipin Kumar Introduction to Data Mining. Pearson International, 2006. Trevor Hastie, Robert Tibshirani, Jerome Friedman, The elements of statistical learning. Data Mining, Inference, and Prediction. 2nd Ed. Springer Series in Statistics, Springer. Stanford, California 2008 K. Varmuza, P. Filzmoser, Introduction to multivariate statistical analysis in chemometrics, CRC press 2009; PLS-Toolbox Manual , http://www.eigenvector.com; R. Wherens, Chemometrics with R, Springer 2011 www.springer.com/life+sciences/systems+biology+and+bioinformatics/book/978-3-642-17840-5; Inoltre sono forniti tutorials, articoli.

Codice insegnamento 24089

Fondamenti Di Machine Learning 1° anno · 1° semestre · 6 CFU · MATH-05/A · 0 file

Il corso vuole fornire le conoscenze, competenze e strumenti necessari per analizzare da un punto di vista numerico un problema di apprendimento automatico, scegliendo l'algoritmo più opportuno a seconda delle…

Scheda dell'insegnamento

Obiettivi formativi

Il corso vuole fornire le conoscenze, competenze e strumenti necessari per analizzare da un punto di vista numerico un problema di apprendimento automatico, scegliendo l'algoritmo più opportuno a seconda delle peculiarità del problema specifico. Per una più completa comprensione degli obiettivi formativi, si rimanda alla lettura dei risultati di apprendimento attesi a seguito dello svolgimento del presente percorso formativo.

Programma

La scansione dei contenuti per CFU è da intendere come puramente indicativa. Essa può infatti subire modifiche nel corso dell’insegnamento alla luce dei feedback degli studenti e delle studentesse. 1 CFU (7 ore) - Richiami di analisi a più variabili. - Elementi di ottimizzazione numerica: metodo del gradiente e del gradiente proiettato. 1,5 CFU (11 ore) - Introduzione all’apprendimento automatico da esempi - Supervised learning: funzioni loss e teoria di Vapnik - Modelli lineari: ridge regression, lasso, elastic net, logistic regression - Kernel methods e Support Vector Machines 1,5 CFU (10 ore) - Metodi statistici: discriminant analysis, mixture models - Ensemble learning: random forests, decision trees - Reinforcement learning: Q-learning 1 CFU (7 ore) - Unsupervised learning: principal component analysis, manifold learning, clustering 1 CFU (7 ore) - Deep learning: ottimizzazione stocastica, neural networks artificiali, ricorrenti, convolutive

  • Calcolo differenziale per funzioni reali di una o più variabili reali. - Elementi di algebra lineare. - Fondamenti di probabilità e statistica. - Fondamenti di programmazione in Python.

L’insegnamento viene erogato mediante lezioni frontali ed esercitazioni in presenza che vengono svolte con l’ausilio di lavagna, mezzi audiovisivi (slides) ed ambiente di calcolo Python. La frequenza alle lezioni frontali e alle esercitazioni in presenza non è obbligatoria. Per gli studenti lavoratori è possibile utilizzare il materiale fornito dai docenti: dispense, slide e registrazioni oltre ai testi consigliati. L’insegnamento è erogato in lingua italiana.

Modalità d'esame

L'esame si svolgerà al termine dell’insegnamento secondo il calendario ufficiale degli appelli d’esame. La prova è orale, della durata di 40 minuti circa. L’esame prevede la discussione di un progetto assegnato durante il corso seguita da due domande aperte sugli algoritmi studiati a lezione. Tali quesiti sono finalizzati a valutare: - le conoscenze e le capacità di comprensione; - l’applicazione di conoscenze e capacità di comprensione; - le abilità comunicative; - l’autonomia di giudizio. Il voto riportato nell’esame è dato dalla valutazione complessiva alla luce della presentazione del progetto e delle risposte alle domande. Il voto, in trentesimi, è ottenuto considerando la media aritmetica delle due parti, quindi il voto del progetto concorrerà al 50% della votazione finale come anche le domande aperte. L'esito sarà comunicato al singolo studente alla fine della prova orale.

Testi di riferimento

Il materiale di riferimento del corso saranno le dispense e le slides dei docenti, che verranno fornite agli studenti prima dell'inizio del corso. Eventuali testi consigliati per approfondire le tematiche sviluppate nel corso sono i seguenti: [1] C.M. Bishop, Pattern recognition and machine learning. Springer, 2006 [2] T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning, 2nd Edition. Springer, 2009 [3] I. Goodfellow, Y. Bengio, A. Courville, Deep Learning. MIT Press, 2016 [4] S. Raschka , Y. Liu , V. Mirjalili, Machine Learning with PyTorch and Scikit-Learn, Packt, 2022 [5] A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition. O'Reilly Media Inc., 2019 [6] D.P. Bertsekas, Nonlinear Programming, Athena Scientific,1999 [7] J. Nocedal, S.J. Wright, Numerical Optimization, Springer-Verlag, 2000

Codice insegnamento 25236

High Performance Computing 1° anno · 1° semestre · 9 CFU · IINF-05/A · 0 file

Gli obiettivi dell’insegnamento sono: - illustrare le principali caratteristiche ed architetture dei sistemi di computazione ad alte prestazioni sia embedded che high-end: multi-/many-core, GPU, FPGA. - introdurre le…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi dell’insegnamento sono: - illustrare le principali caratteristiche ed architetture dei sistemi di computazione ad alte prestazioni sia embedded che high-end: multi-/many-core, GPU, FPGA. - introdurre le principali problematiche della programmazione parallela e le metodologie per la decomposizione. - introdurre le principali tecniche di programmazione parallela avanzata in ambiente OpenMP e CUDA. - introdurre i concetti base della High-Level Synthesis per sistemi FPGA.

Programma

Architetture parallele (14h): - Evoluzione dei sistemi di calcolo in architetture eterogenee e parallele; - Tassonomia dei multicore. Sistemi a memoria distribuita o condivisa. Architetture omogenee vs. eterogenee; - Novel challenges: Coerenza, sincronizzazione e consistenza nei sistemi shared-memory; - Architettura delle moderne CPU multicore, delle General-Purpose Graphics Processing Units (GP-GPU) e delle Field Programmable Based Arrays (FPGA); Progettazione di codice parallelo (6h): - Performance nei multicore: coverage, granularity, locality; - Design patterns paralleli, progettazione di software parallelo; - Analisi e profiling del software; - Introduzione ai modelli di programmazione per sistemi eterogenei ad elevato parallelismo; Modelli di programmazione parallela (15h): - Programmazione su sistemi a memoria condivisa in OpenMP; - Programmazione su sistemi eterogenei basati su GPU: CUDA; - Metodologie High-Level Synthesis per accelerazione su sistemi FPGA; Laboratori (28h) - Laboratori su OpenMP; - Laboratori su CUDA; - Laboratori su HLS;

Per comprendere appieno i contenuti del corso, è auspicabile che lo studente abbia le seguenti conoscenze di base: - Nozioni fondamentali relative all'architettura dei computer, alle gerarchie di memoria e alle metriche di misurazione delle prestazioni computazionali. - Programmazione imperativa e orientata agli oggetti (C/C++). - Concetti di base legati ai sistemi operativi. Possedere questi prerequisiti consentirà allo studente di apprezzare meglio i materiali del corso e di comprenderli più facilmente.

Tutte le ore di lezione saranno svolte in lingua INGLESE. Lezioni frontali tramite slides sugli argomenti teorici; Esercitazioni pratiche in laboratorio sull’utilizzo dei modelli di programmazione presentati. Gli studenti avranno a disposizione un laboratorio virtuale accessibile H24 per esercitazioni autonome.

Modalità d'esame

Nel corso dell’anno accademico sono garantiti sei appelli d’esame per la verifica dell’apprendimento. L’esame è composto da tre parti, una Valutazione TEORICA, Valutazione PRATICA ed un ORALE. - Valutazione TEORICA, svolta solitamente in forma scritta della durata di circa un’ora e mezzo, prevede domande a risposta singola e multipla, volte a valutare la conoscenza degli argomenti teorici trattati a lezione, più esercizi o domande a risposta aperta, volti a valutare la comprensione degli aspetti più pratici del corso. Durante la prova NON è ammesso consultare il materiale didattico e libri di testo. La Valutazione TEORICA può avvenire tramite la sola prova ORALE nel caso il numero di iscritti all'appello sia molto basso. - Valutazione PRATICA è finalizzata alla valutazione delle conoscenze e delle capacità di utilizzo dei modelli di programmazione presentati durante il corso. Per i frequentati è possibile svolgere la valutazione PRATICA attraverso la presentazione di 3 assignment da svolgere in gruppo durante il corso (in gruppo) ed un breve orale individuale da svolgere in sede d'esame di discussione di tali attività svolte. Per chi non partecipa alle attività di gruppo la valutazione pratica è svolta attraverso un orale dove si valuta, attraverso esercizi pratici, le capacità di utilizzo delle tecniche di programmazione presentate durante il corso. - ORALE, volto ad approfondire la valutazione della conoscenza di tutti gli aspetti teorici e pratici del corso, e si basa sull’esito della prova scritta (tipicamente una prova scritta appena sufficiente richiede un orale più approfondito rispetto ad una prova scritta ottima. Un quesito o esercizio della prova scritta a cui si è risposto male identifica un punto di probabile approfondimento alla prova orale). Le prove sono valutate in maniera quantitativa con voto in trentesimi (più possibile lode) in base: - Al grado di conoscenza dello studente della materia. - Alle capacità pratiche di utilizzo dei modelli di programmazione presentati. - Alle capacità di analizzare ed risolvere problemi pratici di parallelizzazione di algoritmi attraverso la rielaborazione delle conoscenze apprese nel corso. Il voto finale è dato dalla media aritmetica delle tre prove (è necessario comunque essere SUFFICIENTI in tutte e tre le prove per superare l'esame).

Testi di riferimento

I materiali didattici consistono principalmente nelle slides presentate a lezione, all'interno delle quali sono presenti link per l'approfondimento. Tutti i materiali sono reperibili all'interno della pagina Moodle del corso

Codice insegnamento 25233

Metodologie Di Sviluppo Software 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

Gli obiettivi dell'insegnamento sono: - Presentare i modelli di sviluppo del software e i concetti di gestione dei progetti - Presentare le tecniche di sviluppo del software - Presentare alcuni esempi di metodologie -…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi dell'insegnamento sono: - Presentare i modelli di sviluppo del software e i concetti di gestione dei progetti - Presentare le tecniche di sviluppo del software - Presentare alcuni esempi di metodologie - Presentare strumenti per stimare i costi dei progetti software Al termine dell’insegnamento lo studente dovrebbe essere in grado di: - sviluppare un progetto software applicando una metodologia; - stimare i tempi e i costi di sviluppo di un progetto software; - applicare le tecniche di sviluppo.

Programma

Modelli e metodologie di sviluppo software (1 CFU) - Modello a cascata - Modello evolutivo - Modello incrementale - Esempi di metodologie Metodologie agili (3,5 CFU) - Principi e tecniche agili - Esempi di tecniche agili (TDD, pair-programming, refactoring) - Metodologia Scrum - Esempi di altre metodologie agili Tecniche di stima dei progetti (1,5 CFU) - COCOMO - Putnam - PERT/CPM

Conoscenza di un linguaggio di programmazione (suggeriti Java o Python) e dei linguaggi di modellazione del software.

Lezioni frontali sulla teoria (4 CFU) ed esercitazioni in aula di applicazione della teoria (2 CFU). Uso del Problem-Based Learning (PBL). La frequenza non e' obbligatoria. L'insegnamento e' in italiano ma il materiale e' in inglese. Gli studenti non frequentanti possono accedere alle slide delle lezioni e al materiale delle esercitazioni.

Modalità d'esame

La verifica consisterà in una prova orale atta a verificare la comprensione dei contenuti di tutto il programma svolto e la capacità di applicare le tecniche di stima dei progetti. Orientativamente sarà della durata di 30 minuti e prevederà 1 domanda sulle metodologie per verificare la conoscenza delle metodologie, 1 domanda o esercizio sulle tecniche agili per verificare la capacità di metterle in pratica, 1 esercizio sulla stima dei progetti per verificare la capacità di applicare gli strumenti. Ogni domanda ha lo stesso peso nel voto finale. Potrà essere previsto un pre appello a fine lezioni. Il voto varia da 18/30 (conoscenza basilare degli argomenti e capacità parziale di applicare la conoscenza) a 30/30 e lode (conoscenza piena degli argomenti e capacità ottima di applicare la conoscenza), graduazione dei voti intermedi in base al raggiungimento dei risultati di apprendimento attesi, compresi quelli trasversali dimostrati durante la prova d’esame.

Testi di riferimento

Slide presentate a lezione messe a disposizione all'inizio dell'insegnamento tramite Moodle Libri consigliati: - C. Ghezzi, D. Mandrioli, M. Jazayeri. Ingegneria del Software (2/Ed.). Pearson Education Italia - E. Gamma, R. Helm, R. Johnson, J. Vlissides. Design Patterns. Pearson - Eric Freeman, Elisabeth Robson. Head First Design Patterns. O'Reilly Media - Ian Sommerville. Ingegneria del software. Pearson

Codice insegnamento 24356

Privacy E Tutela Dei Dati 1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file

Conoscenza degli strumenti essenziali per comprendere ed affrontare i problemi giuridici legati all'uso e allo sviluppo delle tecnologie dell'informazione

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza degli strumenti essenziali per comprendere ed affrontare i problemi giuridici legati all'uso e allo sviluppo delle tecnologie dell'informazione

Programma

L insegnamento si svolge nel primo semestre del I anno di laurea magistrale in Informatica per un totale di 42 ore (6 CFU) di didattica frontale Parte I: 14 ore (2 CFU) - Principali nozioni di diritto Rapporti tra informatica e diritto - Che cos'e il diritto. Il concetto di norma giuridica. Le fonti del diritto. Efficacia della legge nel tempo e nello spazio. Criteri di applicazione della legge. Interpretazione della legge. Persone fisiche e persone giuridiche. Capacita giuridica e capacita di agire. Le obbligazioni. La responsabilita. Parte II: 14 ore (2 CFU) - La normativa Privacy La normativa italiana - Il modelo U.S.A. - La normativa UE: Il Regolamento europeo n. 679/2016 (GDPR) - La norma UNI 11697:2017 sui profili professionali relativi al trattamento e alla protezione dei dati - I diritti degli interessati - La Compliance nell'ambito della data protection - Focus pratici - La figura del DPO (Data Protection Officer): nomina e ruoli - Privacy by design e by default - Information Security e Risk Management - DPIA (data Privacy Impact Assestment) - Focus pratici Parte III : 14 ore (2 CFU) - Cybercrimes e tutela dei dati personali I reati informatici - Accesso abusivo a sistema informatico - detenzione e diffusione abusiva di codici di accesso sistemi informatici - violazione della corrispondenza informatica - danneggiamento di informazioni, dati e programmi informatici - Frode informatica e phishing - Investigazioni informatiche e computer forensic - Focus pratici

Nessuno

Lezioni frontali tenute dal docente. Durante le lezioni saranno analizzati casi pratici e svolte esercitazioni - per lo studio è consigliata la consultazione del seguente volume: CODICE DELLA PRIVACY - Tutela e sicurezza dei dati personali - Edizione La Tribuna, 2018

Modalità d'esame

L'esame si svolgerà in forma orale. Al candidato saranno posti alcuni quesiti sugli argomenti affrontati a lezione, in base al materiale diddattico fornito.

Testi di riferimento

Materiale didattico fornito dal docente E' consigliata la consultazione del seguente volume: Stefano Aterno, Sicurezza informatica. Aspetti giuridici e tecnici. Pacini Giuridica, 2022 (da p. 1 a p. 161)

Codice insegnamento 25234

Real-Time Embedded Systems 1° anno · 2° semestre · 9 CFU · IINF-05/A · 0 file
Sicurezza Informatica 1° anno · 2° semestre · 9 CFU · IINF-05/A · 0 file

Il corso affronta le principali problematiche legate alla sicurezza dei sistemi, dei servizi e delle applicazioni basate su Internet. Nella prima parte, si analizzano le vulnerabilità dei sistemi, reti e applicazioni e…

Scheda dell'insegnamento

Obiettivi formativi

Il corso affronta le principali problematiche legate alla sicurezza dei sistemi, dei servizi e delle applicazioni basate su Internet. Nella prima parte, si analizzano le vulnerabilità dei sistemi, reti e applicazioni e le principali tipologie di attacco diretto e indiretto. Nella seconda parte, si approfondiscono le metodologie e i meccanismi per la difesa dei sistemi in rete, tra cui la crittografia, i metodi di autenticazione e autorizzazione, i protocolli per la sicurezza, la firma digitale e le certification authority, i sistemi di monitoraggio. La terza parte è dedicata al progetto di sistemi di rete sicuri, includendo web application firewall e Intrusion Detection System, VPN, DLP, NAC. Al termine del corso gli studenti saranno in grado di - identificare vulnerabilità software, umane e organizzative in sistemi informativi - comprendere il funzionamento degli attacchi informatici e sfruttare vulnerabilità basilari - analizzare le principali soluzioni tecniche e organizzative per migliorare la sicurezza informatica - progettare un sistema informativo sicuro

Programma

Parte I - Attacchi [approssimativamente 24 ore - 3 CFU] Vulnerabilità dei sistemi operativi e delle applicazioni di rete Vulnerabilità dei protocolli wireless Principali tipologie e meccanismi di attacco: spoofing, sniffing, fingerprinting, intrusione, Denial-of-Service, attacchi interni, virus, trojan horses, XSS, SQL injection Parte II - Difese [approssimativamente 24 ore - 3 CFU] Analisi dei rischi e ,etodologie di difesa integrata Crittografia simmetrica, Crittografia asimmetrica, Hashing Protocolli per la sicurezza: IPsec, SSL, HTTPS, S/MIME, SSH, PGP Sistemi a chiave pubblica e chiave privata, Firma digitale, Certification authority, PKI Parte III - Progetto di architetture sicure [approssimativamente 24 ore - 3 CFU] Intrusion Detection System Metodologie e meccanismi di difesa dei sistemi in rete: Virtual Private Network, NAC, DLP.

Conoscenze almeno teoriche del funzionamento dei sistemi operativi, utilizzo della riga di comando (ad esempio, acquisibile superando un corso di Sistemi operativi) Solidi fondamenti relativi alla comunicazione di sistemi connessi a Internet (ad esempio, acquisibile superando un corso di Reti di Calcolatori) Non sono necessarie conoscenze pregresse relative alla sicurezza informatica

Testi di riferimento

Il corso non seguirà nessun testo. Verranno messe a disposizione degli studenti: - le slide presentate a lezione - i software necessari per replicare le esercitazioni - i testi e le soluzioni delle esercitazioni viste a lezione - le registrazioni delle lezioni

Codice insegnamento 27404

Sistemi Complessi 1° anno · 6 CFU · INFO-01/A · 0 file

Lo studio dei sistemi complessi ha acquisito un ruolo di primo piano non solo fra le attività scientifiche, ma anche nelle aziende e nelle organizzazioni attive sul mercato e nel sociale. Nell'ambito scientifico, esso…

Scheda dell'insegnamento

Obiettivi formativi

Lo studio dei sistemi complessi ha acquisito un ruolo di primo piano non solo fra le attività scientifiche, ma anche nelle aziende e nelle organizzazioni attive sul mercato e nel sociale. Nell'ambito scientifico, esso fornisce un punto di vista nuovo e complementare rispetto a quelli delle discipline tradizionali, mentre in ambito aziendale ed organizzativo esso fornisce sia strumenti concettuali fondamentali per il management in un periodo di rapidi cambiamenti, che strumenti operativi per decifrare le dinamiche dei processi, dei mercati, della finanza. Si fa necessariamente ampio ricorso a strumenti informatici, sia per simulare dinamiche complesse che per analizzare i risultati delle simulazioni, quindi è opportuno che gli informatici conoscano i principali elementi di questo nuovo approccio e siano in grado di dialogare sia con gli specialisti che con gli utilizzatori dei risultati. Lo studio dei sistemi complessi è orientato alla ricerca di principi organizzativi in sistemi composti da diversi elementi interagenti in maniera non lineare. E’ stato dimostrato che alcuni comportamenti sono maggiormente influenzati dalle proprietà delle interazioni piuttosto che dalla natura degli elementi del sistema, e questo consente di applicare efficacemente, col dovuto rigore, concetti e metodi simili in sistemi diversi. Al termine dell’insegnamento lo studente: • avrà acquisito le principali nozioni relative ai sistemi complessi; • conoscerà i principali strumenti matematici e computazionali dei sistemi complessi; • conoscerà le applicazioni della Scienza della Complessità.

Programma

Blocco 1 (1 CFU) Introduzione ai sistemi complessi Autoorganizzazione Blocco 2 (2 CFU) Automi Cellulari Emergenza Blocco 3 (2 CFU) Struttura e dinamica di reti complesse Multigrafi, Hypergraphs Blocco 4 (1 CFU) Origin of Life Self-organising complexity (SOC) Robustness, degeneracy Highly optimized tolerance (HOT) Conoscenze di base di calcolo analitico (derivate e integrali, equazioni differenziali) La didattica è basata, in via ordinaria, su lezioni frontali, e progetti facoltativi. Le domande e gli interventi degli studenti sono graditi e incoraggiati. La frequenza non è obbligatoria, ma fortemente consigliata. Il corso è erogato in lingua inglese. Tutte le informazioni tecniche e organizzative ull'insegnamento, nonché il materiale didattico, saranno caricati su piattaforma Moodle https://moodle.unimore.it/course/index.php?categoryid=2702 Si invita lo studente ad iscriversi ed a consultare tale piattaforma con regolarità

Modalità d'esame

La verifica è basata su un esame scritto a risposte aperte (2 domande scelte fra 4-5 domande riguardanti i temi discussi a lezione, occorre avere la sufficienza in entrambe le risposte perché il compito sia sufficiente). La verifica dura circa 90 minuti. Questa prova è volta a verificare l'apprendimento delle principali tematiche del corso e la capacità di ragionamento acquisita dagli studenti. Per gli studenti che lo desiderano, è possibile preparare una lezione di un'ora su un argomento monografico (che contribuisce per 1/3 al voto finale). Inoltre, chi preferisce può sostenere un esame orale al posto dello scritto.

Testi di riferimento

Nessun testo è obbligatorio. Tutti gli argomenti saranno descritti in lucidi disponibili su Dolly (assieme ad alcuni articoli). Alcuni libri verranno consigliati a chi desidera impadronirsi a fondo del linguaggio della scienza della complessità o approfondirne alcuni aspetti

Codice insegnamento 25282

Sviluppo Di Software Sicuro 1° anno · 2° semestre · 9 CFU · INFO-01/A · 0 file

Il corso vuole essere una introduzione allo sviluppo sicuro del software. Al termine dell'insegnamento lo studente sarà in grado di: - acuire la sensibilità ai rischi insiti in applicazioni non sicure; - saper valutare…

Scheda dell'insegnamento

Obiettivi formativi

Il corso vuole essere una introduzione allo sviluppo sicuro del software. Al termine dell'insegnamento lo studente sarà in grado di: - acuire la sensibilità ai rischi insiti in applicazioni non sicure; - saper valutare il grado di sicurezza di una applicazione esistente; - saper irrobustire una applicazione esistente; - saper progettare ex-novo un software con caratteristiche di sicurezza (security/safety/privacy by design).

Programma

L'insegnamento si svolge nel II semestre del I anno, per un totale di 63 ore di didattica frontale suddivise in teoria (nelle quali vengono introdotti ed illustrati gli argomenti del corso) e applicazioni pratiche della teoria (nelle quali vengono risolti esercizi in dettaglio). Le esercitazioni non sono formalmente separate dalla teoria, ma si integrano con essa. La scansione dei contenuti in termini di ore è da intendere come puramente indicativa. Essa può infatti subire modifiche nel corso dell’insegnamento alla luce dei riscontri e della partecipazione degli studenti. Introduzione (6 ore). Introduzione al corso. Prospettiva storica. Definizioni (2 ore). Asset. Minaccia. Classificazione STRIDE. Classificazione degli utenti. Difetto. Bug. Debolezza. Vulnerabilità. Exploit. Vettore di attacco. Superficie di attacco. Politica di sicurezza. Meccanismi di sicurezza. Prevenzione, rilevazione, reazione. Confidenzialità, integrità, disponibilità. Vulnerabilità software (12 ore). Ciclo di vita di una vulnerabilità. Vulnerabilità 0-day. CVE. CVSS. CWE. CWSS. CPE. OVAL. ATT&CK. Esecuzione con privilegi elevati (12 ore). Elevazione manuale e automatica. I bit SETUID e SETGID. Evoluzione storica della gestione dei privilegi nei sistemi UNIX. Capability. Analisi del codice sorgente del comando ping. Iniezione locale (6 ore). Albero di attacco. Macchina virtuale Nebula. Path injection. Command injection. Library injection. Iniezione remota (16 ore). Command injection remota. Macchina virtuale Damn Vulnerable Web Application. SQL injection di base. Fuzzing. Cross Site Scripting. Cross Site Request Forgery. Corruzione della memoria (14 ore). Macchina virtuale Protostar. Stack based buffer overflow. Buffer overflow con shellcode. Buffer overflow basato su ret2libc. Attacchi Web (7 ore). Macchina virtuale Web for Pentester. SQL injection. File inclusion. Directory Traversal. File upload. Enumerazione del sistema vittima. Aggiramento delle difese. Hardening.

  • Sistemi operativi: conoscenza delle funzionalità offerte da un sistema operativo moderno. * Interfaccia a linea di comando: shell BASH, comandi di base di un sistema UNIX. * Linguaggi: C ed uno tra Java, Python, Ruby o Perl. * Sviluppo software: conoscenza funzioni di libreria di base (I/O, memoria, processi), strumenti di sviluppo e debugging UNIX.

La didattica è basata, in via ordinaria, su lezioni frontali mediante presentazioni in formato elettronico, nelle quali la materia viene sviluppata nei dettagli formali e debitamente commentata. Al termine di ciascun argomento descritto nella sezione "Contenuti del corso" segue una serie di esercizi guidati per la verifica dei concetti appresi. Le domande e gli interventi degli studenti sono graditi e incoraggiati. Per stimolare l'approfondimento alla materia, il docente propone settimanalmente esercizi facoltativi più complessi da risolvere tramite ricerche individuali. La frequenza non è obbligatoria, ma fortemente consigliata. Il corso è erogato in lingua italiana. Tutte le informazioni tecniche e organizzative sull'insegnamento, nonché il materiale didattico, saranno caricati sul sito del corso gestito dal docente, raggiungibile dalla piattaforma Dolly tramite link apposito. Si invita lo studente a consultare il sito del corso con regolarità.

Modalità d'esame

L'esame prevede una prova orale della durata di 30 minuti sugli argomenti definiti nella sezione "Contenuti del corso", che mira all'accertamento sia di una conoscenza operativa ed approfondita di tutti gli aspetti teorici e pratici della materia sia della capacità di problem solving dello studente. Lo studente riceve tre domande in sequenza. La prima domanda è uno sbarramento; se lo studente non sa rispondere, viene respinto immediatamente. Per ogni domanda lo studente riceve al più 10 punti; ogni errore costa un punto. Il voto finale è la somma dei voti presi nelle domande, più eventuali punti bonus presi a lezione o con gli esercizi facoltativi. La valutazione in trentesimi della prova viene resa nota allo studente al termine della prova stessa.

Testi di riferimento

Presentazioni in formato elettronico, pubblicate dal docente durante lo svolgimento della didattica.

Codice insegnamento 25238

Teoria Dei Giochi: Strategie E Algoritmi 1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file

La Teoria dei Giochi studia le interazioni strategiche tra agenti ("giocatori"), ovvero situazioni in cui i giocatori compiono azioni che si influenzano reciprocamente. La natura dei giocatori varia a seconda del…

Scheda dell'insegnamento

Obiettivi formativi

La Teoria dei Giochi studia le interazioni strategiche tra agenti ("giocatori"), ovvero situazioni in cui i giocatori compiono azioni che si influenzano reciprocamente. La natura dei giocatori varia a seconda del contesto in cui la teoria dei giochi viene utilizzata. Questo rende la Teoria dei Giochi una disciplina fortemente interdisciplinare, con metodologie applicabili in diversi contesti, incluso quello informatico. Nel Corso, lo studente dovrebbe acquisire i concetti fondamentali della teoria dei giochi ed applicare tali nozioni per l'analisi formale di situazioni strategiche in scenari di vario tipo (es. sociali, tecnologici). Inoltre, il corso mira a sviluppare le capacità di risolvere problemi e prendere decisioni informate basate sulla teoria deigiochi. Alla fine del corso, lo studente dovrebbe essere in grado di utilizzare queste competenze e gli strumenti analitici ed algoritmici appropriati per analizzare e prendere decisioni in contesti reali, utilizzandoi principi che regolano le interazioni strategiche.

Programma

Il numero di CFU associati ad ogni parte potrebbe subire dei cambiamenti alla luce dei riscontri epartecipazione degli studenti. Il corso copre in 3 parti di equivalenti CFU: (i) Concetto di gioco strategico (strategic game). Nozione di strategia, payoff, razionalità, ed equilibrio. Nozione di game trees: definizione e tecniche di costruzione. Soluzioni di giochi usando la struttura ad albero (game tree). Esempi di giochi con giocatori multipli e di varia complessità. (ii) Nozione di giochi a mossa simultanea con strategie discrete. Equilibrio di Nash Strategie dominanti. Analisi della risposta migliore (best response). Studio di algoritmi per trovare l’equilibrio di Nash. Nozione di strategie miste (mixed strategies). Nozione di incertezza ed informazione. (iii) Giochi ripetuti Giochi di azione collettiva Dilemma del prigioniero e dilemmi sociali. Teoria dei giochi evolutiva (EGT). Giochi evolutivi Uso di agent-based models per studiare EGT. Applicazioni a sistemi sociali, economici e tecnologici.

Nozioni elementari di algebra, probabilità e calcolo È utile (ma non indispensabile) possedere una conoscenza di base di un linguaggio di programmazione

Lezioni frontali ed esercitazioni basate sull’applicazione della teoria vista a problemi del mondo reale. La frequenza non è obbligatoria ma fortemente consigliata. L’insegnamento è erogato in lingua italiana ma molti dei materiali (libri, slides, dispense) potrebbero essere in inglese. Il materiale sarà disponibile su Moodle. Gli studenti lavoratori che non possono frequentare regolarmente le lezioni devono comunicarlo al docente per definire le eventuali attività di supporto specifiche.

Modalità d'esame

L'esame è suddiviso in una prova pratica e una prova orale. La prova pratica consiste nella realizzazione di un progetto che riguarda la modellazione e la risoluzione di un problema utilizzando la teoria dei giochi. Questa parte dell'esame serve a verificare la conoscenza e la comprensione della teoria dei giochi, nonché la capacità di applicare la conoscenza e la comprensione acquisite. La prova orale verte sugli argomenti trattati durante il corso e si basa su un colloquio orale, con l'obiettivo di valutare la capacità di apprendimento e l'indipendenza di giudizio dello studente. Il voto finale è calcolato come media aritmetica dei risultati ottenuti nelle due parti

Testi di riferimento

ll materiale didattico è costituito dalle slides presentate durante le lezioni. Per eventuali approfondimenti, si consigliano i seguenti testi: J. Watson. Strategy – An Introduction to Game Theory. WW Norton & Company, Third Edition, 2013 S. Tadelis, Game Theory: An Introduction, Princeton University Press, 2013 A. Dixit ed altri. Games of Strategy. WW Norton & Company, Fifth Edition, 2020 teoria dei giochi evolutiva: H.Gintis. Game Theory Evolving: A Problem-Centered Introduction to Modeling Strategic Interactions,Princeton University Press, 2009

Codice insegnamento 28076

Advanced And Distributed Algorithms 2° anno · 9 CFU · INFO-01/A · 0 file
Ai-Assisted Computer Graphics 2° anno · 6 CFU · INFO-01/A · 0 file

Il corso presenta l'uso di tecniche di intelligenza artificiale applicate a problemi in computer grafica. Al termine del corso, lo studente sarà in grado di: - comprendere algoritmi di intelligenza artificiale…

Scheda dell'insegnamento

Obiettivi formativi

Il corso presenta l'uso di tecniche di intelligenza artificiale applicate a problemi in computer grafica. Al termine del corso, lo studente sarà in grado di: - comprendere algoritmi di intelligenza artificiale nell'ambito grafico; - implementare gli algoritmi stessi, con un focus sulla parte di inferenza; - applicare l'uso delle conoscenze precedenti a problemi specifici.

Programma

L'insegnamento comprende 48 ore di didattica frontale. Per ognuno degli argomenti è prevista l'esposizione degli aspetti teorici ed esempi di implementazione usando librerie di supporto. La suddivisione dei contenuti in termini di ore è da intendere come indicativa. I contenuti includono: - Concetti di base 10% - Tecniche basate su automatic differentiation con applicazioni in editing di contenuti 30% - Ricostruzione di scene, ad esempio nerf, gaussian splatting e procedural fitting 30% - Generazione e editing di contenuti con diffusion models 30%

Il corso richiede nozioni di base di intelligenza artificiale e deep learning, ma non richiede conoscenze specifiche di computer grafica.

  • Le informazioni organizzative e il materiale didattico saranno caricati sulla piattaforma moodle.unimore.it. - Le lezioni saranno svolte in presenza in aula. - Le lezioni saranno presentate in un contesto sia teorico che pratico. - La frequenza non è obbligatoria, ma fortemente consigliata. - Le domande, gli interventi e la partecipazione degli studenti sono molto graditi e incoraggiati.

Modalità d'esame

  • La prova d'esame consiste in un progetto, da fare a casa, seguito da una prova orale, in cui di discuterà del progetto e di tutti gli argomenti del corso. - Il progetto consiste nell'implementazione di un metodo alla stato dell'arte in uno degli argomenti discussi nel corso, e sarà assegnato indicando pubblicazioni opportune. - Il progetto potrà essere scelto da una lista di progetti indicati dal docente, o proposto dallo studente previa conferma del docente. - Il voto finale sarà la medie del voto del progetto e del voto dell'esame orale. Il voto del progetto dipende dalla correttezza dei risultati ottenuti. - Il voto dell'orale dipende dalla conoscenza degli argomenti del corso e del progetto.

Testi di riferimento

  • Note scritte dal docente - Material online gratuito e pubblicazioni scientifiche

Codice insegnamento 28660

Cloud And Edge Computing 2° anno · 6 CFU · IINF-05/A · 0 file

Il corso si propone di fornire gli elementi di base della conoscenza dei sistemi distribuiti di Cloud Computing e della sua evoluzione nota come Edge Computing, oltre agli strumenti principali per il loro utilizzo e la…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire gli elementi di base della conoscenza dei sistemi distribuiti di Cloud Computing e della sua evoluzione nota come Edge Computing, oltre agli strumenti principali per il loro utilizzo e la loro valutazione. Al termine dell'insegnamento lo studente sarà in grado di: - comprendere i più noti paradigmi di utilizzo del cloud computing - distinguere le principali architetture esistenti nell'ambito cloud - comprendere i concetti di virtualizzazione applicati ad architetture distribuite complesse - comprendere e applicare il concetto di sviluppo in pipeline CI/CD (Continuous Integration / Continuous Development) - programmare una semplice applicazione su piattaforma cloud AWS Per un ulteriore approfondimento degli obiettivi formativi, si rimanda alla lettura dei "Risultati di apprendimento attesi".

Programma

Cloud Computing (5 CFU) • La storia: Sistemi Web distribuiti, Proxy Server, Content Delivery Network • I paradigmi del Cloud: IaaS, PaaS, SaaS • Cloud pubbliche, dedicate, hosted, private • Struttura dei Data Center Cloud • Paradigmi di programmazione (SOAP, microservizi) • Virtualizzazione e containerizzazione (Docker / MiniKube) • Sistemi Multicloud e dispatching geografico • Pipeline CI/CD • Realizzazione di applicazioni cloud con AWS (laboratori) Edge (o Fog Computing) (1 CFU) • Edge layer come estensione del cloud • Applicazioni latency sensitive, pre-processing e aggregazione dei dati • Modelli di cooperazione tra nodi edge: algoritmi per il bilanciamento del carico • FAPP Fog Application Placement Problem

Protocolli di rete, programmazione a oggetti

La didattica è basata su lezioni frontali che si svolgeranno in presenza o a distanza a seconda dell'evolversi della situazione pandemica. Nel caso le lezioni fossero a distanza, saranno tenute in modalità sincrona - ossia diretta streaming. Saranno svolti anche laboratori riguardanti la parte di programmazione su piattaforma cloud e uso di simulatori di rete. Le domande e gli interventi degli studenti sono graditi e incoraggiati. La frequenza non è obbligatoria, ma fortemente consigliata. Il corso è erogato in lingua italiana. Tutte le informazioni tecniche e organizzative sull'insegnamento, nonché il materiale didattico, saranno caricati su piattaforma Moodle. Si invita lo studente a consultare tale piattaforma con regolarità.

Modalità d'esame

L'esame si articola in due prove: 1) lo sviluppo di un progetto individuale che si baserà sulla programmazione su piattaforma cloud o sull'utilizzo di un simulatore di rete in contesto edge/cloud; 2) una prova orale sui contenuti del corso Le due prove potranno essere sostenute separatamente La valutazione del progetto peserà per il 60% sul voto complessivo, la prova orale per il 40% La valutazione in trentesimi della prova viene resa nota allo studente al termine della prova stessa.

Testi di riferimento

Slide del docente e materiale online che verrà indicato durante le lezioni

Codice insegnamento 26601

Gpu Programming For Real Time Rendering 2° anno · 6 CFU · IINF-05/A · 0 file
Iot Systems 2° anno · 6 CFU · IINF-05/A · 0 file

Lo studente acquisirà conoscenze relativamente alle tecnologie dell'Internet of Things, ai protocolli di rete low power e alla loro interazione. Si studieranno inoltre tecniche e software per la realizzazione di reti…

Scheda dell'insegnamento

Obiettivi formativi

Lo studente acquisirà conoscenze relativamente alle tecnologie dell'Internet of Things, ai protocolli di rete low power e alla loro interazione. Si studieranno inoltre tecniche e software per la realizzazione di reti di dispositivi IoT. Per gli obiettivi formativi si rimanda alla sezione relativa ai risultati di apprendimento attesi

Programma

Introduzione al corso - obiettivi generali, definizione dello scenario, esempi Raccolta dati - politiche di sensing, protocolli di comunicazione, Web of Things, Crowdsensing, Edge/Fog/Cloud Computing (20 ore) Analisi dei dati - sistemi Fuzzy, breve introduzione ai modelli di machine learning (8 ore) Sistemi Context Aware - sistemi con cognizione del contesto, ubiquitous computing, privacy (14 ore) La scansione dei contenuti per CFU è da intendere come indicativa. Essa può infatti subire modifiche nel corso dell'insegnamento alla luce dei feedback degli studenti e delle studentesse.

Conoscenza di un linguaggio di programmazione come C, C++, Python Conoscenza delle basi di architetture di rete

Lezioni frontali, con parti di laboratorio a partire da metà corso. Frequenza non obbligatoria ma fortemente consigliata. Lingua inglese.

Modalità d'esame

Un breve seminario (15 minuti incluse domande) su un articolo scientifico. La lista di possibili articoli sarà fornita entro la terza settimana del corso. I seminari saranno raggruppati in giornate, di modo da poter assistere anche ai seminari dei colleghi, e dovranno essere completati entro 2 settimane dalla fine del corso. Il seminario è individuale. Progetto: sviluppo di un progetto su uno o più degli argomenti presentati in classe. Una lista di possibili progetti sarà fornita entro la terza settimana del corso. Il progetto è individuale, tuttavia per alcuni progetti specifici sono possibili gruppi di 2-3 persone, con permesso preventivo del docente. La valutazione del seminario verterà sull'abilità dello studente di presentare concisamente, ma in modo esaustivo, contributi scientifici sull'IoT. Lo studente dovrà leggere e analizzare il contenuto di un articolo scientifico, preparare una breve presentazione (8-10 slide) a presentare (in Italiano o Inglese) i contributi dell'articolo. E' inoltre auspicabile che gli studenti partecipino attivamente ai seminari dei colleghi. La valutazione del seminario è nel range [0:3], che sarà sommato alla valutazione finale del progetto. Chi sceglie di non partecipare al seminario avrà 0. La valutazione del progetto si focalizzerà sui risultati ottenuti rispetto agli obiettivi iniziali, e all'abilità dello studente (o degli studenti) di presentare i risultati ottenuti. Per i progetti svolti in gruppo, ci potranno essere valutazioni differenti per ogni membro del gruppo. Un buon progetto può portare lo studente a ottenere una valutazione di 25. Un progetto appena sufficiente una valutazione di 18, mentre un progetto che considera anche una serie di vincoli addizionali può portare al 30 e Lode

Testi di riferimento

Book - Dustdar, Schahram, Nastic, Stefan,-Scekic, Ognjen: Smart Cities:"The Internet of Things, People and Systems" Book - Borcea, Christian, Talasila, Manoop, Curtmola, Reza: "Mobile Crowdsensing" Teacher slides (Moodle) Esempi di codice

Codice insegnamento 26603

Kernel Hacking 2° anno · 6 CFU · INFO-01/A · 0 file

In questo corso acquisite una formazione, di base, da analisti sviluppatori di kernel di sistemi operativi. Il kernel di riferimento è Linux. Partiremo dai concetti di base e dalla struttura di un kernel reale (avvio,…

Scheda dell'insegnamento

Obiettivi formativi

In questo corso acquisite una formazione, di base, da analisti sviluppatori di kernel di sistemi operativi. Il kernel di riferimento è Linux. Partiremo dai concetti di base e dalla struttura di un kernel reale (avvio, albero dei sorgenti, core, moduli, funzionalità interne di base, ...). Poi vedremo assieme tutte le fasi del ciclo di sviluppo di un kernel: configurazione, compilazione, implementazione di moduli, collaudo, debugging, profiling, implementazione di system call, strumentazione del codice, preparazione della documentazione, sottomissione di una soluzione alla comunità, gestione dell'interazione con i maintainer e la comunità. Affronteremo ciascun passaggio sia in teoria che in pratica, svolgendo esercizi molto semplici, ma sempre significativi. Alla fine del corso, avrete raggiunto una preparazione sufficiente a fornire contributi reali, in qualità di analisti o sviluppatori kernel.

Programma

Il corso procede su due binari paralleli 1. fornitura delle basi necessarie per lo sviluppo nel kernel (teoria) e, sin da subito, (3 crediti, 21 ore) 2. sviluppo all'interno del kernel Linux (pratica). (3 crediti, 21 ore) In quanto alla teoria, vedremo: - Meccanismo di compilazione del kernel - Immagine eseguibile e disco di avvio - Avvio del kernel - Moduli statici e dinamici - Kernel OOPS - Metodi di profiling delle prestazioni - Tracing - System call - Meccanismi avanzati di controllo di versione del codice In quanto alla pratica, eseguiremo i seguenti passi - Inizieremo dal vedere assieme le operazioni di base per la compilazione e l'installazione di un kernel - Creeremo un nostro modulo del kernel, sia interno che esterno all'albero dei sorgenti - Impareremo ad eseguire una primissima forma di debugging, ed a risalire da un kernel OOPS alla riga di codice che ha portato ad un fallimento - Eseguiremo operazioni avanzate con il sistema di controllo di versione git - Eseguiremo profiling del kernel, con e senza strumentazione del codice - Ci spingeremo più avanti col debugging, attraverso tracing e strumentazione del codice - Aggiungeremo una nostra system call al kernel - Impareremo a creare commit e patch di qualità, documentazione inclusa, ed a sottomettere contributi individuali o di gruppo alla comunità Linux Verso la fine del corso la classe sarà divenuta a tutti gli effetti un piccolo team di sviluppo professionale, in grado di preparare e sottomettere alla comunità Linux dei contributi individuali o di gruppo. Trovate esempi di tali contributi, e del tempo che hanno richiesto, in fondo alla descrizione dell'esame.

Conoscenze di base di: - Funzionamento di un sistema operativo - Funzionamento ed utilizzo di una distribuzione Linux - Programmazione nei linguaggi principali in cui è scritto il codice Linux - Compilazione di un progetto software In merito ai primi due punti, le conoscenze fornite nel corso di Sistemi Operativi della nostra laurea triennale sono un punto di partenza ottimale.

Il metodo didattico è una vera e propria fusione di lezioni frontali ed esercitazioni in laboratorio. Pertanto l'intero corso è tenuto in laboratorio. Il corso è erogato in lingua italiana in presenza. La frequenza non è obbligatoria, ma fortemente consigliata. Gli studenti lavoratori sono invitati a contattare il docente.

Modalità d'esame

L'esame sarà una naturale espressione del contenuto e delle modalità del corso. Ossia consisterà nel fornire un piccolo, ma reale, contributo in ambito kernel. Il lavoro sarà semplice, e di dimensioni proporzionate al numero limitato di crediti dell'esame. In dettaglio, i contributi potranno essere: 1. Aggiunta, o estensione di una qualche funzionalità del kernel 2. Fix di un bug del kernel 3. Scrittura di documentazione La richiesta dei contributi arriverà da parti interessate, che possono essere pubbliche o private. Un caso pubblico importante è la comunità internazionale Linux. Per tale caso, e per i contributi 1 e 3, potremo scoprire di cosa c'è bisogno effettuando delle ricerche: - sulle mailing list del kernel, tipo lkml - su riviste specializzate, tipo LWN.net - contattando sviluppatori - interrogando assistenti AI Invece, per il contributo 2, si potrà trovare un bug su cui lavorare in uno dei seguenti modi: - Attraverso l'esecuzione della batteria kselftest https://docs.kernel.org/dev-tools/kselftest.html - Cercando sul bugzilla del kernel Linux https://bugzilla.kernel.org/ - Cercando tra i bug proposti in nella dashboard syzbot, che riporta lo stato dei bug trovati attraverso il tool syskaller (che invoca syscall con parametri random, alla ricerca di fallimenti) https://syzkaller.appspot.com/upstream Per il caso privato, le parti interessate saranno invece aziende o laboratori di ricerca, locali o internazionali. In questo caso saranno le parti interessate stesse a proporci il lavoro da svolgere. Quale che sarà il contributo ed il committente che sceglierete, finalizzerete quasi sempre il vostro lavoro con la creazione di una o più patch per il kernel Linux (le patch conterranno il vostro contributo), e con la sottomissione di tali patch alla comunità o al committente privato interessato. Per darvi un'idea più precisa dei contributi che realizzerete per l'esame, e dei tempi necessari per la loro preparazione, eccovi alcuni dei contributi realizzati dagli studenti di scorse edizioni del corso, contributi entrati tutti nel kernel Linux. Patch - Autore/Firmatario - Tempo totale speso dall'autore per preparare l'esame e la patch "block, bfq: fix occurrences of request finish method's old name" - Chiara Bruschi - 15 giorni "block, bfq: put async queues for root bfq groups too" - Davide Ferrari - 15 giorni "block, bfq: add requeue-request hook" - Serena Ziviani - 20 giorni (scelto lavoro più impegnativo) "block, bfq: remove the removal of 'next' rq in bfq_requests_merged" e "block, bfq: remove wrong lock in bfq_requests_merged" - Filippo Muzzini - 15 giorni "block, bfq: prevent soft_rt_next_start from being stuck at infinity" e "block, bfq: increase weight-raising duration for interactive apps" - Davide Sapienza - 21 giorni

Testi di riferimento

Consultare la pagina del corso su Moodle.

Codice insegnamento 25279

Prova Finale 2° anno · 24 CFU · 0 file
Scheda dell'insegnamento

Modalità d'esame

Valutazione: Voto Finale - Frequenza: Non obbligatoria

Codice insegnamento 24238

Tecniche Avanzate Di Modellazione E Verifica Del Software 2° anno · 6 CFU · INFO-01/A · 0 file
Tirocinio 2° anno · 6 CFU · 0 file
Scheda dell'insegnamento

Modalità d'esame

Valutazione: Voto Finale - Frequenza: Non obbligatoria

Codice insegnamento 24095

Algoritmi Distribuiti 1° semestre · 9 CFU · INF/01 · 0 file
Computational And Statistical Learning 2° semestre · 6 CFU · MAT/08 · 0 file
Deep Learning 1° semestre · 6 CFU · ING-INF/05 · 0 file
Introduction To Quantum Information Processing 1° semestre · 6 CFU · FIS/03 · 0 file
Metodi Per Il Ciclo Di Vita Del Software 1° semestre · 6 CFU · INF/01 · 0 file
Sistemi Embedded E Real Time 2° semestre · 9 CFU · ING-INF/05 · 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.