KI Cybersecurity Kurs

Lektion 1 • Kernkonzepte der Cybersicherheit

Behandelt die CIA-Triade, Bedrohungsakteure und Angriffsflächen. Vermittelt das Vokabular, das für alle nachfolgenden Themen zur KI-Sicherheitsintegration erforderlich ist.

Lektion 2 • Konvergenz von KI und Cybersicherheit

Untersucht, warum KI in Sicherheitsoperationen eingesetzt wird und wo sie einen messbaren Mehrwert schafft. Definiert die Erwartungen für den anwendungsorientierten Fokus des Kurses.

Lektion 3 • Bedrohungslandschaft und Datenökosysteme

Ordnet moderne Bedrohungskategorien den Datenumgebungen zu, die KI-Systeme schützen müssen. Verankert spätere Erkennungstechniken in realen Angriffsmustern.

Lektion 1 • Sicherheitsdatenquellen und -typen

Identifiziert Logs, Netzwerkflüsse, Endpunkt-Telemetrie und Bedrohungsfeeds als primäre Eingaben. Erklärt, wie der Datentyp die Modellauswahl beeinflusst.

Lektion 2 • Datenkennzeichnung und -annotation

Lehrt manuelle und halbautomatische Kennzeichnung von Sicherheitsereignissen für überwachtes Lernen. Behandelt die direkten Auswirkungen der Kennzeichnungsqualität auf die Modellgenauigkeit.

Lektion 3 • Datenqualität und Vorverarbeitung

Behandelt Rauschunterdrückung, Normalisierung und Merkmalsextraktion aus Roh-Telemetrie. Bereitet die Teilnehmer darauf vor, modellbereite Datensätze zu liefern.

Lektion 1 • Deep Learning in der Bedrohungserkennung

Wendet CNNs und RNNs zur Malware-Klassifizierung und sequenziellen Log-Analyse an. Hebt die Abwägungen zwischen Modellkomplexität und Betriebsgeschwindigkeit hervor.

Lektion 2 • Umgang mit Klassenungleichgewicht in Sicherheitsdaten

Behandelt die Seltenheit von Angriffsbeispielen im Vergleich zu benignem Traffic durch Resampling und kostensensitives Lernen. Verbessert die Erkennungsraten von Minderheitenklassen.

Lektion 3 • Unüberwachte Anomalieerkennung

Verwendet Clustering- und dichtebasierte Methoden, um unbekannte Bedrohungen ohne Labels aufzudecken. Demonstriert den Wert für Zero-Day- und Insider-Bedrohungsszenarien.

Lektion 4 • Überwachte Erkennungsmodelle

Trainiert Klassifikatoren wie Entscheidungsbäume, Random Forests und Gradient Boosting auf gekennzeichneten Angriffsdaten. Verknüpft die Algorithmuswahl mit den Erkennungszielen.

Lektion 1 • Text Mining für Bedrohungsinformationen

Extrahiert Indikatoren für Kompromittierung und Taktiken aus unstrukturierten Bedrohungsberichten. Automatisiert die Anreicherung von Informationen für eine schnellere Analystenreaktion.

Lektion 2 • NLP-Grundlagen für Sicherheitstext

Behandelt Tokenisierung, Einbettungen und Sprachmodelle, die auf Sicherheitskorpora angewendet werden. Legt die Textverarbeitungsgrundlage für alle NLP-Sicherheitsaufgaben.

Lektion 3 • Erkennung von Phishing und Social Engineering

Trainiert Klassifikatoren zur Identifizierung von Phishing-E-Mails, bösartigen URLs und betrügerischen Nachrichten. Adressiert direkt einen der häufigsten Angriffsvektoren.

Lektion 1 • SOC-Leistungsmessung

Definiert KPIs für KI-gestützte SOC-Operationen, einschließlich der mittleren Erkennungs- und Reaktionszeit. Ermöglicht die kontinuierliche Verbesserung von KI-Mensch-Arbeitsabläufen.

Lektion 2 • Bedrohungsjagd mit KI-Unterstützung

Kombiniert die Hypothesengenerierung des Analysten mit KI-gesteuerter Datenexploration, um versteckte Bedrohungen zu finden. Baut proaktive Suchfähigkeiten jenseits reaktiver Alarmierung auf.

Lektion 3 • KI-gestützte Alarm-Triage

Wendet ML-Bewertungen an, um Alarme nach Schweregrad und Vertrauenswürdigkeit zu priorisieren. Reduziert die Arbeitslast der Analysten bei gleichbleibender Erkennungsabdeckung.

Lektion 4 • Sicherheitsorchestrierung und KI-Integration

Verbindet KI-Modelle mit SOAR-Plattformen zur automatisierten Playbook-Ausführung. Demonstriert die End-to-End-Automatisierung von der Erkennung bis zur Eindämmung.

Lektion 1 • Datenvergiftung und Lieferkettenangriffe

Untersucht, wie korrupte Trainingsdaten die Modellintegrität beeinträchtigen, und behandelt Erkennungs- und Minderungsstrategien. Verknüpft dies mit dem KI-Lieferkettenrisiko.

Lektion 2 • Umgehungstechniken und Abwehrmaßnahmen

Demonstriert, wie Gegner Eingaben erstellen, um ML-basierte Detektoren zu umgehen, und lehrt adversarielles Training als Gegenmaßnahme.

Lektion 3 • Grundlagen des adversariellen maschinellen Lernens

Definiert Umgehungs-, Vergiftungs- und Modellinversionsangriffe gegen Sicherheits-KI. Etabliert das adversarielle Bedrohungsmodell für alle nachfolgenden Abwehrmaßnahmen.

Lektion 1 • Risikobasierte Schwachstellenpriorisierung

Wendet ML-Bewertungen an, um Schwachstellen nach Ausnutzbarkeit, Asset-Kritikalität und Bedrohungskontext zu ordnen. Konzentriert den Behebungsaufwand auf Probleme mit den höchsten Auswirkungen.

Lektion 2 • Patch- und Behebungsoptimierung

Verwendet KI zur Sequenzierung von Patch-Aktionen, zur Vorhersage von Regressionsrisiken und zur Validierung der Behebungswirksamkeit. Schließt den Schwachstellenmanagement-Lebenszyklus ab.

Lektion 3 • KI-gesteuerte Schwachstellenerkennung

Verwendet Fuzzing, statische Analyse und ML-Modelle, um Software-Schwachstellen schneller als bei manueller Überprüfung aufzudecken. Integriert sich in bestehende Scanning-Toolchains.

Lektion 1 • Regulatorische und Compliance-Ausrichtung

Richtet KI-Sicherheitsimplementierungen an Datenschutz-, Privatsphäre- und branchenspezifischen Compliance-Verpflichtungen aus. Vermeidet länderspezifische Vorschriften; konzentriert sich auf funktionale Anforderungen.

Lektion 2 • Verzerrung, Fairness und Erklärbarkeit

Behandelt demografische Verzerrungen in Sicherheitsmodellen und wendet Erklärbarkeitsmethoden an, um das Vertrauen der Analysten zu unterstützen. Verknüpft Fairness mit operativem und rechtlichem Risiko.

Lektion 3 • Strategische KI-Sicherheits-Roadmap

Führt die Teilnehmer durch die Erstellung eines mehrjährigen KI-Sicherheits-Adoptionsplans, der mit Geschäftszielen und Reifegraden verknüpft ist. Erstellt eine vorstandstaugliche Investitionsnarrativ.

Lektion 4 • Kontinuierliches Modell-Monitoring und Governance

Etabliert Prozesse zur Erkennung von Modelldrift, zum Auslösen von Nachtrainings und zur Durchführung fortlaufender Leistungsaudits in der Produktion. Erhält die KI-Sicherheitswirksamkeit im Laufe der Zeit aufrecht.