Corso di laurea

Ingegneria informatica

Università degli Studi di Roma Tre · 34 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 E MODELLI DI OTTIMIZZAZIONE 1° anno · 6 CFU · MAT/09 · 0 file

Fornire conoscenze di base, sia metodologiche che quantitative, per la rappresentazione e la soluzione di problemi di ottimizzazione. Preparare gli studenti all'uso dei modelli di programmazione matematica con…

Scheda dell'insegnamento

Obiettivi formativi

Fornire conoscenze di base, sia metodologiche che quantitative, per la rappresentazione e la soluzione di problemi di ottimizzazione. Preparare gli studenti all'uso dei modelli di programmazione matematica con particolare attenzione rivolta ai modelli di ottimizzazione a variabili intere e ad alcune loro applicazioni.

Programma

Descrizione del processo decisionale.
Introduzione alla programmazione lineare a numeri interi (PLI): relazione fra PL e PLI, formulazioni equivalenti, rilassamenti, tecniche standard per la formulazione di problemi di PLI.
Formulazione di tipici problemi di ottimizzazione: localizzazione di impianti, scelta di investimenti, sequenziamento di attività, allocazione di risorse in sistemi informatici, ottimizzazione su reti, trasporti, set covering, set partitioning, set packing, turni del personale.
Soluzione esatta di problemi di programmazione lineare a numeri interi: branch and bound, piani di taglio, tecniche di programmazione dinamica (PD).
Matrici totalmente unimodulari.
Il problema di knapsack: branch and bound, algoritmo di PD, dis. cover.
Ottimizzazione su grafi: matching, vertex cover. Grafi euleriani e grafi bipartiti.
Utilizzo di software commerciali per la soluzione di problemi di programmazione matematica.

Modalità d'esame

La verifica dell’apprendimento avviene attraverso una prova scritta della durata di circa 2 ore e da una prova orale da svolgersi nello stello appello. Lo scritto è organizzato attraverso un certo numero di esercizi (tipicamente da 3 a 5), finalizzati a verificare il livello di comprensione effettiva dei concetti più teorici e la capacità degli studenti di applicare le tecniche spiegate a lezione.

Erogazione: Principalmente didattica frontale: lezioni in aula alla lavagna, qualche lezione in laboratorio per l'utilizzo di software commerciali.

Frequenza: Preferibilmente in presenza. In ogni caso, il materiale didattico fornito offre la possibilità agli studenti non frequentanti di prepararsi per l'esame.

Testi di riferimento

[1] M. FISCHETTI, "LEZIONI DI RICERCA OPERATIVA", EDIZIONI LIBRERIA PROGETTO PADOVA, ITALIA, 1995. (CAP. 2, 5,parte del 6 e del 7).
[2] R. AHUJA, T. MAGNANTI, J. ORLIN, "NETWORK FLOWS", PRENTICE HALL, 1993. (pagine 189-191, 473-475, 494-496)
[3] DISPENSE FORNITE DAL DOCENTE E/O DISPONIBILI SUL WEB.

Codice insegnamento 20810252

ARCHITETTURA DEI SISTEMI SOFTWARE 1° anno · 9 CFU · ING-INF/05 · 0 file

Il corso presenta la disciplina dell’architettura del software, che studia le relazioni tra le strutture dei sistemi software e le loro proprietà di qualità (requisiti non funzionali); questa conoscenza è fondamentale ai…

Scheda dell'insegnamento

Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.

Obiettivi formativi

Il corso presenta la disciplina dell’architettura del software, che studia le relazioni tra le strutture dei sistemi software e le loro proprietà di qualità (requisiti non funzionali);
questa conoscenza è fondamentale ai fini dell’analisi, della progettazione, della valutazione e l’evoluzione dei sistemi software complessi. Presentare anche l'architettura dei sistemi software distribuiti, l’architettura a servizi e l’architettura del software per il cloud, nonché alcune tecnologie di middleware. Alla fine del corso, lo studente dovrebbe sapere impostare il progetto di un’architettura software, analizzandone dettagli e problematiche tecnologiche e metodologiche, e valutare l’architettura in termini di raggiungimento di obiettivi di qualità.

Programma

Fondamenti: Concetti di architettura del software; Descrizioni architetturali; Attributi di qualità; Processo di definizione dell'architettura software.
Qualità e progettazione per gli attributi di qualità: prestazioni, modificabilità, disponibilità, verificabilità, scalabilità, interoperabilità, monitoraggio.
Pattern architetturali: Domain Model; Domain Object; Layers; Pipes & Filters; altri pattern POSA; architettura esagonale.
Architettura dei sistemi distribuiti; client/server, peer-to-peer, invocazione remota; broker; comunicazione asincrona; messaging; componenti; architettura a componenti; contenitori per componenti.
Architettura a servizi: servizi; architettura a servizi; servizi REST; architettura basata su servizi; architettura a microservizi.
DevOps e rilascio del software: ambienti e gestione di ambienti; cloud computing; macchine virtuali e virtualizzazione di sistema; container e virtualizzazione basata su container; orchestrazione di container; continuous delivery.
Middleware.

Modalità d'esame

L'esame si svolgerà in modo orale.
Le esercitazioni sul middleware potranno essere verificate mediante lo svolgimento di un piccolo progetto, da effettuare in piccoli gruppi.
ORLANDO DAVIDE

Erogazione: Lezioni frontali. Esercitazioni sul middleware.

Frequenza: La frequenza al corso è facoltativa ma consigliata.

Testi di riferimento

Luca Cabibbo
Architettura del Software: Strutture e Qualità
Edizioni Efesto, 2021
ISBN: 9788833812458

Codice insegnamento 20810007

Algoritmi per la Crittografia 1° anno · 6 CFU · INF/01 · 0 file

Acquisire la conoscenza dei principali algoritmi di cifratura. Approfondire le competenze matematiche necessarie alla descrizione degli algoritmi. Acquisire le tecniche di crittoanalisi utilizzate nella valutazione del…

Scheda dell'insegnamento

Obiettivi formativi

Acquisire la conoscenza dei principali algoritmi di cifratura. Approfondire le competenze matematiche necessarie alla descrizione degli algoritmi. Acquisire le tecniche di crittoanalisi utilizzate nella valutazione del livello di sicurezza fornito dai sistemi di cifratura.

Programma

1. Crittografia Classica

  • Crittosistemi di base: cifratura per sostituzione, per traslazione, per permutazione, affine, di Vigenère, di Hill. Cifratura a flusso (sincrona e asincrona), Linear feedback shift registers (LFSR) su campi finiti, Cifrario autokey. Cifrari prodotto. Crittoanalisi di base: classificazione degli attacchi; crittoanalisi per i cifrari affini, per la cifratura a sostituzione (analisi delle frequenze), per la cifratura di Vigenere: Kasiski test, indice di coincidenza; crittoanalisi del cifrario di Hill e degli LFSR: attacchi algebrici, cube attack.
    2. Applicazione della Teoria di Shannon alla crittografia
  • Sicurezza dei cifrari: sicurezza computazionale, sicurezza dimostrabile, sicurezza incondizionata. Richiami di calcolo delle probabilità: variabili aleatorie discrete, probabilita congiunta, probabilita condizionata, variabili aleatorie indipendenti, Teorema di Bayes. Variabili aleatorie associate a crittosistemi. Sistemi di cifratura a sicurezza perfetta. Crittosistema di Vernam. Entropia. Codici di Huffman. Spurious Keys e Unicity distance.
    3. Cifrari a blocchi
  • Schemi di cifratura iterativi; Reti di Sostituzione-Permutazione (SPN); Crittoanalisi lineare per SPN: Piling-Up Lemma, approssimazione lineare di S- boxes, attacchi lineari a S-boxes; Crittoanalisi differenziale per SPN; Cifrari di tipo Feistel; DES: descrizione e analisi; AES: descrizione; Cenni sui campi finiti: operazioni su campi finiti, algoritmo di Euclide generalizzato per il calcolo del mcd e degli inversi; Modi operativi per i cifrari a blocchi.
    4. Funzioni Hash e Codici per l’autenticazione di messaggi
  • Funzioni di hash e integrità dei dati. Funzioni di hash sicure: resistenza alla controimmagine, resistenza alla seconda controimmagine, resistenza alla collisione. Il modello dell’oracolo random: funzioni di hash ideali, proprietà
    di indipendenza. Algoritmi randomizzati, collisione sul problema della seconda controimmagine, collisione sul problema della controimmagine. Funzioni di hash iterate; la costruzione di Merkle-Damgard. Algoritmo di Hash Sicuro (SHA-1). Codici di Autenticazione (MAC): codici di autenticazione nidificati (HMAC).

Modalità d'esame

Esame scritto e valutazione del progetto di programmazione.

Erogazione: Lezioni in aula e sessioni di programmazione al laboratorio informatico.

Frequenza: non obbligatoria

Testi di riferimento

[1] Antoine Joux, Algorithmic Cryptanalysis, (2010) CRC Press.
[2] Douglas Stinson, Cryptography: Theory and Practice, 3rd edition, (2006) Chapman and Hall/CRC.
[3] Delfs H., Knebl H., Introduction to Cryptography, (2007) Springer Verlag.

Codice insegnamento 20830032

Artificial Intelligence from Engineering to Arts 1° anno · 6 CFU · ING-IND/31 · 0 file

L’obiettivo formativo del corso è avvicinare lo studente ad alcune applicazioni dell’Intelligenza Artificiale (IA) e Machine Learning (ML) in campo ingegneristico e in campo artistico. Il corso è quindi concepito in…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo formativo del corso è avvicinare lo studente ad alcune applicazioni dell’Intelligenza Artificiale (IA) e Machine Learning (ML) in campo ingegneristico e in campo artistico. Il corso è quindi concepito in due parti: la prima che riguarda applicazioni di IA all’ingegneria dell'energia elettrica e dell'informazione; la seconda che si concentra sull’utilizzazione di tecniche di ML per la produzione musicale e artistica in generale. Lo studente avrà così l’opportunità di apprendere come l’IA sia uno strumento molto versatile e performante in campi applicativi pur molto distanti culturalmente.

Programma

1. Algoritmi ed intelligenza artificiale

  • Note introduttive sugli algoritmi e sul problem solving dal punto di vista ingegneristico
  • Il calcolo Evolutivo: Algoritmi Genetici, Swarm Intelligence.
  • Le Reti Neurali.
  • Linguaggi di programmazione ed ambienti di sviluppo: python.
    2. Applicazione dell’intelligenza artificiale nell’ingegneria industriale e dell’informazione
  • Applicazione di Calcolo Evolutivo per l’ottimizzazione e i problemi inversi nell'ingegneria dei materiali, energia e in campo biomedico.
  • Modelli Neurali, genetici e di swarm intelligence applicati alla modellistica di materiali e dispositivi.
  • Applicazione dell’IA e del machine learning nell’ambito della progettazione.
    3. Applicazioni dell'IA alla musica e all'arte in generale
  • Tecniche di ML per la Composizione musicale. Come informatizzare il segnale musicale: il MIDI.
  • Intelligenza artificiale generativa nelle arti visive e letterarie.

Modalità d'esame

Discussione di argomenti del corso con domande aperte.

Erogazione: Il corso viene erogato in presenza.

Frequenza: La frequenza è fortemente consigliata.

Testi di riferimento

Zhng, A., Lipton, Z. C., Li, M., & Smola, A. J. (2021). Dive into deep learning. arXiv preprint arXiv:2106.11342. Disponibile online: https://d2l.ai/
Intelligenza Artificiale e arte - ISBN-13 978-8816606012 Editore Jaca Book Data di pubblicazione 5 novembre 2020
Dispense fornite dal docente.

Zhng, A., Lipton, Z. C., Li, M., & Smola, A. J. (2021). Dive into deep learning. arXiv preprint arXiv:2106.11342. Disponibile online: https://d2l.ai/
Intelligenza Artificiale e arte - ISBN-13 978-8816606012 Editore Jaca Book Data di pubblicazione 5 novembre 2020

Codice insegnamento 20810267

Automata, Languages and Computing 1° anno · 9 CFU · ING-INF/05 · 0 file

Presentare la teoria dei linguaggi e, parallelamente, la teoria degli automi. Introdurre i paradigmi della computabilità e della complessità. Al termine del corso gli studenti dovrebbero conoscere nuove metodologie…

Scheda dell'insegnamento

Obiettivi formativi

Presentare la teoria dei linguaggi e, parallelamente, la teoria degli automi. Introdurre i paradigmi della computabilità e della complessità. Al termine del corso gli studenti dovrebbero conoscere nuove metodologie formali, dovrebbero riuscire a rivisitare in modo critico, dal punto di vista del potere espressivo, metodologie già introdotte in modo pragmatico e dovrebbero essere in grado di classificare i problemi dal punto di vista delle risorse richieste per la loro risoluzione.

Programma

Proprietà elementari dei linguaggi: operazioni su linguaggi, operatore di Kleene, espressioni regolari, cardinalità dei linguaggi.
Grammatiche formali: grammatiche di Chomsky, produzioni, riconoscimento di linguaggi.
Linguaggi regolari: automi a stati finiti, relazioni tra automi e linguaggi regolari, pumping lemma, chiusura dei linguaggi regolari, espressioni regolari e linguaggi regolari, decidibilità e linguaggi regolari, teorema di Myhill-Nerode.
Linguaggi non contestuali.
Cardinalità di insiemi infiniti.
Macchine di Turing (MT) e Turing calcolabilità: funzionamento delle MT, MT multinastro, MT non deterministiche, descrizione linearizzata delle MT, MT universale, il problema della fermata, calcolabilità secondo Turing, teorema di Rice, linguaggi di tipo 0 e MT.
Macchine a registri (RAM): modelli di costo per RAM, modello a costi uniformi, modello a costi logaritimici, RAM e MT.
Teoria della complessità: tipologie di problemi, problemi di decisione, complessità e problemi di decisione su linguaggi, classi di complessità, relazioni elementari tra classi di complessità, riducibilità, completezza, la classe NP, NP-completezza, esempi di problemi NP-completi. La classe PSPACE. Rapporto tra complessità e problemi elementari di Machine Learning.

Modalità d'esame

L'esame è costituito da una prova scritta con 8 domande e della durata di circa due ore.
Gli studenti che vorranno, potranno avvalersi del seguente ulteriore meccanismo di valutazione. Durante le lezioni verranno proposti esercizi da fare su moodle (domande in itinere) in tempo reale. Ciò potrà avvenire durante tutte le lezioni. La valutazione delle domande sarà sì/no. Coloro che avranno superato almeno l'ottanta per cento delle domande in itinere potranno fare, solo al primo appello, un compito di 6 domande, con tre quarti del tempo e conseguendo il massimo punteggio (7,5/30) sulle due domande da non fare. Coloro che avranno superato almeno il quaranta per cento delle domande in itinere potranno fare, solo al primo appello, un compito di 7 domande, con sette ottavi del tempo e conseguendo il massimo punteggio (3,75/30) sulla domanda da non fare. Potranno svolgere le domande in itinere solo coloro che saranno presenti a lezione. Per rilevare i presenti, in ogni lezione ci sarà un elenco nel quale ciascuno potrà segnalare la propria presenza. L’elenco dei presenti non sarà usato in nessun altro modo. Per svolgere le domande in itinere sarà necessario portare a lezione almeno uno smartphone o un laptop o un tablet.

Erogazione: Lezioni ed esercitazioni in aula.

Frequenza: Lezione in aula.

Testi di riferimento

Slide fornite dal docente.
Libri consigliati:
G. Ausiello, F. d'Amore, G. Gambosi, Linguaggi Modelli Complessità, Franco Angeli (i primi dieci capitoli sono distribuiti dagli autori gratuitamente)
M. Sipser, Introduction to the Theory of Computation, Thompson

Codice insegnamento 20810256

Cybersecurity 1° anno · 9 CFU · ING-INF/05 · 0 file

Il corso in Cybersecurity intende fornire allo studente le competenze necessarie per comprendere e affrontare problematiche di sicurezza informatica per sistemi ICT e organizzazioni complesse, per progettare reti e…

Scheda dell'insegnamento

Obiettivi formativi

Il corso in Cybersecurity intende fornire allo studente le competenze necessarie per comprendere e affrontare problematiche di sicurezza informatica per sistemi ICT e organizzazioni complesse, per progettare reti e sistemi informatici con un certo livello di sicurezza e per pianificare e gestire attività legate alla sicurezza informatica. Il corso fornice competenze circa attacchi, contromisure, strumenti crittografici, applicazioni e metodologie nel campo della cybersecurity. Argomenti avanzati circa l'integrità dei dati sono anche trattati.

Programma

  • Introduzione al corso
  • Introduzione alla sicurezza informatica e terminologia
  • Vulnerabilità e minacce
    ◦ Vulnerabilità del software input fidato e non fidato, validazione dell'input. Vulnerabilità di applicazioni scritte in linguaggi interpretati, code injection. Injection in pagine web: XSS. Cross site request forgery. OWASP.
    ▪ esempio di sito vulnerabile a sql injection
    ◦ Attacchi di tipo buffer overflow . Exploitation: privilege excalation, intrusioni via rete tramite servizi aperti, intrusione via documenti non fidati (via email, via web o altro).
    ▪ esempio di codice vulnerabile a buffer overflow e relativo exploit
    ◦ Vulnerabilità delle reti : sniffing, mac flood, ARP poisoning, vulnerabilità del DNS, attacco di Kaminsky. TCP session hijecking, attacchi MitM, DOS e Distributed DoS, Route hijacking.
  • Pianificazione della sicurezza: contenuti del piano di sicurezza, analisi dei rischi.
  • Contromisure
    ◦ Principi di progettazione di politiche e meccanismi
    ◦ Modelli: AAA, confinamento, DAC, MAC, access control matrix
    ◦ Tecniche crittografiche:
    ▪ richiami di crittografia (hash, simmetrica, asimmetrica, MAC, firma digitale), attacchi birthday, rainbow, qualità delle chiavi, generazione di numeri pesudo-casuali.
    ▪ Protocolli di autenticazione e di scambio di chiavi. Attacchi replay e reflection. Nonces. Perfect Forward Secrecy. Diffie-Helman.
    ▪ Certificati, certification authority, public key infrastructure e loro vulnerabilità.
    ▪ Applicazioni: Porotocolli ssl, tls, ssh, virtual private network, ipsec, ecc. Protocolli di autenticazione punto-punto e in rete locale. radius e vulnerabilità. Altre applicazioni.
    ◦ Considerazioni sui sistemi per la rilevazione automatica dei problemi
    ◦ Sicurezza dei sistemi:
    ▪ principi generali: passwords e loro vulnerabilità, metodologia di hardening, assessment e auditing
    ▪ unix: controllo di accesso discrezionario, sicurezza nel filesystem, autenticazione, PAM, syslog
    ◦ Sicurezza delle reti:
    ▪ Firewalling: firewall stateless e statefull, connessioni, syn-proxy e syn-cookies, load balancing e high availability, linux netfilter ed esempi di configurazioni.
    ▪ Sicurezza di rete a livello 1 e 2.
    ▪ Proxy applicativi, Intrusion detection systems di rete.
  • Authenticated Data Structures
  • Distributed Ledger Technologies and Bitcoin
  • Smart contracts
  • Cybersecurity nelle grandi organizzazioni

Modalità d'esame

Gli studenti verranno valutati sulla base di una prova scritta (circa il 66% della valutazione) e di una prova pratica in laboratorio (circa il 33% della valutazione).

Frequenza: Gli studenti sono incoraggiati a seguire il corso in aula dal vivo, tuttavia è possibile, anche se non consigliabile, sostenere l'esame senza aver seguito il corso.

Testi di riferimento

Dispense del corso

M. Bishop, "Computer Security: Art and Science", Addison-Weslesy.
C. Kaufman, R. Perlman, M. Speciner, "Network Security: Private Comunication in a Public World (second edition)", Prentice Hall.
C. Pfleeger, S. Pfleeger, "Security in Computing", Pearson - Prentice Hall.
A. Antonopoulos, Mastering Bitcoin, 2nd Edition, O'Reilly, ,2017
A. Antonopoulos, G, Wood, Mastering ethereum: building smart contracts and dapps. O'Reilly Media, 2018

Codice insegnamento 20830031

Cybersecurity per le Infrastrutture Elettriche 1° anno · 6 CFU · ING-IND/31 · 0 file

Il corso mira ad esplorare le vulnerabilità di sicurezza informatica nei sistemi di controllo delle infrastrutture elettriche. Date le caratteristiche dell'energia elettrica e la tipica alta velocità dei processi…

Scheda dell'insegnamento

Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.

Obiettivi formativi

Il corso mira ad esplorare le vulnerabilità di sicurezza informatica nei sistemi di controllo delle infrastrutture elettriche. Date le caratteristiche dell'energia elettrica e la tipica alta velocità dei processi elettrici, controllare il funzionamento di tale impianto è un compito complesso sia dal punto di vista organizzativo che tecnico – motivo per cui i dispositivi progettati per la protezione di emergenza delle apparecchiature elettriche e l'automazione sono di cruciale importanza per garantire la continuità del servizio. Durante il corso verranno analizzati i requisiti per questi dispositivi, la loro progettazione e funzionalità al fine di proteggere i sistemi di alimentazione elettrica, rispondendo alla crescente domanda dei consumatori e alle esigenze operative.
La convergenza tra tecnologie informatiche e sistemi di protezione elettrica ha innescato una trasformazione radicale, modificando i principi fondamentali di progettazione e gestione delle reti di alimentazione. Migliorare e monitorare la qualità del controllo è uno dei compiti principali del futuro sviluppo dell'energia elettrica e della transizione ai sistemi Smart Grid. Verranno infatti esplorate le tecniche di monitoraggio e la protezione dei sistemi di controllo che svolgono quindi un ruolo chiave nella generazione, nel trasporto e nella distribuzione dell'elettricità.
Nel corso verranno pertanto trattate le metodologie per la salvaguardia dei sistemi di controllo, la protezione degli endpoint e il monitoraggio del traffico di rete industriale, fornendo esempi di implementazione in una moderna sottostazione elettrica e definendo termini chiave. Questo includerà il monitoraggio della rete nella sua interezza e come tecniche predittive e di monitoraggio online possano mitigare criticità nel sistema. Verranno affrontati anche gli strumenti per modellare le reti come grafi e come l'Intelligenza Artificiale ne potenzia il controllo mediante l'utilizzo delle Graph Neural Networks (GNNs).

Programma

▪ Analisi delle Vulnerabilità:
a. Identificazione e analisi delle vulnerabilità nei sistemi di controllo industriale (ICS) e nei sistemi SCADA utilizzati nelle infrastrutture elettriche.
b. Studio dei protocolli di comunicazione specifici del settore energetico (es. IEC 60870, IEC 61850 e IEC 61970) e delle loro debolezze.
▪ Sicurezza degli Endpoint e Monitoraggio della Rete:
a. Implementazione di soluzioni di sicurezza degli endpoint per proteggere i dispositivi di controllo e automazione.
b. Monitoraggio del traffico di rete industriale utilizzando strumenti di analisi del traffico e sistemi di rilevamento delle intrusioni (IDS).
c. Utilizzo di SIEM (Security Information and Event Management) per la correlazione di eventi di sicurezza.
▪ Modellazione e Analisi delle Reti:
a. Modellazione delle reti elettriche come grafi per l'analisi delle interdipendenze e delle vulnerabilità.
b. Applicazione di algoritmi di Graph Neural Networks (GNN) per il rilevamento di anomalie e la previsione di attacchi.
▪ Intelligenza Artificiale e Machine Learning:
a. Utilizzo di tecniche di machine learning per l'analisi dei log e il rilevamento di comportamenti anomali.
b. Implementazione di sistemi di intelligenza artificiale per l'automazione della risposta agli incidenti.
c. Utilizzo di algoritmi di Meta-Learning per la rilevazione di minacce.
▪ Tecniche di Monitoraggio Predittivo:
a. Implementazione di sistemi di monitoraggio predittivo per anticipare potenziali guasti e attacchi.
b. Utilizzo di tecniche di analisi dei dati per identificare modelli di comportamento sospetti.
▪ Standard e Normative:
a. Approfondimento delle normative e degli standard di sicurezza informatica specifici per il settore energetico (es. NIST, IEC 62443).
b. Gestione del rischio e conformità alle normative.

Modalità d'esame

Discussione di argomenti del corso con domande aperte.

Frequenza: La frequenza è fortemente consigliata.

Testi di riferimento

Cybersecurity in the Electricity Sector: Managing Critical Infrastructure 1st ed. 2019 Edition,
Springer Nature Switzerland AG

Cybersecurity in the Electricity Sector: Managing Critical Infrastructure 1st ed. 2019 Edition,
Springer Nature Switzerland AG

Codice insegnamento 20830029

Decision Support Systems and Analytics 1° anno · 6 CFU · MAT/09 · 0 file

Obiettivo del corso è far acquisire i principali strumenti teorici e metodologici per la modellizzazione delle decisioni e per l’individuazione delle migliori strategie di supporto alle decisioni in considerazione…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo del corso è far acquisire i principali strumenti teorici e metodologici per la modellizzazione delle decisioni e per l’individuazione delle migliori strategie di supporto alle decisioni in considerazione degli obiettivi prefissati. Il corso mira anche a fornire abilità e competenze su come utilizzare i dati a disposizione per implementare modelli prescrittivi analitici a supporto delle decisioni, come leggere i risultati forniti dai modelli in uso e come interpretarli per proporre soluzioni opportune a problemi gestionali complessi

Programma

  • Panoramica sui sistemi di supporto alle decisioni (DSS). Model Driven DSS.
  • Richiami di modellazione (esempi di formulazioni PL, PLI e PNL). Cenni alla complessità computazionale.
  • Generalità su Business Analytics. Predictive analytics, alberi di classificazione ottimi, esempi. Prescriptive analytics.
  • Algoritmi euristici: Euristiche Costruttive, Ricerca Locale, Ricerca Locale a profondità variabile, Tabu Search, Simulated Annealing, Algoritmi Genetici, GRASP, Iterated Local Search, Variable Neighborhood Search, Guided Local Search, Ant Colony Optimization, PSO, Scatter Search, Path relinking...
  • Ottimizzazione robusta.
  • Studio di casi reali: (1) ottimizzazione dei flussi nella distribuzione di cibi surgelati dagli impianti di produzione ai rivenditori, (2) ottimizzazione dei turni del personale sanitario nei reparti ospedalieri, (3) ottimizzazione dei percorsi per la raccolta di materiale biologico per analisi di laboratorio, (4) gestione ottima del magazzino di un’azienda che si occupa di vendite online (5) processo di donazione di organi.

Modalità d'esame

La verifica dell’apprendimento avviene attraverso una prova scritta della durata di circa 2 ore. Lo scritto è organizzato attraverso un certo numero di domande, finalizzate a verificare il livello di comprensione effettiva dei concetti e la capacità degli studenti di applicarli in contesti reali.
La prova scritta sarà integrata o con una prova orale o con lo svolgimento di un progetto da svolgere sotto la guida del docente.

Erogazione: Lezioni principalmente di didattica frontale sia alla lavagna sia con slide proiettate. Analisi di alcuni casi di studio.

Frequenza: Preferibilmente in presenza. In ogni caso, il materiale didattico fornito offre la possibilità agli studenti non frequentanti di prepararsi per l'esame.

Testi di riferimento

1. Modelli e metodi decisionali in condizioni di incertezza e rischio, di G. Ghiani, R. Musmanno (a cura di), McGraw-Hill Education, 2009.
2. Slide e materiale didattico fornito dal docente

Codice insegnamento 20810208

Diritto dei Dati 1° anno · 6 CFU · IUS/02 · 0 file

Fornire una introduzione ai principi e alle regole fondamentali del diritto italiano ed europeo in materia di governo dei dati. Approfondire la distinzione normativa tra dati personali e dati non personali, con lo studio…

Scheda dell'insegnamento

Obiettivi formativi

Fornire una introduzione ai principi e alle regole fondamentali del diritto italiano ed europeo in materia di governo dei dati. Approfondire la distinzione normativa tra dati personali e dati non personali, con lo studio dei principali istituti (tra i quali la proprietà intellettuale, la tutela del segreto, la protezione dei dati personali) che disciplinano i profili dell'appartenenza, dell'accesso e della circolazione. Analizzare le questioni poste dall'uso dei dati per decisioni algoritmiche in ambito amministrativo e privatistico

Codice insegnamento 20810257

INTELLIGENZA ARTIFICIALE 1° anno · 9 CFU · ING-INF/05 · 0 file

Gli obiettivi sono quelli di introdurre tecnologie avanzate di intelligenza articiale, quali i sistemi ad agente e multi-agente, il ragionamento basato sulla probabilità e i fondamenti del ragionamento basato su logica e…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi sono quelli di introdurre tecnologie avanzate di intelligenza articiale, quali i sistemi ad agente e multi-agente, il ragionamento basato sulla probabilità e i fondamenti del ragionamento basato su logica e dei sistemi di supporto alle decisioni.
Saranno discussi gli sviluppi dei più recenti modelli e tecnologie di intelligenza artificiale e le relative applicazioni nei domini di maggiore interesse, quali robotica, assistenti AI-powered, AI in education, finanza, health-care e gaming.
Saranno citate le principali e recenti questioni etiche, sociali ed epistemologiche associate all’impiego di strumenti di intelligenza artificiale su larga scala e alla generative Artificiale general intelligence.

Programma

1. Introduzione al corso

  • Aree di interesse dell’Intelligenza Artificiale.
  • Potenzialità dei modelli e dei metodi di IA.
    2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati
  • Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
  • Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
  • Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
  • Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).
    3. Introduzione al linguaggio Python
  • Ambienti di sviluppo, Jupyter Notebook, Colab.
  • Python base. Strutture dati in Pyhton.
  • Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.
    4. Evolutionary Computation
  • Soft Computing e “No Free Lunch Theorem”.
  • Algoritmi Genetici e loro applicazioni.
  • Particle Swarm Optimization e applicazioni.
    5. Comunicazione e Percezione
  • Visione Artificiale:
  • Luce e colore
  • Formazione immagini
  • Elaborazione flusso visuale
  • Tecniche di object recognition

Modalità d'esame

Prova scritta.
LIMONGELLI CARLA
scheda docente
|
materiale didattico

Erogazione: Lezioni ed esercitazioni.

Frequenza: La frequenza non è obbligatoria, ma è fortemente consigliata.

Testi di riferimento

Dispense a cura del docente.

S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2020). Pearson Education.

Codice insegnamento 20801730

Internet and Data Centers 1° anno · 9 CFU · ING-INF/05 · 0 file

Fornire competenze avanzate sulle reti di calcolatori e sui data centers con contributi metodologici e tecnici. Particolare attenzione è riservata agli aspetti legati alla scalabilità. Al termine del corso lo studente…

Scheda dell'insegnamento

Obiettivi formativi

Fornire competenze avanzate sulle reti di calcolatori e sui data centers con contributi metodologici e tecnici. Particolare attenzione è riservata agli aspetti legati alla scalabilità. Al termine del corso lo studente dovrebbe aver assimilato i concetti di instradamento interdominio e intradominio, controllo di congestione, architetture per servizi scalabili, e dovrebbe aver acquisito tecnicalità avanzate sui protocolli più diffusi. Lo studente inoltre dovrebbe aver compreso quali siano gli aspetti tecnici ed economici e quali siano i principali attori che governano l'evoluzione di Internet e dei data centers.

Programma

La struttura di Internet e il rapporto tra Internet, Data Center e Cloud
Il Polo Strategico Nazionale: un grande Data Center in corso di realizzazione
Il Sistema Pubblico di Connettività: un insieme di grandi reti private connesse tra loro e connesse a Internet
Generalità sugli algoritmi di instradamento per l'infrastruttura di rete fissa
Algoritmi e protocolli di livello tre
Algoritmi Distance Vector
Algoritmi Link-State-Packet
Protocolli di instradamento
Algoritmi e protocolli di livello due
Calcolo dello spanning tree in reti con switch
VLAN: reti locali virtuali
Evoluzione dello spanning tree protocol
Software Defined Networks
Il routing interdominio
Border Gateway Protocol
BGP pitfalls
Scalabilità di BGP
La gerarchia di Internet
Uso del servizio RIPE Stat
Uso del servizio AS Rank
Uso dei Looking Glass - il caso Hurricane Electric
Stabilità di BGP
Anomalie in Internet
Routing di un ISP basato su MPLS (ulteriore materiale)
TCP e le tecniche per trasmissioni efficienti
Efficienza di TCP per nei servizi interattivi
TCP e controllo di congestione
Comportamento self-clocking di TCP e il prodotto banda-latenza
Comportamento aimd di TCP
BBR TCP
Routing nei data centers
Servizi basati sul Web: dai Data center alle CDN
Architetture, modelli e algoritmi per servizi basati sul Web
Distribuzione locale
Distribuzione globale
Content delivery networks
IPv6
Indirizzamento e aspetti di base del protocollo
ICMPv6
Source address selection e multihoming
Meccanismi di transizione IPv4-IPv6

Modalità d'esame

La valutazione si compone di una prova di laboratorio che pesa il 40% del voto finale e di una prova orale che pesa il 60%.
La prova orale dura dai 20 ai 30 minuti e si compone di due o tre domande sugli argomenti del programma del corso. Tale prova è tesa a valutare sia le conoscenze e la capacità di comprensione acquisite dagli studenti che l'autonomia di giudizio e l'abilità comunicativa rispetto al dominio in esame.
La prova di laboratorio dura due o tre ore e consiste nella configurazione in ambiente emulato di una rete di calcolatori in cui sono presenti sia protocolli di rete intradominio (per esempio RIP o OSPF) che protocolli di rete interdominio (BGP). Tale prova mira a valutare la capacità degli studenti di applicare conoscenze e capacità di comprensione e anche l'autonomia di giudizio acquisita e necessaria per proporre configurazioni non banali. Abbondanti esempi di prove di laboratorio sono reperibili sul sito dell'emulatore di rete Kathara (http://kathara.org).
La prova di laboratorio può essere sostituita dalla valutazione di laboratorio in itinere, che consiste in quattro prove di laboratorio intermedie in tutto, distribuite nel semestre. Il voto finale per la prova di laboratorio si ottiene facendo la media dei voti delle singole prove dopo aver scartato il voto peggiore (che può essere zero in caso di assenza alla prova). La valutazione di laboratorio in itinere non è mutualmente esclusiva rispetto alla prova di laboratorio dell’esame, tuttavia se lo studente si presenta alla prova di laboratorio dell'esame rinuncia implicitamente al voto conseguito tramite le prove di laboratorio in itinere. Inoltre il risultato delle prove in itinere potrà essere utilizzato esclusivamente nella prima sessione d’esame di febbraio dello stesso Anno Accademico.
Criteri di assegnazione dei voti: La valutazione degli studenti si basa sui descrittori di Dublino e tiene conto del livello di conoscenza, comprensione ed elaborazione critica degli argomenti trattati nel corso. Gli studenti che dimostrano di aver acquisito i concetti fondamentali e di saperli applicare in contesti semplici otterranno una valutazione sufficiente. I voti medi saranno assegnati a coloro che, oltre a padroneggiare le basi, mostrano capacità di analisi e rielaborazione autonoma di concetti più complessi. I voti più alti sono riservati agli studenti che evidenziano una comprensione approfondita, capacità di sintesi, spirito critico e autonomia nel risolvere problemi anche nuovi o non affrontati esplicitamente durante il corso.
ARIEMMA LORENZO

Erogazione: Lezioni con proiezione di slides. Riproduzione di sessioni di configurazione di router in ambiente emulato da parte del docente in classe. Gli studenti sono incoraggiati a portare il loro portatile in classe per riprodurre le configurazioni passo passo.

Frequenza: Le trasparenze del corso sono abbondantemente commentate allo scopo di rendere possibile la preparazione all'esame anche agli studenti non frequentanti. Tuttavia gli aspetti complessi delle reti di calcolatori ed i tecnicismi vengono trasmessi attraverso le discussioni con gli studenti in classe.

Testi di riferimento

Trasparenze fornite dal docente e scaricabili via via dal sito del corso: http://www.dia.uniroma3.it/~impianti/
Per scaricare le slides sono neccessarie delle credenziali da richiedere al docente ([email protected])

È disponibile per gli studenti un libro di esercizi sulle reti di calcolatori: Luca Cittadini, Giuseppe Di Battista, Maurizio Patrignani "Understanding Computer Networks with Questions (and Answers) - Version 0.1" (http://www.dia.uniroma3.it/%7Eimpianti/HomePage21-22/netbook/netbook-01.pdf)
Gli esercizi coprono in parte il programma di Reti di Calcolatori e in parte il programma di Internet and Data Centers.
La descrizione dei protocolli utilizzati nelle reti di calcolatori è disponibile in Internet.

Codice insegnamento 20810259

LABORATORIO DI MULTIMEDIALITA' 1° anno · 6 CFU · ING-INF/03 · 0 file

Il corso avrà l'obiettivo di illustrare le metodologie più avanzate per la caratterizzazione ed il trattamento dei segnali multimediali. In particolare si approfondirà lo studio di segnali video e di immagini sia nel…

Scheda dell'insegnamento

Obiettivi formativi

Il corso avrà l'obiettivo di illustrare le metodologie più avanzate per la caratterizzazione ed il trattamento dei segnali multimediali. In particolare si approfondirà lo studio di segnali video e di immagini sia nel caso bidimensionale che in quello tridimensionale. Il corso sarà suddiviso in due parti: la prima per fornire agli studenti le conoscenze teoriche di base sugli strumenti per l’elaborazione dei segnali multimediali e sulla programmazione in Matlab, la seconda consiste in esperienze pratiche, di gruppo e individuali, sia su calcolatori che tramite dispositivi messi a disposizione degli studenti (Kinect, sistemi di restituzione 3D, webcam stereo). L’utilizzo in laboratorio di sistemi di acquisizione, elaborazione e restituzione, consentirà allo studente di ottenere le conoscenze di base per il progetto di sistemi di comunicazione multimediali efficaci in termini di qualità, del costo e della sicurezza. Il corso prevede seminari monografici dedicati ad approfondire esempi di applicazione dei segnali multimediali come e-learning, cinema, IP-tv e comunicazioni mobili.

Programma

Introduzione al corso
Sistema visivo umano ed elaborazione delle immagini nel dominio spaziale
Filtraggio nel dominio spaziale
Filtraggio nel dominio trasformato
Trasformata wavelet
Modelli di rumore
Compressione di immagini
Fondamenti di elaborazione del segnale audio
Codifica Video
Sistemi tattili
Applicazioni in Python

Modalità d'esame

Esame orale
Progetto

Frequenza: Facoltativa ma consigliata

Testi di riferimento

R.C. Gonzalez, R.E. Woods, and S. L. Eddins, "Digital Image Processing Using MATLAB, 2e", Publisher: Prentice-Hall;
B. Block and P. McNally, “3D storytelling: how stereoscopic 3D works and how to use it”, Publisher: Focal Press;
C. W. Chen, Z. Li and S. Lian, “Intelligent Multimedia Communication: Techniques and Applications (Studies in Computational Intelligence)”, Publisher: Springer;

Codice insegnamento 20802061

Laboratorio Legale sulla Cybersecurity 1° anno · IUS/15 · 0 file

Le questioni giuridiche poste dai sistemi di compliance e di responsabilità, così come regolati dalle fonti vigenti, nonché quelli legati all’ammissibilità e all’efficacia delle cosiddette prove digitali, impongono la…

Scheda dell'insegnamento

Obiettivi formativi

Le questioni giuridiche poste dai sistemi di compliance e di responsabilità, così come regolati dalle fonti vigenti, nonché quelli legati all’ammissibilità e all’efficacia delle cosiddette prove digitali, impongono la formazione di giuristi capaci di intendere il linguaggio tecnico informatico e le questioni sottese ai sistemi di cybersecurity; per altro verso, si ritiene cruciale fornire agli studenti di ingegneria l’opportunità di acquisire le nozioni istituzionali sui temi giuridici coinvolti nei rapporti originati dall’adempimento di obblighi di cybersecurity e dalla violazione dei relativi sistemi.
L’obiettivo immediato è strutturare una law clinic in cui, attraverso la consolidata metodologia di learning by doing, docenti di giurisprudenza e di ingegneria possano condividere il carico didattico e, dopo una prima parte dedicata allo studio delle istituzioni, sottoporre ai team di studenti (composti in modo misto) l’analisi, lo sviluppo e le proposte di soluzioni di casi pratici.
L’obiettivo mediato consiste nella realizzazione di una grammatica comune, tra giuristi e ingegneri, chiamati, nel mondo del lavoro e delle professioni, a confrontarsi con la cyber sicurezza.

Programma

OT ARCHITECTURES AND SECURITY:
Introduzione all'Automazione Industriale e nelle Infrastrutture. PLC, architetture hardware e software. Reti per il Campo, caratteristiche e metodi di accesso al mezzo
Bus di Campo, PLC. Sistemi SCADA. Industrial IoT. Il problema cyber degli impianti industriali/Terminologia/Il profilo dell'attaccante/Attack Space. Il ciclo di vita di un attacco/Vettori di Attacco. Attacchi Storici. Strategie di Difesa/Standard. IEC 62443/Security Approaches.

Modalità d'esame

la valutazione consiste in una prova orale e nelal valutazione complessiva della clinica

Frequenza: la frequenza è consigliata

Testi di riferimento

dispense del docente

Codice insegnamento 20830089

Machine Learning 1° anno · 9 CFU · ING-INF/05 · 0 file

Gli obiettivi sono fornire compete avanzate e specifiche nell'ambito dei più recenti modelli e tecnologie di apprendimento automatico. Il corso consentirà la risoluzione di problemi complessi attraverso una adeguata…

Scheda dell'insegnamento

Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.

Obiettivi formativi

Gli obiettivi sono fornire compete avanzate e specifiche nell'ambito dei più recenti modelli e tecnologie di apprendimento automatico. Il corso consentirà la risoluzione di problemi complessi attraverso una adeguata formulazione del problema e la definizione di modelli e rappresentazioni della conoscenza più adatte, e le tecniche di implementazione più efficiente per l’implementazione degli algoritmi di machine learning. Si approfondiranno le diverse tecniche di reinforcement learning e i domini di impiego; e si introdurranno modelli dello stato dell’arte, quali graph neural networks e tecniche di tuning e autotuning.
Il corso è costituito da una parte teorica e metodologica su concetti avanzati e innovativi, e da una attività laboratoriale in cui tali concetti sono applicati nella risoluzione di problemi mediante i più recenti framework di sviluppo.

Programma

1. Introduzione al Corso

  • Aree di interesse del Machine Learning.
  • Potenzialità dei modelli e dei metodi di ML.
    2. Regressione
  • Introduzione alla Linear Regression.
  • Overfitting nella Regressione.
  • Regolarizzazione: Rideg Regression.
  • Feature Selection e Lasso.
    3. Classificazione
  • Logistic Regression per la classificazione.
  • Overfitting nella Classificazione.
  • Boosting. Algoritmo AdaBoost.
  • Naïve Bayes.
  • Support Vector Machines.
    4. Clustering
  • Algoritmi k-means e k-means++
  • Expectation Maximization.
  • Clustering gerarchico.
    5. Reti Neurali Artificiali
  • Architettura delle Reti Neurali Artificiali.
  • Algoritmo di Apprendimento di Backpropagation.
  • Applicazioni delle Reti Neurali Artificiali.
    6. Gli ambienti Keras e TensorFlow
  • I linguaggi Keras e TensorFlow per lo sviluppo di applicazioni di ML.
  • Architetture GPU-based. Le GPU Nvidia Tesla e Volta.
  • Uso di TensorFlow con il supporto delle GPU.
    7. Riduzione di Dimensionalità
  • Compressione e visualizzazione dei dati.
  • Principal Component Analysis (PCA).
  • Scelta del numero di componenti principali.
  • Applicazioni nei Recommender Systems.
    8. Reinforcement Learning
  • Markov Decision Process.
  • Programmazione dinamica.
  • Algoritmi di Reinforcement Learning.
    9. Introduzione al Deep Learning
  • Introduzione alle Deep Forward Networks.
  • Cenni sulle Convolutional Neural Networks (CNN).
  • Cenni sulle Generative Adversarial Networks (GAN).
    10. Casi di Studio e Progetti
    Si esporranno vari casi di studio e si proporranno progetti in cui applicare le nozioni apprese su vari domíni d’interesse. In particolare le tematiche trattate potranno riguardare, tra l’altro, applicazioni di metodi e tecniche di ML nelle seguenti aree:
  • Social Media Analysis (sentiment analysis, fake news detection, fake users detection, ecc.)
  • Financial Machine Learning (algorithmic trading, ecc.)
  • Recommender Systems (social RecSys, cultural heritage RecSys, e-commerce RecSys, ecc.)
  • Data Science (prediction functions per applicazioni pratiche, ecc.)
  • Visione Artificiale (object detection, face detection, face recognition, content-based video analysis, ecc.)
  • Bioinformatica (riconoscimento di sequenze genetiche, ecc.)

Modalità d'esame

Prova scritta, prova pratica.
GASPARETTI FABIO
scheda docente
|
materiale didattico

Erogazione: Lezioni ed esercitazioni. Supervisione progetto.

Frequenza: La frequenza non è obbligatoria, ma è fortemente consigliata.

Testi di riferimento

Dispense a cura del docente.

S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2020). Pearson Education.

Codice insegnamento 20810266

PROBABILITA' E STATISTICA 1° anno · 6 CFU · MAT/06 · 0 file

Gli obiettivi principali del corso sono i seguenti. a) Acquisire una solida conoscenza di base della teoria della probabilità discreta e continua: spazi di probabilità, prove ripetute indipendenti, variabili aleatorie,…

Scheda dell'insegnamento

Scheda ripresa da un altro corso di laurea dello stesso ateneo.

Obiettivi formativi

Gli obiettivi principali del corso sono i seguenti.
a) Acquisire una solida conoscenza di base della teoria della probabilità discreta e continua: spazi di probabilità, prove ripetute indipendenti, variabili aleatorie, distribuzioni di probabilità con alcuni teoremi limite.
b) Acquisire una solida conoscenza di base della statistica elementare e inferenziale: campionamento, descrizione dei dati, statistiche campionarie, stimatori, intervalli di confidenza e test d'ipotesi.

Programma

Verrano discussi durante le lezioni i seguenti capitoli del libro di testo consigliato (Sheldon Ross, “Probabilità e Statistica per l’ingegneria e le scienze”, edizioni Apogeo)
Cap. 1: 1.1, 1.2, 1.3
Cap. 2: 2.2, 2.2.1, 2.2.2, 2.3, 2.3.1, 2.3.2, 2.3.3, 2.4, 2.5, 2.6
Cap. 3: 3.1, 3.2, 3.3, 3.4, 3.5, 3.5.1, 3.6, 3.7, 3.8
Cap. 4: 4.1, 4.2, 4.3, 4.3.1, 4.3.2, 4.3.3, 4.4, 4.5, 4.5.1, 4.6, 4.7, 4.8, 4.9
Cap. 5: 5.1, 5.2, 5.4, 5.5, 5.6, 5.6.1, 5.8.1, 5.8.2.
Cap. 6: 6.1, 6.2, 6.3, 6.3.1, 6.3.2, 6.4, 6.5, 6.5.1, 6.5.2
Cap. 7: 7.1, 7.2, 7.3, 7.3.1, 7.3.2, 7.4, 7.5, 7.7, 7.8
Cap. 8: 8.1, 8.2, 8.3, 8.3.1, 8.3.2, 8.4.1, 8.6
Cap. 9: 9.1, 9.2, 9.3, 9.6,
Cap. 11: 11.1, 11.2, 11.4.

Modalità d'esame

Gli esami saranno scritti. Il tipico testo d'esame contiene 5-6 domande di cui un paio di carattere teorico e le altre di carattere più applicativo. Ogni domanda vale un certo numero di punti e la somma totale dei punti supera in genere di poco la soglia di trenta (30).
CANALE 2
RACCO DAVIDE
scheda docente
|
materiale didattico

Frequenza: Facoltativa.

Testi di riferimento

Sheldon Ross, “Probabilità e Statistica per l’ingegneria e le scienze”, edizioni Apogeo.

Sheldon Ross, “Probabilità e Statistica per l’ingegneria e le scienze”, edizioni Apogeo.

Codice insegnamento 20801648

QUANTUM COMPUTING 1° anno · 3 CFU · ING-INF/05 · 0 file

Presentare il paradigma computazionale del Quantum Computing. Al termine del corso gli studenti dovrebbero essere in grado di comprendere algoritmi Quantum anche complessi e di analizzare e scrivere algoritmi Quantum più…

Scheda dell'insegnamento

Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.

Obiettivi formativi

Presentare il paradigma computazionale del Quantum Computing. Al termine del corso gli studenti dovrebbero essere in grado di comprendere algoritmi Quantum anche complessi e di analizzare e scrivere algoritmi Quantum più semplici.

Programma

Qubit, coppie di qubit, registri, porte logiche con uno o piu' qubit, no cloning theorem, l'operatore di Hadamard, teletrasporto, computazioni reversibili, l'algoritmo di Bernstein Vazirani, l'algoritmo di Shor, amplitude amplification e l'algoritmo di Groover, teoria della complessità e quantum computing

Modalità d'esame

Scritto di circa un'ora.

Erogazione: Lezioni in aula.

Frequenza: Lezione in aula.

Testi di riferimento

Slides del docente.

I testi consigliati (per sola consultazione) sono:
E. G. Rieffel, W. H. Polak
Quantum Computing: a Gentle Introduction
MIT Press
N. S. Yanofsky, M. A. Mannucci
Quantum Computing for Computer Scientists
Cambridge

Codice insegnamento 20810323

Tecnologie e Architetture per la Gestione dei Dati 1° anno · 9 CFU · ING-INF/05 · 0 file

Presentare modelli, metodi e sistemi fondamentali per la tecnologia delle basi di dati insieme ad alcune recenti direzioni di evoluzione della tecnologia stessa. Affrontare le recenti direzioni di evoluzione delle…

Scheda dell'insegnamento

Obiettivi formativi

Presentare modelli, metodi e sistemi fondamentali per la tecnologia delle basi di dati insieme ad alcune recenti direzioni di evoluzione della tecnologia stessa. Affrontare le recenti direzioni di evoluzione delle metodologie e tecnologie delle basi di dati, con riferimento alle principali famiglie di problemi di interesse: integrazione di basi di dati eterogenee e autonome; utilizzo di basi di dati per applicazioni di analisi e supporto alle decisioni. Superato il corso, lo studente conoscerà le tecnologie fondamentali su cui sono basati i sistemi relazionali e le principali metodologie e tecnologie per l'integrazione di basi di dati e per lo sviluppo di datawarehouse.

Programma

Tecnologia delle basi di dati attuali: strutture fisiche, gestione delle transazioni, architetture distribuite. Seminari sulle recenti evoluzione delle basi di dati.

Modalità d'esame

Lo scritto è organizzato attraverso un certo numero di esercizi (3-6), finalizzati a verificare il livello di comprensione effettiva dei concetti e la capacità dello studenti di applicarli in contesti reali.
Viene offerta anche una modalità in itinere, con prove analoghe.
E' previsto lo sviluppo di piccoli progetti, uno dei quali potrebbe essere oggetto di valutazione ai fini dell'esame; gli altri sono essenziali per la preparazione.
Tutti i compiti d'esame (e quelli delle prove in itinere) degli anni precedenti (dal 1998) sono disponibili sul sito del corso:
https://tagd.inf.uniroma3.it/compitiPDF/compitiBDII.html
BELLOMARINI LUIGI

Erogazione: Lezioni, esercitazioni in aula, esercitazioni pratiche individuali (progetti), svolte sulla base di indicazioni fornite dal docente.
Nel caso di un prolungamento dell’emergenza sanitaria da COVID-19 saranno recepite tutte le disposizioni che regolino le modalità di svolgimento delle attività didattiche e della valutazione degli studenti. In particolare, ove necessario, si procederà con videolezioni sincrone e disponibili anche in forma registrata, supportate dalle forme di interazione che risulteranno possibili, in presenza o a distanza.

Frequenza: Non obbligatoria, ma consigliata

Testi di riferimento

P. Atzeni et al. Basi di dati 6/Ed. McGraw-Hill, 2023
Materiale aggiuntivo a cura del docente sul sito Moodle del corso

Materiale aggiuntivo a cura del docente sul sito Moodle del corso

Codice insegnamento 20810260

WIRELINE AND WIRELESS NETWORKS 1° anno · 6 CFU · ING-INF/03 · 0 file

Il corso descrive il funzionamento e le prestazioni dei sistemi di comunicazione e delle reti wireline e wireless: vengono descritte le caratteristiche del livello fisico, i protocolli data link, le tecniche di…

Scheda dell'insegnamento

Obiettivi formativi

Il corso descrive il funzionamento e le prestazioni dei sistemi di comunicazione e delle reti wireline e wireless: vengono descritte le caratteristiche del livello fisico, i protocolli data link, le tecniche di commutazione, di accesso al mezzo e di protezione dei dati. Viene fornita una descrizione delle principali architetture, delle tecnologie e dei protocolli utilizzate nelle reti di trasporto e di accesso in fibra ottica, nelle reti mobili 4G e 5G, nelle reti wireless local area networks (WLAN) e nelle reti Internet of Things (IoT).

Programma

Richiami sui sistemi e sulle reti di comunicazione
Caratteristiche dei segnali e analisi di Fourier. Trasmissioni in banda base e in banda passante. Pulse code modulation (PCM), frequency division multiplexing (FDM), time division multiplexing (TDM), code division multiplexing (CDM), orthogonal frequency division multiplexing (OFDM).
Commutazione di circuito e di pacchetto, servizi orientati alla connessione e senza connessione, topologie e classificazione delle reti. Personal area networks (PAN), local area networks (LAN), metropolitan area networks (MAN), wide area networks (WAN), storage area networks (SAN). Architetture di rete e protocolli.
Sistemi di comunicazione via cavo
Doppini, cavi coassiali e fibre ottiche. Sistemi di comunicazione in fibra ottica. Attenuazione, dispersione, amplificazione nei sistemi in fibra ottica. Wavelength division multiplexing (WDM). Optical transport networks (OTN). Automatically switched transport networks (ASTN). Generalized multi protocol label switching (GMPLS). Reti di accesso in fibra ottica; passive optical networks (PON); sistemi fiber to the X (FTTX). Fiber Channel. Digital subscriber line (DSL). Connettori. Diodi laser, LED e fotorivelatori. Synchronous digital hierarchy (SDH), synchronous optical networks (SONET).
Sistemi di comunicazione wireless
Propagazione delle onde elettromagnetiche. Fading. Sistemi wireless ottici. Sistemi di trasmissione a microonde. Antenne per comunicazioni wireless. IEEE 802.11 (Wi-Fi). Bluetooth. Bluetooth Low Energy (BLE). Long Range WAN (LoRaWAN).
Sistemi di comunicazioni mobili
Evoluzione dei sistemi cellulari, sistemi 4G e 5G
Sicurezza delle reti
Dimensioni e livelli di sicurezza, principi di crittografia, crittografia simmetrica e asimmetrica, Data encryption standard (DES) e advanced encryption standard (AES). Wireless equivalent privacy (WEP) e Wi-Fi protected access (WPA). Quantum Key Distribution (QKD).

Modalità d'esame

esame scritto e orale con due domande

Frequenza: nessuna modalità

Testi di riferimento

Andrew S. Tanenbaum - Computer Networks – 6 edizione
Stamatios V. Kartalopoulos - Next Generation Intelligent Optical Networks
Mahbub Hassan - Wireless and Mobile Networking

Codice insegnamento 20810326

12 CFU A SCELTA LIBERA DELLO STUDENTE 2° anno · 12 CFU · 0 file
ADVANCED TOPICS IN COMPUTER SCIENCE 2° anno · 6 CFU · ING-INF/05 · 0 file

Presentare modelli, metodi e sistemi relativi ai più recenti avanzamenti nel settore dell’ingegneria informatica in grado di soddisfare i requisiti delle nuove applicazioni moderne. Il corso viene tenuto in inglese da…

Scheda dell'insegnamento

Obiettivi formativi

Presentare modelli, metodi e sistemi relativi ai più recenti avanzamenti nel settore dell’ingegneria informatica in grado di soddisfare i requisiti delle nuove applicazioni moderne. Il corso viene tenuto in inglese da docenti stranieri di alta qualificazione.

Programma

Il programma viene definito all'inizio dell'anno sulla base dei docenti stranieri invitati. Il sito Web del corso (su Moodle) viene tenuto aggiornato con le informazioni più recenti.

Modalità d'esame

La verifica dell’apprendimento avviene attraverso lo svolgimento di alcuni progetti. I progetti sono svolti in gruppo e riguardano sia la soluzione di problemi assegnati dal docente, sia lo svolgimento di attività concordate con il docente.

Erogazione: I metodi didattici e gli strumenti di supporto che saranno utilizzati al fine di conseguire i risultati di apprendimento attesi sono i seguenti:

  • lezioni frontali
  • esercitazioni pratiche
  • seminari
  • lavoro di gruppo
  • analisi di casi reali
  • progetti

Frequenza: E' fortemente suggerita, ma non obbligatoria, la frequenza in presenza di tutte le attività.

Testi di riferimento

La documentazione e i testi sono scelti dai docenti stranieri e saranno disponibili sul sito del corso presente su Moodle.

Disponibile sul sito Web del corso presente su Moodle.

Codice insegnamento 20810006

Algoritmi per big data 2° anno · 6 CFU · ING-INF/05 · 0 file

In molti contesti applicativi sono in gioco enormi volumi di dati che vengono utilizzati in ambito economico-finanziario, politico, sociale ed anche istituzionale. Spesso i dati sono memorizzati in enormi cloud…

Scheda dell'insegnamento

Obiettivi formativi

In molti contesti applicativi sono in gioco enormi volumi di dati che
vengono utilizzati in ambito economico-finanziario, politico, sociale ed
anche istituzionale. Spesso i dati sono memorizzati in enormi cloud
distribuite e talvolta sono generati secondo un flusso continuo, così
consistente da renderne impossibile una memorizzazione completa. In
moltissimi casi i dati sono inerenti ad entità in fitta relazione tra
loro e danno luogo a immense reti di collegamenti. Esempi comuni di tali
reti sono le reti sociali e biologiche, le reti di distribuzione e il
grafo del Web. Inoltre il fatto che i dati siano memorizzati in sistemi
gestiti da terze parti pone problemi di integrità che non trovano
riscontro nella letteratura informatica classica sia per la tipologia
sia per la scala.
Questo scenario pone sfide algoritmiche inedite sulle quali è al lavoro
una vasta platea di ricercatori. Tale sforzo ha prodotto, nell’ultimo
decennio, molte novità sia sul piano metodologico sia sul piano
tecnologico. L’insegnamento ha lo scopo di trasferire agli studenti
alcuni tra i più importanti strumenti metodologici nati nell’ambito
della ricerca sugli algoritmi per Big Data. Tali strumenti metodologici
sono proposti assieme a contesti applicativi sfidanti.

Programma

1) Algorithms for data streams

  • Approximate counting
  • Majority problems
  • Sampling and reservoir sampling
  • Bloom filters
  • Frequent itemsets
  • Number of distinct elements
    2) Algorithms and data structures for quantitative features analysis
  • orthogonal range searching (kd-trees, range trees, and layered range trees)
  • median finding
  • multidimensional divide and conquer, closest pair
  • fractional cascading
    3) Locality sensitive hashing for finding similar items
  • Min-Hashing
  • Nearest neighbour search, k-nearest neighbour search
    4) NoSQL internals & Distributed Hash Tables
  • Chord
  • consistent hashing
  • Kademlia
    5) Scalable security:
  • integrity of big data sets in the cloud,
  • consistency and scalability issues with authenticated data structures

Modalità d'esame

Prova scritta, valutazione progetto. La prova scritta può essere sostituita da prove in itinere parziali.
DA LOZZO GIORDANO
scheda docente
|
materiale didattico

Erogazione: Tradizionale

Frequenza: Facoltativa

Testi di riferimento

Mining of Massive Datasets
Jure Leskovec, Anand Rajaraman, Jeff Ullman
Cambridge University Press
http://www.mmds.org/

Mining of Massive Datasets
Jure Leskovec, Anand Rajaraman, Jeff Ullman
Cambridge University Press
http://www.mmds.org/

Codice insegnamento 20810211

BIG DATA 2° anno · 6 CFU · ING-INF/05 · 0 file

Il corso mira a illustrare le moderne soluzioni tecniche e metodologiche alla gestione dei big data, ovvero collezioni di dati destrutturati le cui dimensioni superano le capacità di memorizzazione, gestione e analisi…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a illustrare le moderne soluzioni tecniche e metodologiche alla gestione dei big data, ovvero collezioni di dati destrutturati le cui dimensioni superano le capacità di memorizzazione, gestione e analisi tipiche dei tradizionali sistemi per basi di dati. Partendo dai requisiti delle moderne applicazioni per basi di dati, verranno affrontate le diverse problematiche di memorizzazione e uso dei big data, illustrando le architetture hardware e software che sono state proposte per la loro gestione. Gli argomenti che verranno trattati includono: il le architetture basate su cluster, il paradigma map-reduce, il Cloud computing, i sistemi NoSQL, gli strumenti e i linguaggi per l'analisi dei dati. Durante il corso si cercherà di coniugare aspetti metodologici e tecnologici mediante esercitazioni pratiche con l'ausilio di sistemi reali, seminari aziendali e svolgimento di progetti pratici.

Programma

  • Infrastrutture e paradigmi di programmazione per i big data
  • L'ecosistema Hadoop
  • Cloud computing
  • Elaborazione di big data (MapReduce, Hive, Spark)
  • I sistemi NoSQL
  • Tecniche di analisi di big data
  • I Data Lake
  • Sistemi e applicazioni
  • Seminari aziendali

Modalità d'esame

La verifica dell’apprendimento avviene attraverso lo svolgimento di alcuni progetti e una prova scritta della durata di 1 ora.

  • I progetti sono svolti in gruppo e riguardano sia la soluzione di problemi assegnati dal docente, sia lo svolgimento di attività concordate con il docente.
  • Lo scritto è organizzato attraverso un certo numero di esercizi finalizzati a verificare il livello di comprensione effettiva dei concetti e la capacità degli studenti di applicarli in contesti reali. Le prove assegnate negli anni precedenti sono disponibili sul sito del corso.

Erogazione: I metodi didattici e gli strumenti di supporto che saranno utilizzati al fine di conseguire i risultati di apprendimento attesi sono i seguenti:

  • lezioni frontali
  • esercitazioni pratiche
  • seminari
  • laboratori
  • lavoro di gruppo
  • analisi di casi reali

Frequenza: E' fortemente suggerita, ma non obbligatoria, la frequenza in presenza di tutte le attività.

Testi di riferimento

Martin J. Fowler, PramodkumarJ. Sadalage. "NoSQL Distilled: A Brief Guide to the Emerging World of Polyglot Persistence".
Materiale predisposto dal docente (disponibile sul sito Web del corso su Moodle)

Codice insegnamento 20802125

CONOSCENZE UTILI PER L'INSERIMENTO NEL MONDO DEL LAVORO 2° anno · 1 CFU · 0 file

Seminari a frequenza obbligatoria. Obiettivo del corso è presentare agli studenti conoscenze utili per l'inserimento nel mondo del lavoro attraverso testimonianze dirette da protagonisti della realtà produttiva.…

Scheda dell'insegnamento

Obiettivi formativi

Seminari a frequenza obbligatoria.
Obiettivo del corso è presentare agli studenti conoscenze utili per l'inserimento nel mondo del lavoro attraverso testimonianze dirette da protagonisti della realtà produttiva. Vengono illustrate le dinamiche di inserimento e di carriera in diverse tipologie di aziende (startup, pmi, multinazionale) in diversi settori merceologici (software integrator, aziende di servizi, aziende di prodotto, gruppi assicurativi e bancari, utility).Vengono insegnati soft skills, utili all’inserimento nel mondo del lavoro (preparazione del cv, preparazione per colloquio di lavoro). Vengono inoltre introdotte nozioni di base del diritto del lavoro.

Programma

Scrivere il CV
Prepararsi ai colloqui di lavoro
Orientarsi nei contratti di lavoro
Dinamiche di crescita professionale

Modalità d'esame

L'idoneità è conseguita con la frequenza di almeno 11 seminari
Secondo Semestre
MERIALDO PAOLO
scheda docente
|
materiale didattico

Frequenza: Obbligatoria, con firma

Testi di riferimento

Slide usate dai relatori

Codice insegnamento 20801785

CYBER PHYSICAL SYSTEMS 2° anno · 6 CFU · ING-INF/04 · 0 file

La progettazione di Cyber Physical Systems (CPS) richiede la capacità di saper coniugare discipline diverse. In particolare, i CPS si pongono come area di intersezione di discipline quali il controllo, l'elaborazione dei…

Scheda dell'insegnamento

Obiettivi formativi

La progettazione di Cyber Physical Systems (CPS) richiede la capacità di saper coniugare discipline diverse. In particolare, i CPS si pongono come area di intersezione di discipline quali il controllo, l'elaborazione dei segnali, la fault detection e il calcolo in real-time. Il corso, pertanto, si propone di fornire allo studente le conoscenze di base di queste aree tematiche utilizzando un approccio di tipo sistemistico. Saranno inoltre trattati metodi innovativi per la fault diagnosis e la protezione dei CPS mediante lo studio diretto della letteratura.

Programma

  • Introduzione ai CPS: applicazioni e sistemi
  • Modelli per i CPS
  • Sistemi di comunicazione per i CPS: standards, comunicazione wireless e tecnologie correlate
  • Sistemi in tempo reale
  • Sistemi di fault diagnosis: detection-isolation-identification di anomalie basate sul modello
  • Sistemi di identificazione di attacchi cyber basati sul modello del sistema: attacchi evoluti a CPS

Modalità d'esame

Prova scritta
Prova orale
Valutazione progetto
Valutazione in itinere

Erogazione: Il corso viene erogato attraverso lezioni frontali classiche e attività di esercitazione in aula e in laboratorio su problemi di definizione e progettazione di sistemi Cyber Physical.

Frequenza: In considerazione della natura del corso, che prevede una costante interazione tra teoria e applicazioni, la frequenza, seppur facoltativa, è fortemente consigliata.

Testi di riferimento

Dispense del docente
Articoli scientifici

Codice insegnamento 20802136

Computer Graphics 2° anno · 6 CFU · ING-INF/05 · 0 file

Il corso mira ad illustrare le moderne architetture software e hardware di grafica, ed a fornire soluzioni matematiche, tecniche e metodologiche per la realizzazione di progetti che coinvolgano la visualizzazione di dati…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira ad illustrare le moderne architetture software e hardware di grafica, ed a fornire soluzioni matematiche, tecniche e metodologiche per la realizzazione di progetti che coinvolgano la visualizzazione di dati nello spazio 2D o 3D. Verranno esposti i concetti di base della grafica quali spazi, curve, superfici e volumi, ponendo l’accento su nozioni ed algoritmi correntemente usati nella visualizzazione scientifica, videogames, e animazione computerizzata. Inoltre, il corso mira ad esporre alcuni dettagli dell’hardware e delle piattaforme software correntemente in uso.

Programma

Architetture Hardware; Architetture software; OpenGL, Vulkan; CUDA e OpenCL; Curve, superfici, volumi; Algoritmi per la computer graphics e animazione; Concetti base di animazione basata sulla fisica.

Modalità d'esame

Progetto individuale o di gruppo.

Erogazione: Lezioni frontali con esercitazioni.

Frequenza: Non obbligatoria.

Testi di riferimento

Documentazioni ufficiali:

  • Unreal Game Engine
  • Vulkan
  • DirectX
  • OpenGL
  • CUDA, OpenCL

Libri suggeriti:

  • Fundamentals of Computer Graphics, Marschner et al.
  • Foundations of Game Engine Development, E. Lengyel
  • C++ Game Development By Example, S. Shekar
  • Game Engine Architecture, J. Gregory
  • Polygon Mesh Processing, Botsch et al.

Codice insegnamento 20810261

Cybersecurity and Artificial Intelligence 2° anno · 6 CFU · ING-INF/05 · 0 file

Il corso mira a fornire una solida comprensione delle intersezioni tra cybersecurity e intelligenza artificiale a vari livelli. Gli studenti acquisiranno competenze nei tipici usi di strumenti di AI per la mitigazioni…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a fornire una solida comprensione delle intersezioni tra cybersecurity e intelligenza artificiale a vari livelli. Gli studenti acquisiranno competenze nei tipici usi di strumenti di AI per la mitigazioni dei rischi legati alla sicurezza informatica, come ad esempio l'uso di AI per il rilevamento e la prevenzione di attacchi.
Si considereranno altresì i nuovi rischi introdotti dall'uso della AI nei sistemi aziendali e nei processi di business e le tecniche di mitigazione. Si descriveranno tecniche offensive che fanno uso di AI ad esempio in malware, social engineering, phishing, attacchi ai sistemi CAPTCHA e biometrici, manipolazione delle informazioni.
Si accennerà a questioni etiche dell'uso di AI nei sistemi.

Programma

Richiami di cybersecurity e di machine learning
Panoramica dei vari contesti in cui l’intelligenza artificiale può essere utilizzata all’interno di un’organizzazione, dei vantaggi e delle minacce
Uso difensivo dell’intelligenza artificiale
Formati dei dati: host-based e network-based
Feature engineering
Rilevamento delle anomalie (Anomaly Detection)
Analisi del malware
Analisi del traffico di rete: preparazione dei dati, apprendimento supervisionato, apprendimento non supervisionato, ensemble learning
Machine Learning avversariale (Adversarial ML)
Minacce legate all’intelligenza artificiale e strategie di mitigazione
Avvelenamento dei modelli (model poisoning) e manomissione (tampering), difese
Attacchi alla supply chain e relative difese
Attacchi di evasione (evasion attacks) e difese
Attacchi alla privacy e difese
IA generativa: GAN per applicazioni malevole (deepfake, clonazione vocale, evasione di malware, spam, videosorveglianza), rilevamento dei deepfake
LLM: architetture che sfruttano gli LLM, RAG, MCP, chain-of-thought, modelli di minaccia
Prompt injection diretta/indiretta, jailbreak, phishing, style injection, role-playing, impersonificazione, ChatGPT_DAN, esfiltrazione dei dati, escalation dei privilegi ed esecuzione di codice remoto (ad esempio tramite MCP), difese e mitigazioni
Avvelenamento nei sistemi RAG e nel fine-tuning. Rischi della supply chain: pubblicazione di un LLM compromesso. Benchmark, red teaming, monitoraggio e risposta agli incidenti
Metodologia secure-by-design, framework, MLSecOps, approccio shift-left

Modalità d'esame

Prova Scritta, prova orale progetto
PIZZONIA MAURIZIO
scheda docente
|
materiale didattico

Testi di riferimento

Machine Learning and Security : Protecting Systems with Data and Algorithms. Chio, Clarence; Freeman, David
Adversarial AI Attacks, Mitigations, and Defense Strategies: A cybersecurity professional's guide to AI attacks, threat modeling, and securing AI with MLSecOps. John Sotiropoulos Sotiropoulos

Codice insegnamento 20830030

Cybersecurity for Industrial IoT and Critical Infrastructures 2° anno · 6 CFU · ING-INF/04 · 0 file

Modellazione di grandi infrastrutture industriali (reti di distribuzione, sistemi di telecomunicazioni e sistemi di trasporto) e studio delle interdipendenze tra le stesse. L'analisi di tali sistemi sarà finalizzata alla…

Scheda dell'insegnamento

Obiettivi formativi

Modellazione di grandi infrastrutture industriali (reti di distribuzione, sistemi di telecomunicazioni e sistemi di trasporto) e studio delle interdipendenze tra le stesse. L'analisi di tali sistemi sarà finalizzata alla progettazione di sistemi resilienti e alla valutazione di rischi in ambito distribuito. A valle del corso i risultati attesi sono la capacità, da parte dello studente, di: analizzare e modellare grandi sistemi distribuiti, progettare sistemi di supervisione e controllo per grandi infrastrutture distribuite, realizzare architetture Service Oriented 4. progettare sistemi per la valutazione del rischio in ambito distribuito e elaborare piani di business continuity.

Programma

Il corso affronta inizialmente i concetti di base della cybersecurity (RIA, malware, vulnerabilità, virus, words, RAT, spyware, botnet, ransomware, social engineering, crittografia) e analizza i concetti cardine della cyber threat intelligence (tipologie, mitre framework, kill chain, modeling, platforms). Il problema della cybersecurity viene contestualizzato ai sistemi OT, ovvero i sistemi di controllo industriali. Vengono quindi analizzate le grandi infrastrutture critiche (reti di distribuzione, sistemi di telecomunicazione e sistemi di trasporto) e vengono studiati i fenomeni di interdipendenza ed effetto a cascata. L'analisi di tali sistemi sarà finalizzata alla progettazione di sistemi resilienti e alla valutazione di rischi in ambito distribuito. Sarà condotta una approfondita analisi delle normative in vigore in Italia (NIS2, DORA, EU CRA, GDPR, Perimetro di Sicurezza Nazionale Cibernetica) e l’analisi della capacità nazionale cyber. Inoltre, verrà analizzata la direttiva IEC 62443 che stabilisce i criteri in materia di cybersecurity negli impianti industriali. Il corso comprende anche concetti relativi alla simulazione di sistemi interdipendenti e di fenomeni a cascata per i quali verrà presentato il simulatore CISIApro 2.0

Modalità d'esame

Prova orale, valutazione progetto.

Erogazione: Lezioni in presenza in aula. Saranno messe a disposizioni registrazioni relative agli anni precedenti.

Frequenza: Lezioni n aula

Testi di riferimento

Appunti del docente

Codice insegnamento 20810529

Deep Learning 2° anno · 6 CFU · ING-INF/05 · 0 file

Gli obiettivi sono fornire competenze avanzate e specifiche nell'ambito delle più recenti architetture di reti neurali Deep. Particolare attenzione sarà data a modelli multimodal, e alle reti capaci di analizzare…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi sono fornire competenze avanzate e specifiche nell'ambito delle più recenti architetture di reti neurali Deep. Particolare attenzione sarà data a modelli multimodal, e alle reti capaci di analizzare strutture di dati complesse, quali grafi e multivariate time series; e al deep reinforcement learning.
Al termine del corso lo studente sarà in grado di: progettare e ottimizzare in maniera adeguata reti neurali Deep, saper distinguere e valutare diverse soluzioni, e saper selezionare e personalizzare le architetture di reti più efficaci da utilizzare in ambiti applicativi reali, supervised, unsupervised o seguendo un approccio basato su un apprendimento per rinforzo. Il corso è costituito da una parte teorica e metodologica sui concetti avanzati e innovativi, e da una attività laboratoriale in cui tali concetti sono applicati nella risoluzione di problemi mediante i più recenti framework di sviluppo

Programma

Introduzione al Deep Learning; Addestramento di architetture Deep: tecniche di hyperparameter tuning, batch normalization, faster optimizers, regularization per reti deep; Convolutional Neural Networks (CNN/ConvNets); Analisi di sequenze: Recurrent Neural Networks (GRU, LSTM, Bidirectional); Architetture Encoder-Decoder, Autoencoders, Variational Autoencoders; Attention layers ; Generative Adversarial Networks (GAN); Embeddings; Principali architetture convolutive (AlexNet, VGG, NiN, GoogLeNet/Inception, ResNet, DenseNet); Transformers, Diffusion Models, LLMs. Applicazioni alla Computer Vision e all'Analisi del linguaggio naturale.

Modalità d'esame

Le valutazioni consistono in prove in itinere che, se sostenute con successo, permettono di sostenere una prova finale limitata rispetto alla prova standard. Tutte le prove sono in forma scritta, e consistono sia in risposte aperte e chiuse.

Frequenza: Non obbligatoria ma fortemente consigliata.

Testi di riferimento

Simon J.D. Prince. "Understanding Deep Learning". MIT Press 2025 A. Geron,
A. Geron, “Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems”, O'Reilly Media, Inc, USA, 2019.

Codice insegnamento 20810262

Ethical Hacking 2° anno · 6 CFU · ING-INF/03 · 0 file

Questo corso fornisce un'introduzione all'hacking etico, che comporta il tentativo di penetrare in sistemi sicuri al fine di dimostrare la vulnerabilità in modo che possano essere prese misure per mitigare il rischio.…

Scheda dell'insegnamento

Obiettivi formativi

Questo corso fornisce un'introduzione all'hacking etico, che comporta il tentativo di penetrare in sistemi sicuri al fine di dimostrare la vulnerabilità in modo che possano essere prese misure per mitigare il rischio. Gli studenti svilupperanno una comprensione di alcune delle tecniche che possono essere utilizzate per valutare la sicurezza dei sistemi, delle informazioni e delle reti di comunicazione, e per difendersi dalle minacce a tali sistemi attraverso mezzi fisici ed elettronici.

Programma

Unità 0 - Richiami
Richiami di reti
Richiami di programmazione in Python e macchine virtuali
Unità 1 - Introduzione all’hacking etico
Il concetto di "hacking etico"
Valutazione delle vulnerabilità
Report e documenti relativi all’hacking etico
Unità 2 - Raccolta di informazioni sull’obiettivo dell’hacking
Attacchi di scanning
Attacchi di sniffing
Social engineering
Attacchi alle password
Unità 3 - Hacking etico mediante attacchi attivi
Attacchi web
Attacchi di Denial of Service
Attacchi wireless
Unit 4 - Laboratorio di hacking etico
Esercitazioni pratiche riguardanti le diverse unità del corso

Modalità d'esame

La verifica dell’apprendimento avviene attraverso una prova scritta e attività di laboratorio

Erogazione: Lezioni frontali e esercitazioni pratiche

Frequenza: In presenza

Testi di riferimento

Baloch Rafay. Ethical hacking and penetration testing guide. Auerbach Publications, 2015.

Codice insegnamento 20830033

INGEGNERIA DEI DATI 2° anno · 6 CFU · ING-INF/05 · 0 file

Fornire competenze su sistemi, metodologie, modelli e formalismi per l’analisi di informazioni strutturate e non strutturate. In particolare il corso mira a presentare aspetti metodologici e tecnologici per l’estrazione,…

Scheda dell'insegnamento

Obiettivi formativi

Fornire competenze su sistemi, metodologie, modelli e formalismi per l’analisi di informazioni strutturate e non strutturate. In particolare il corso mira a presentare aspetti metodologici e tecnologici per l’estrazione, il cleaning, l’integrazione, l’analisi e l'esplorazione dell'informazione proveniente da fonti non strutturate.

Programma

Data extraction
Data cleaning
Data integration
Towards data semantics and word embeddings
Explainable AI

Modalità d'esame

Discussione progetti assegnati a lezione

Frequenza: Fortemente consigliata. Gli studenti che frequentano devono fare i progetti assegnati dal docente in gruppo. Gli studenti non frequentanti devono fare i progetti assegnati dal docente autonomamente

Testi di riferimento

Slide
Xin Luna Dong , Divesh Srivastava: Big Data Integration. Springer ISBN 978-3-031-00725-5
Dan Jurafsky and James H. Martin: Speech and Language Processing (https://web.stanford.edu/~jurafsky/slp3/)

Codice insegnamento 20810223

Imprenditorialità digitale 2° anno · 6 CFU · ING-INF/05 · 0 file

Fornire agli studenti le competenze tecniche e metodologiche necessarie a concepire, sviluppare e realizzare un progetto imprenditoriale digitale. Il corso sarà articolato in tre parti. La prima parte ha l’obiettivo di…

Scheda dell'insegnamento

Obiettivi formativi

Fornire agli studenti le competenze tecniche e metodologiche necessarie a concepire, sviluppare e realizzare un progetto imprenditoriale digitale.
Il corso sarà articolato in tre parti. La prima parte ha l’obiettivo di illustrare le motivazioni alla base del successo delle aziende digitali (in particolare, ma non solo, le startup) e le dinamiche dell’innovazione digitale. La seconda parte propone agli studenti gli strumenti tecnici e metodologici per la realizzazione di un progetto imprenditoriale digitale. La terza parte consiste nella realizzazione di un progetto ed è caratterizzata da un approccio fortemente sperimentale.

Codice insegnamento 20810205

PROVA FINALE 2° anno · 26 CFU · 0 file
SISTEMI INTELLIGENTI PER INTERNET 2° anno · 6 CFU · ING-INF/05 · 0 file

Il corso permetterà agli studenti di apprendere vari metodi per la progettazione, l’implementazione e la sperimentazione di sistemi adattivi su Web realizzati mediante tecniche di Intelligenza Artificiale, con…

Scheda dell'insegnamento

Obiettivi formativi

Il corso permetterà agli studenti di apprendere vari metodi per la progettazione, l’implementazione e la sperimentazione di sistemi adattivi su Web realizzati mediante tecniche di Intelligenza Artificiale, con particolare riferimento alle tecniche di Machine Learning. Specifica attenzione sarà posta ai sistemi di Information Retrieval, come i motori di ricerca, i crawler e i document feed. Saranno studiati i modelli di retrieval classici, come il Vector Space Model e i modelli probabilistici, le tecniche di ranking dei documenti, così come l'algoritmo PageRank utilizzato da Google. Saranno affrontati i metodi di Machine Learning in Information Retrieval, incluse le tecniche per la Sentiment Analysis, i metodi di User Modeling necessari per la ricerca personalizzata e le applicazioni di social search che coinvolgono comunità di individui in attività quali il tagging dei contenuti e il question answering. Si approfondiranno le tecniche per l’analisi dei social network (e.g., Facebook e Twitter) che consentiranno di esplorare fenomeni come la diffusione delle fake news, il filter bubble e la polarizzazione degli utenti. Si studieranno, infine, i Recommender System, dagli algoritmi di base (e.g., collaborative filtering) agli scenari applicativi (e.g., film, libri, artisti e brani musicali)

Programma

Il corso prenderà in esame vari metodi per la progettazione, l'implementazione e la sperimentazione di sistemi adattivi su Web, realizzati mediante tecniche di Intelligenza Artificiale. Particolare attenzione sarà posta ai sistemi di Information Retrieval, come i motori di ricerca, e a nuove ed emergenti tecnologie idonee per la realizzazione della prossima generazione di strumenti di ricerca intelligenti e personalizzati. Saranno studiati i modelli di retrieval classici, come il modello vector space e i modelli probabilistici, le tecniche di ranking dei documenti, così come l'algoritmo PageRank utilizzato da Google. Saranno affrontati i metodi di Machine Learning in Information Retrieval, incluse le tecniche per la Sentiment Analysis, i metodi di User Modeling necessari per la ricerca personalizzata, i Sistemi di Raccomandazione, l’identificazione e l'analisi delle Comunità Online e Social Network (come ad es. Facebook e Twitter).

Modalità d'esame

Prova scritta, valutazione progetto.

Erogazione: Lezioni ed esercitazioni in aula.

Frequenza: La frequenza non è obbligatoria, ma è fortemente consigliata.

Testi di riferimento

Le lezioni del corso riguarderanno tematiche trattate in articoli scientifici e testi di riferimento.
Il docente metterà a disposizione degli studenti i lucidi delle lezioni attraverso il sito del corso. Tali lucidi saranno autosufficienti, cioè redatti in maniera tale da non richiedere la consultazione di testi ulteriori ai fini del superamento dell'esame.

  • Lucidi delle lezioni.
  • Bruce Croft, Donald Metzler, and Trevor Strohman. 2010. Search Engines: Information Retrieval in Practice (1st ed.). Addison-Wesley Publishing Company, USA.
  • Dietmar Jannach, Markus Zanker, Alexander Felfernig, and Gerhard Friedrich. 2021. Recommender Systems: An Introduction (1st ed.). Cambridge University Press, USA.
  • Francesco Ricci, Lior Rokach, and Bracha Shapira (eds.). 2022. Recommender Systems Handbook (3rd ed.). Springer, USA.

Codice insegnamento 20801798

VISUALIZZAZIONE DELLE INFORMAZIONI 2° anno · 6 CFU · ING-INF/05 · 0 file

Gli obiettivi del corso sono quelli di introdurre lo studente ai problemi e alle soluzioni relative all'esplorazione visuale di dati astratti, con particolare enfasi sui fenomeni della percezione visiva,sulle metafore…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi del corso sono quelli di introdurre lo studente ai problemi e alle soluzioni relative all'esplorazione visuale di dati astratti, con particolare enfasi sui fenomeni della percezione visiva,sulle metafore grafiche che possono essere adottate e sui metodi e modelli algoritmici più comunemente utilizzati. Verranno approfondite le
conoscenze degli studenti su problemi di ingegneria degli algoritmi e diottimizzazione su reti. Tali conoscenze verranno applicate a problemi di visualizzazione dell'informazione di varia natura e con una forte connotazione pratica.

Programma

Data and Visualization: Data overloading. Comparison of Scientific Visualization and Information Visualization. Structured and Unstructured data. Data transformation. Data tables.
Visual Perception: Our vision’s principles and limitations. Peripheral and central view. The perception of color.
Cognitive Issues and User Tasks: Perception abilities. Weber's law. Stevens' power law. Gestalt laws. A two stage model for visual perception. Task taxonomies.
Infovis on the Web - SVG and D3.js: Basic ingredients of Web data visualization. JavaScript crash course. Raster and vector graphics. Overview of JavaScript libraries. Focus on D3.js.
Multivariate Data Representations: Combined views. Icons or glyphs. Alternative coordinate systems.
Visualization in Computer Networks: Visual analysis in the computer network domain. Motivations. Taxonomies. Real-world examples and use cases. Open questions.
Design Methods and Evaluation: Design methodologies and design choices. Design evaluation (goals, difficulties, practices, guidelines).
Visualization of Time Series Data: Definition of time series and temporal data. Visualization of time series (single dependent variable, multiple dependent variables). Case studies.
Interaction: Classification of interaction mechanisms, goals, and timings. Examples of interaction strategies.
Introduction to Graph Drawing: Graph Drawing conventions and aesthetics. The divide an conquer approach for testing planarity of a graph.
Node-link Representations of Trees: Representing trees within the node-link paradigm. Layered drawings of trees. Hv-drawings of trees. Limitations of node-link representations.
Space-Filling Visualizations of Trees: Algorithms and systems for the representation of trees using the space-filling strategy. Treemaps. 3D Space-filling approaches.
Representations of Graphs and Networks with the Force-Directed Approach: The force-directed paradigm. The barycenter method. Spring embedders. Scalability and flexibility of the force-directed paradigm. Fruchterman-Reingold and Barnes–Hut algorithms. Simulating graph theoretic distances. Magnetic fields. Generic energy functions. Handling drawing constraints.
Representations of Hierarchical Data: Algorithms for the representation of layered networks. The Sugiyama approach. Step 1: Cycle removal. Step 2: Level Assignment. Step 3: Crossing Reduction. Step 4: X-Coordinate Assignment
Orthogonal Drawings: Computing orthogonal drawings via Network Flows. The Topology-Shape-Metric approach. Extension to graphs of arbitrary degree. Representations of orthogonal drawings obtained from visibility representations and by incremental approaches.
Visualizing Large Graphs: Strategies for the visualization of massive amount of data providing both overview and details. Alternate between views. Combine different views. Filtering and clustering principles. Three-dimensional and two-dimensional representations of clustered graphs. Hybrid representations.
Tools and Libraries for Drawing Graphs: Tools and Libraries for drawing graphs. Programming languages, input and output formats, and interaction. Some practical example.
Architectures for Scalable Information Visualization: Computational and memory scalabity. Visualization architectures. Strategies for visualizing massive amounts of data.

Modalità d'esame

Un breve compito scritto (20% della valutazione). Due progetti: il primo, più piccolo, a metà corso sulla tecnologia D3.js (10% della valutazione); il secondo è un progetto di gruppo a fine corso (70% della valutazione).
Attenzione: nei periodi di emergenza COVID-19 l’esame di profitto sarà svolto secondo quanto previsto all’art.1 del Decreto Rettorale n°. 703 del 5 maggio 2020. La prova orale sarà determinante per l’attribuzione della valutazione finale.

Erogazione: Lezioni frontali in classe con proiezione ed illustrazione delle slides del corso.

Frequenza: Le trasparenze del corso sono abbondantemente commentate allo scopo di rendere possibile la preparazione all'esame anche agli studenti non frequentanti.

Testi di riferimento

Trasparenze fornite dal docente e scaricabili via via dal sito del corso: http://www.dia.uniroma3.it/~infovis/
Per scaricare le slides sono neccessarie delle credenziali da richiedere al docente ([email protected])

[Turfe 83] Edward R. Tufte, “The Visual Display of Quantitative Information”, Graphic Press, 1983. 2nd edition, 2001
[Ware 10] Colin Ware, “Visual Thinking for Design”, Morgan Kaufmann, 2010
[Ware 13] Colin Ware, “Information Visualization: Perception for Design”, Morgan Kaufmann, 3rd ed., 2013
[Inselberg 85] Alfred Inselberg, "The Plane with Parallel Coordinates". Visual Computer 1, 1985
[Murray ‘13] Scott Murray, “Interactive Data Visualization for the Web”. O’Reilly Media, 1st ed., 2013
[Munzner 14] Tamara Munzner, “Visualization Analysis and Design”, CRC Press, 2014.

Codice insegnamento 20802126

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.