Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Intelligentes SicherheitslaborModulbeschreibung #41116 / Version 3

← Zur Modulseite English version
Modul / Version#41116 / #3
GültigkeitSeit SoSe 2026
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte6
Modulverantwortliche*rRieck, Konrad
BenotungUnbenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Softwaretechnik und Theoretische Informatik
Fachgebiet34353000 FG Maschinelles Lernen und IT-Sicherheit

Kontakt

SekretariatKeine Angabe
Ansprechpartner*inRieck, Konrad
E-Mail-Adresserieck@tu-berlin.de
Webseitehttps://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.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Intelligent Security LabPraktikum Wintersemester[en]4 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (2)

Intelligent Security Lab (Praktikum) 2

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Intelligent Security Lab (Praktikum)

AufwandbeschreibungMultiplikatorStundenGesamt
Praktikumsaufgaben620 h120 h
Wöchentliche Treffen154 h60 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.

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.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungUnbenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte pro Element
SpracheEnglisch, Deutsch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
(Ergebnisprüfung) Unit 1 (Spam Filtering)100praktischSicherheitsaufgabe; 2-4 Varianten
(Ergebnisprüfung) Unit 2 (Malware-Erkennung)100praktischSicherheitsaufgabe; 2-4 Varianten
(Ergebnisprüfung) Unit 3 (Malware Clustering)100praktischSicherheitsaufgabe; 2-4 Varianten
(Ergebnisprüfung) Unit 4100praktischSicherheitsaufgabe; 2-4 Varianten
(Ergebnisprüfung) Unit 5100praktischSicherheitsaufgabe; 2-4 Varianten
(Ergebnisprüfung) Unit 6100praktischSicherheitsaufgabe; 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 Prüfungselemente sind in sechs Einheiten gegliedert, die jeweils aktuelle Fragestellungen der IT-Sicherheit mit Methoden des maschinellen Lernens behandeln, etwa die Erkennung von Angriffen, die Analyse von Schadsoftware oder die Aufdeckung von Verwundbarkeiten. Die Studierenden entwickeln dazu eigene Implementierungen für 2-4 Varianten auf der Basis bereitgestellter Datensätze zum Trainieren und Testen.

Der Umfang der Implementierungen richtet sich nach dem jeweiligen Thema der Einheit und kann variieren. Eine Quantifizierung nach Größe des Quellcodes (z. B. Anzahl der Codezeilen) erfolgt nicht, da diese für die Bewertung nicht aussagekräftig ist. Maßgeblich sind stattdessen die Leistungsfähigkeit der Umsetzung. Da das Modul unbenotet ist, orientiert sich das Bestehen der Elemente am Erreichen einfacher Baselines für die jeweiligen Themen.

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 / StuPOSemesterStudiengangsbereich
Computer Engineering
StuPO 2015
SoSe 2026Wahlpflicht Studiengebiet B › Verteilte Systeme und Netze / Distributed Systems and Networks
WiSe 2026/27Wahlpflichtbereich › Studiengebiet B › Kognitive Systeme / Cognitive Systems
Computer Science (Informatik)
StuPO 2015
SoSe 2026Studiengebiete › Verteilte Systeme und Netze / Distributed Systems and Networks
WiSe 2026/27Wahlpflichtbereich › Studiengebiet › Verteilte Systeme und Netze / Distributed Systems and Networks
Elektrotechnik
StuPO 2015
SoSe 2026Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
WiSe 2026/27Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
Information Systems Management (Wirtschaftsinformatik)
StuPO 2017
SoSe 2026Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering
WiSe 2026/27Wahlpflichtbereich › Fachstudium Informatik › Verteilte Systeme und Netze / Distributed Systems and Networks
Wirtschaftsingenieurwesen
StuPO 2026
WiSe 2026/27Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Data and Software Engineering

Sonstiges

Keine Angabe