Maschinelles Lernen für mehr Sicherheit

Sicherheitslösungen skalieren bei zunehmenden Datenmengen nicht. Die Digitalisierung erzeugt mehr und mehr Daten. Das betrifft natürlich auch das Feld der Cybersicherheit: z. B Log-Daten oder Mitschnitte von Netzwerkverkehr. Aber, diese Daten von Menschen analysieren zu lassen, skaliert nicht! Dieses Seminar bietet einen Einblick in Maschinelles Lernen (ML) mit dem sich Analyseprozesse wesentlich effizienter gestalten lassen. Im Zuge dessen sind ML-Systeme potenziell auch dazu in der Lage, unbekannte Angriffe zu erkennen.

Adversarial Machine Learning
Anomalienerkennung
IT-Sicherheit
Maschinelles Lernen

Die Herausforderung: Sicherheitslösungen skalieren bei zunehmenden Datenmengen nicht

In der Cybersicherheit fallen, wie in vielen anderen Bereichen auch, immer mehr Daten an, die es zu analysieren gibt, z. B. Log-Dateien oder Mitschnitte von Netzwerkverkehr. Diese Daten von Menschen analysieren zu lassen, skaliert nicht. Auch signaturbasierte Analysetools lösen dieses Problem nicht, da sie sich auf Signaturen verlassen, die wiederrum von Menschen erstellt werden – was auch die Erkennung von unbekannten Angriffen (Zero-Days) einschränkt. Die Folge: Nur, was in den Signaturen abgedeckt ist, kann (unter kostspieligem Einsatz von Experten) überhaupt erkannt werden.
 

Die Lösung: Maschinelles Lernverfahren, die auf Basis dieser Daten eigenständig neue Problemfelder bearbeiten

Im Rückgriff auf große Datenmengen lernen die kognitiven Systeme, wie ein Netzwerk, ein Server oder ein Router normalerweise funktioniert und können im Anschluss daran Abweichungen vom Normverhalten feststellen. Eine manuell erstellte Signatur braucht es dazu nicht. Damit sind ML-Systeme potenziell auch in der Lage, unbekannte Angriffe zu erkennen.

 

Ihre Vorteile auf einen Blick


Nach dem Seminar können Sie …

  • einschätzen, in welchen Bereichen Sie Maschinelles Lernen sinnvoll einsetzen können.
  • Programmierungen und Modellierungen zur Anomalienerkennung vornehmen.
     

Dieses Seminar bietet Ihnen …

  • einen Einstieg in die Themen der Cybersicherheit, für die Maschinelles Lernen relevant ist.
  • praktische Übungen am Use Case Anomalienerkennung.
  • State-of-the-Art-Wissen zu Maschinellem Lernen und neuen Forschungen.
Maschinelles Lernen, Weiterbildung, Sicherheit, Cybersicherheit, Cybersecurity, Analyse
ÜBERBLICK
Veranstaltungstyp
Online-Seminar, Präsenz-Seminar
Format
Online oder Präsenz
Abschluss
Teilnahmebescheinigung
Zugangsvoraussetzung
- Basiswissen zu Programmierung - IT-Sicherheit und maschinellem Lernen
Termine, Anmeldefrist und Ort
  • 16.11.2021 in Garching bei München (Anmeldung bis 01.11.2021)
Dauer/ Ablauf
PRÄSENZ SEMINAR: 1 Tag Präsenz (09:00 Uhr - 17:00 Uhr) ONLINE-SEMINAR: 2 Tage Online (jeweils von 09:00 - 13:00 Uhr) inkl. 3 Stunden Selbstlernzeit auf unserer Lernplattform zwischen den beiden Online Terminen.
Sprache
Deutsch
Teilnahmegebühr
600€
Veranstaltungsort
Fraunhofer-Institut für Angewandte und Integrierte Sicherheit AISEC, Lichtenbergstraße 11, 85748 Garching b. München
ZIELGRUPPE
  • Sicherheitsingenieure
  • Analysten der IT Sicherheit
  • Entwickler sicherer Systemen/Software
INHALTE
  • Überblick über die Schnittmenge von Cyber Sicherheit und maschinellem Lernen
  • Datengewinnung und Preprocessing mit Fokus auf Cyber Security Daten
  • Grundlegende Prinzipien ML: Konzepte und Algorithmen
  • Use Case: Anomalieerkennung
  • Praktische Hinweise / Tools / Hilfestellung bei der Erstellung eigener ML-Systeme
  • Ausblick & State of the Art, z.B. Adversarial Machine Learning
LERNZIELE
  • Überblick über die Themen der Cybersicherheit, bei denen maschinelles Lernen eine Rolle spielt
  • Grundlagen des maschinellen Lernens und Daten Mining kennen und verstehen
  • Modellierungsmethoden zur Anomalienerkennung kennen lernen
REFERENTEN

Nicolas Müller

Nicolas Müller ist seit 2017 als wissenschaftlicher Mitarbeiter in der Abteilung Cognitive Security Technologies des Fraunhofer AISEC tätig. Seine Forschungsschwerpunkte liegen im Bereich Machine Learning und Anomaly Detection für Cyber Security. Herr Müller hat zuvor am Fraunhofer ISE als Softwareentwickler gearbeitet und an der Universität Freiburg Mathematik und Informatik studiert und abgeschlossen.
 

Pascal Debus

Pascal Debus ist seit 2018 als wissenschaftlicher Mitarbeiter in der Abteilung Cognitive Security Technologies des Fraunhofer AISEC tätig. Seine Forschungsinteressen liegen im Bereich Machine Learning für Schwachstellensuche in Binaries, sowie im Adversarial und Privacy-preserving Machine Learning. Herr Debus studierte Mathematik und Physik an der ETH Zürich und schloß mit einem MSc in Physik ab. Zuvor arbeitete er 2 Jahre als Computer Vision Softwareentwickler bei der Brainlab AG an der Entwicklung von Image Guided Surgery Systemen.