Maschinelles Lernen für mehr Sicherheit

Das Seminar "Maschinelles Lernen für mehr Sicherheit" des Fraunhofer-Instituts bietet eine fundierte Einführung in die Anwendung von Maschinellem Lernen (ML) im Bereich der Cybersicherheit. Angesichts der stetig wachsenden Datenmengen, wie etwa Log-Dateien oder Netzwerkverkehrsmitschnitte, stoßen traditionelle, manuell betriebene Analyseverfahren an ihre Grenzen. Hier setzt ML an, indem es ermöglicht, diese Daten effizient und automatisiert zu verarbeiten und dabei auch unbekannte Angriffe zu identifizieren.

Teilnehmende des Seminars lernen, wie ML-Modelle entwickelt und implementiert werden können, um Anomalien im Systemverhalten zu erkennen. Durch praktische Übungen wird vermittelt, wie ML-Systeme trainiert werden, um zwischen normalem und abweichendem Verhalten zu unterscheiden, ohne auf vordefinierte Signaturen angewiesen zu sein. Dies befähigt die Systeme, auch Zero-Day-Exploits zu identifizieren und proaktiv auf Bedrohungen zu reagieren.

Ein weiterer Schwerpunkt liegt auf der Vermittlung von State-of-the-Art-Wissen zu aktuellen Forschungsergebnissen im Bereich des Maschinellen Lernens. Die Teilnehmenden erhalten Einblicke in fortgeschrittene Techniken und deren Anwendung in der IT-Sicherheit. Zudem wird die Integration von ML-Lösungen in bestehende Sicherheitsinfrastrukturen thematisiert, um deren Effektivität zu steigern und gleichzeitig die False-Positive-Rate zu minimieren.

Das Seminar richtet sich an Fachkräfte mit Grundkenntnissen in Programmierung, IT-Sicherheit und Maschinellem Lernen, die ihre Kompetenzen erweitern möchten. Nach Abschluss sind die Teilnehmenden in der Lage, den Einsatz von ML in ihren Sicherheitsstrategien zu bewerten und entsprechende Lösungen eigenständig zu implementieren. Die praxisorientierte Ausrichtung des Kurses stellt sicher, dass das erworbene Wissen direkt in realen Szenarien angewendet werden kann.

Nach dem Seminar können Sie:

• einschätzen, in welchen Bereichen Sie Maschinelles Lernen sinnvoll einsetzen können.
• Programmierungen und Modellierungen zur Anomalienerkennung vornehmen.
• State-of-the-Art-Wissen zu Maschinellem Lernen und neuen Forschungen anwenden.