Smart Security LabModulbeschreibung #41116 / Version 2
- 6 LP
- Portfolioprüfung
- Unbenotet
- Wintersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v3)
| Modul / Version | #41116 / #2 |
|---|---|
| Gültigkeit | WiSe 2024/25 – WiSe 2025/26 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Rieck, Konrad |
| Benotung | Unbenotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34353000 FG Maschinelles Lernen und IT-Sicherheit |
Kontakt
| Sekretariat | Keine Angabe |
|---|---|
| Ansprechpartner*in | Rieck, Konrad |
| E-Mail-Adresse | rieck@tu-berlin.de |
| Webseite | https://mlsec.tu-berlin.de |
Lernergebnisse
Die Studierenden erwerben Kenntnisse und Fähigkeiten zur Entwicklung intelligenter Sicherheitssysteme. Diese Systeme nutzen maschinelles Lernen, um Sicherheitsbedrohungen zu analysieren und zu erkennen. Nach Abschluss des Moduls sind die Studierenden in der Lage, Techniken zur Datenvorverarbeitung und Merkmalsextraktion auf Sicherheitsdaten auszuwählen und anzuwenden. Sie können Lernalgorithmen für verschiedene Sicherheitsaufgaben vergleichen, anwenden und bewerten. Sie wissen, wie experimentelle Auswertungen konzipiert und durchgeführt werden. Schließlich sind sie sich möglicher ethischer Risiken intelligenter Sicherheitssysteme bewusst und reflektieren kritisch deren Rolle in Gesellschaft und Politik.
Lehrinhalte
Das Praktikum beschäftigt sich mit der Entwicklung intelligenter Sicherheitssysteme. Es führt in relevante Strategien und Methoden zur Kombination von maschinellem Lernen und Sicherheit ein. Dazu gehören der Entwurf von Merkmalsräumen und Einbettungen, die Auswahl von Lernkonzepten, die Anwendung von Lernalgorithmen auf Sicherheitsdaten und die Durchführung experimenteller Auswertungen. Zu den betrachteten Sicherheitsaufgaben können gehören
- Angriffserkennung in verschiedenen Datenformaten
- Analyse und Erkennung von Schadsoftware
- Analyse der Privatsphäre durch maschinelles Lernen
- Erkennung von feindlichem maschinellem Lernen
Da sich Sicherheitsbedrohungen regelmäßig ändern, werden die spezifischen Aufgaben in jedem Semester einzeln ausgewählt und bekannt gegeben.
- Angriffserkennung in verschiedenen Datenformaten
- Analyse und Erkennung von Schadsoftware
- Analyse der Privatsphäre durch maschinelles Lernen
- Erkennung von feindlichem maschinellem Lernen
Da sich Sicherheitsbedrohungen regelmäßig ändern, werden die spezifischen Aufgaben in jedem Semester einzeln ausgewählt und bekannt gegeben.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Intelligent Security Lab | Praktikum | Wintersemester | [en] | 4 | WiSe 2026/27 (2) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (2)
Intelligent Security Lab (Praktikum) 2
- Intelligent Security Lab (Praktikum) Smartlab: Smart Security Lab (Full Meetings)
- Intelligent Security Lab (Praktikum) Smartlab: Smart Security Lab (Hybrid Meetings)
Arbeitsaufwand und Leistungspunkte
Intelligent Security Lab (Praktikum)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Praktikumsaufgaben | 6 | 20 h | 120 h |
| Wöchentliche Treffen | 15 | 4 h | 60 h |
| 180 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Das Praktikum ist in sechs Einheiten unterteilt, die sich jeweils über zwei Wochen erstrecken. Jede Einheit konzentriert sich auf eine bestimmte Sicherheitsaufgabe und die Entwicklung eines entsprechenden Sicherheitssystems, wie z. B. Systeme zur Erkennung von Netzwerkangriffen oder Schadcode. Die Einheit beginnt mit einem Überblick über die Aufgabe und stellt die relevanten Prinzipien, Methoden und Werkzeuge vor. Nach dem Überblick arbeiten die Studenten in kleinen Gruppen und entwickeln lernbasierte Systeme für 2-4 Varianten der Sicherheitsaufgabe.
Das Praktikum nutzt wöchentliche Treffen, um Anleitungen zu den Aufgaben zu geben und Diskussionen unter den Studenten zu ermöglichen. Die Treffen finden hauptsächlich online über eine Chat-Plattform statt. Es können jedoch auch physische Treffen zu Beginn, in der Mitte und am Ende des Kurses vereinbart werden.
Das Praktikum nutzt wöchentliche Treffen, um Anleitungen zu den Aufgaben zu geben und Diskussionen unter den Studenten zu ermöglichen. Die Treffen finden hauptsächlich online über eine Chat-Plattform statt. Es können jedoch auch physische Treffen zu Beginn, in der Mitte und am Ende des Kurses vereinbart werden.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
- Gute Programmierkenntnisse in Python
- Gute Kenntnisse des maschinellen Lernens und der IT-Sicherheit.
Die Vorlesung "Machine Learning for Computer Security" bietet eine ideale Vorbereitung auf das Praktikum.
- Gute Kenntnisse des maschinellen Lernens und der IT-Sicherheit.
Die Vorlesung "Machine Learning for Computer Security" bietet eine ideale Vorbereitung auf das Praktikum.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Unbenotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte pro Element |
| Sprache | Englisch, Deutsch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| Unit 1 (Spam Filtering) | 100 | praktisch | Sicherheitsaufgabe; 2-4 Varianten |
| Unit 2 (Malware Detection) | 100 | praktisch | Sicherheitsaufgabe; 2-4 Varianten |
| Unit 3 (Malware Clustering) | 100 | praktisch | Sicherheitsaufgabe; 2-4 Varianten |
| Unit 4 | 100 | praktisch | Sicherheitsaufgabe; 2-4 Varianten |
| Unit 5 | 100 | praktisch | Sicherheitsaufgabe; 2-4 Varianten |
| Unit 6 | 100 | praktisch | Sicherheitsaufgabe; 2-4 Varianten |
Prüfungsbeschreibung (Abschluss des Moduls)
Jede Einheit befasst sich mit einer bestimmten Sicherheitsaufgabe und der Entwicklung von lernenden Systemen für diese Aufgabe. So behandelt die erste Einheit beispielsweise die Spam-Erkennung. Die Studierenden entwickeln lernbasierte Spam-Filter für verschiedene Datensätze mit normalen und Spam-E-Mails (Varianten der Aufgabe). Andere Themen für die Einheiten sind Malware-Erkennung und Malware-Clustering. Da sich die Sicherheitsbedrohungen regelmäßig ändern, werden die spezifischen Aufgaben in jedem Semester individuell ausgewählt und bekannt gegeben.
Die Leistung der entwickelten lernbasierten Systeme wird anhand eines vorgegebenen Leistungsmaßes, wie z.B. der Genauigkeit bei der Spam-Filterung, bewertet. Die Studierenden erhalten Punkte für ihre Lösungen und die erreichten Leistungswerte. Insgesamt gibt es für jede Einheit 100 Punkte. Um das Praktikum zu bestehen, müssen die Studierenden mindestens 60 % aller Punkte erfolgreich absolvieren.
Die Leistung der entwickelten lernbasierten Systeme wird anhand eines vorgegebenen Leistungsmaßes, wie z.B. der Genauigkeit bei der Spam-Filterung, bewertet. Die Studierenden erhalten Punkte für ihre Lösungen und die erreichten Leistungswerte. Insgesamt gibt es für jede Einheit 100 Punkte. Um das Praktikum zu bestehen, müssen die Studierenden mindestens 60 % aller Punkte erfolgreich absolvieren.
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Wintersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 50.
Anmeldeformalitäten
Die Anmeldungen für das Praktikum werden über die Lehrplattform ISIS abgewickelt.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computer Engineering StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Verteilte Systeme und Netze / Distributed Systems and Networks |
| WiSe 2025/26 | Wahlpflicht Studiengebiet B › Verteilte Systeme und Netze / Distributed Systems and Networks | |
| Computer Science (Informatik) StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| WiSe 2025/26 | Studiengebiete › Data and Software Engineering / Data and Software Engineering | |
| Elektrotechnik StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Verteilte Systeme und Netze / Distributed Systems and Networks |
| WiSe 2025/26 | Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering | |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | SoSe 2025 | Wahlpflichtbereich › Fachstudium Informatik › Verteilte Systeme und Netze / Distributed Systems and Networks |
| WiSe 2025/26 | Wahlpflichtbereich › Fachstudium Informatik › Verteilte Systeme und Netze / Distributed Systems and Networks |
Sonstiges
Keine Angabe