AI Cybersecurity Cursus

Les 1 • Kernconcepten van cybersecurity

Behandelt de CIA-triade, dreigingsactoren en aanvalsoppervlakken. Biedt de woordenschat die nodig is voor alle volgende onderwerpen over AI-beveiligingsintegratie.

Les 2 • AI en cybersecurityconvergentie

Onderzoekt waarom AI wordt toegepast in beveiligingsoperaties en waar het meetbare waarde toevoegt. Stelt verwachtingen voor de toegepaste focus van de cursus.

Les 3 • Dreigingslandschap en data-ecosystemen

Brengt moderne dreigingscategorieën in kaart in relatie tot de data-omgevingen die AI-systemen moeten beschermen. Fundeert latere detectietechnieken in realistische aanvalspatronen.

Les 1 • Beveiligingsdatabronnen en -typen

Identificeert logs, netwerkstromen, endpointtelemetrie en threatfeeds als primaire invoer. Legt uit hoe het datatype de modelselectie beïnvloedt.

Les 2 • Datalabeling en -annotatie

Leert handmatige en semi-geautomatiseerde labeling van beveiligingsgebeurtenissen voor gesuperviseerd leren. Gaat in op de directe impact van labelkwaliteit op modelnauwkeurigheid.

Les 3 • Datakwaliteit en preprocessing

Behandelt ruisonderdrukking, normalisatie en feature-extractie uit ruwe telemetrie. Bereidt studenten voor op het opleveren van model-ready datasets.

Les 1 • Deep learning in dreigingsdetectie

Past CNN's en RNN's toe op malwareclassificatie en sequentiële loganalyse. Benadrukt de afwegingen tussen modelcomplexiteit en operationele snelheid.

Les 2 • Omgaan met klasse-onbalans in beveiligingsgegevens

Gaat in op de zeldzaamheid van aanvalssamples ten opzichte van normaal verkeer met behulp van hersampling en kostenbewust leren. Verbetert de detectiepercentages van de minderheidsklasse.

Les 3 • Ongesuperviseerde anomaliedetectie

Gebruikt clustering en dichtheidsgebaseerde methoden om onbekende dreigingen te detecteren zonder labels. Toont waarde voor zero-day- en insider-dreigingscenario's.

Les 4 • Gesuperviseerde detectiemodellen

Traint classifiers zoals decision trees, random forests en gradient boosting op gelabelde aanvalsgegevens. Koppelt algoritmekeuzes aan detectiedoelstellingen.

Les 1 • Text mining van dreigingsinformatie

Extraheert indicatoren van compromittering en tactieken uit ongestructureerde dreigingsrapporten. Automatiseert intelligenceverrijking voor snellere analistenrespons.

Les 2 • NLP-grondbeginselen voor beveiligingstekst

Behandelt tokenisatie, embeddings en taalmodellen toegepast op beveiligingscorpora. Legt de tekstverwerkingsbasis voor alle NLP-beveiligingstaken.

Les 3 • Detectie van phishing en social engineering

Traint classifiers om phishing-e-mails, schadelijke URL's en misleidende berichten te identificeren. Gaat direct in op een van de meest voorkomende aanvalsvectoren.

Les 1 • SOC-prestatiemeting

Definieert KPI's voor AI-verrijkte SOC-operaties, waaronder mean time to detect en mean time to respond. Maakt continue verbetering van AI-mens-workflows mogelijk.

Les 2 • Threat hunting met AI-ondersteuning

Combineert analisthypothesegeneratie met AI-gestuurde data-exploratie om verborgen dreigingen te vinden. Bouwt proactieve huntingvaardigheden op, verder dan reactieve alerting.

Les 3 • AI-verrijkte alerttriage

Past ML-scoring toe om alerts te prioriteren op ernst en betrouwbaarheid. Vermindert de werkdruk van analisten met behoud van detectiedekking.

Les 4 • Beveiligingsorkestratie en AI-integratie

Verbindt AI-modellen met SOAR-platforms voor geautomatiseerde playbookuitvoering. Demonstreert end-to-end-automatisering van detectie tot insluiting.

Les 1 • Datavergiftiging en supply chain-aanvallen

Onderzoekt hoe gecorrumpeerde trainingsdata de modelintegriteit aantast en behandelt detectie- en mitigatiestrategieën. Koppelt aan AI-supply chain-risico.

Les 2 • Evasietechnieken en verdedigingen

Toont aan hoe tegenstanders invoer creëren om ML-gebaseerde detectoren te omzeilen en leert adversarial training als tegenmaatregel.

Les 3 • Grondbeginselen van adversarial machine learning

Definieert evasie-, vergiftigings- en modelinversieaanvallen tegen beveiligings-AI. Legt het adversarial-dreigingsmodel vast voor alle volgende verdedigingen.

Les 1 • Risicogebaseerde prioritering van kwetsbaarheden

Past ML-scoring toe om kwetsbaarheden te rangschikken op exploitabiliteit, assetkritikaliteit en dreigingscontext. Richt herstelinspanningen op de impactvolste problemen.

Les 2 • Patch- en hersteloptimalisatie

Gebruikt AI om patchacties te sequencen, regressierisico te voorspellen en hersteleffectiviteit te valideren. Sluit de levenscyclus van kwetsbaarheidsbeheer.

Les 3 • AI-gestuurde kwetsbaarheidsontdekking

Gebruikt fuzzing, statische analyse en ML-modellen om softwarekwetsbaarheden sneller te vinden dan handmatige beoordeling. Integreert met bestaande scantoolchains.

Les 1 • Afstemming op regelgeving en naleving

Stemt AI-beveiligingsimplementaties af op gegevensbescherming, privacy en sectorspecifieke nalevingsverplichtingen. Vermijdt jurisdictiespecifieke codes; richt zich op functionele vereisten.

Les 2 • Bias, eerlijkheid en uitlegbaarheid

Gaat in op demografische bias in beveiligingsmodellen en past uitlegbaarheidsmethoden toe om het vertrouwen van analisten te ondersteunen. Koppelt eerlijkheid aan operationeel en juridisch risico.

Les 3 • Strategische AI-beveiligingsroadmap

Begeleidt studenten bij het maken van een meerjarenplan voor AI-beveiligingsadoptie, gekoppeld aan bedrijfsdoelstellingen en volwassenheidsniveaus. Produceert een board-ready investeringsnarratief.

Les 4 • Continue modelmonitoring en -governance

Stelt processen in voor het detecteren van modeldrift, retraining-triggers en doorlopende prestatieaudits in productie. Handhaaft de effectiviteit van AI-beveiliging in de loop van de tijd.