Modul 1: Grundlagen des KI-gestützten Vulnerability Managements
Evolution des Schwachstellenmanagements: Grenzen traditioneller, reaktiver Scanning-Methoden und der Paradigmenwechsel hin zu prädiktiver, KI-gestützter Risikoanalyse, vermittelt über interaktive Online-Dashboards.
Machine Learning Basics für Vulnerability Data: Supervised vs. Unsupervised Learning im Kontext von Schwachstellen-Priorisierung, veranschaulicht durch browserbasierte KI-Modellierung.
Datenquellen & Asset-Telemetrie: Erfassung und Normalisierung von CVE-Datenbanken, Asset-Inventaren und Threat-Intelligence-Feeds unter ausschließlicher Verwendung kostenfreier Open-Source-Kollektoren.
Feature Engineering für Schwachstellen: Transformation von rohen CVE-Metadaten (CVSS, EPSS) in maschinenlesbare Vektoren direkt im Browser mittels Python-Notebooks.
Online Hands-on Lab: Aufbau einer kostenfreien Open-Source-Datenpipeline. Nutzung von Google Colab und frei verfügbaren NVD-Datensätzen zur Datenaufbereitung und Visualisierung mit Open-Source-Bibliotheken wie Matplotlib und Seaborn.
Modul 2: Prädiktive Schwachstellenanalyse und Exploit-Vorhersage
Statistische vs. ML-basierte Exploit-Vorhersage: Analyse historischer Exploit-Daten und die Herausforderung der Vorhersagegenauigkeit, analysiert anhand von Open-Source-Vulnerability-Daten.
Supervised Learning-Algorithmen: Funktionsweise von Random Forests und Gradient Boosting zur Identifikation von Schwachstellen mit hoher Exploit-Wahrscheinlichkeit, trainiert in kostenfreien Cloud-Umgebungen.
Integration von Exploit Prediction Scoring System (EPSS): Analyse von EPSS-Scores und deren Anreicherung durch maschinelles Lernen mithilfe frei zugänglicher Threat-Intelligence-Feeds.
Zeitreihenanalyse von Schwachstellen-Trends: Identifikation von aufkommenden Bedrohungen durch KI-gestützte Trendanalyse in browserbasierten Jupyter-Notebooks.
Online Hands-on Lab: Implementierung eines Random-Forest-Modells in Python (Scikit-learn) via Google Colab. Training des Modells mit kostenfreien CVE- und Exploit-DB-Daten zur Vorhersage zukünftiger Exploits.
Modul 3: KI-gestützte Asset Discovery und Klassifizierung
Automatisierte Asset-Erkennung: KI-gestützte Auswertung von Netzwerk-Scans und passiver Traffic-Analyse unter Nutzung von Open-Source-Datensätzen.
Klassifizierung von IT-Assets: Identifikation kritischer Systeme und Daten durch Verhaltensmodellierung in kostenfreien Online-Sandbox-Umgebungen.
Integration von ML in Discovery-Lösungen: Architektur moderner Asset-Management-Systeme und Edge AI, demonstriert an quelloffenen Frameworks.
Dynamische Risikobewertung von Assets: KI-gesteuerte Anpassung von Kritikalitäts-Scores basierend auf Echtzeit-Telemetrie, simuliert in sicheren, browserbasierten Linux-Containern.
Online Hands-on Lab: Konfiguration von Open-Source-Asset-Discovery-Tools in einer kostenfreien Cloud-Instanz. Training eines Klassifikators zur automatischen Kategorisierung von Assets anhand frei verfügbarer Netzwerk-Scan-Daten.
Modul 4: Automatisierte Priorisierung und Risk Scoring
Modellierung von Unternehmensrisiken: Erstellung dynamischer Risikoprofile zur Priorisierung von Schwachstellen mithilfe von Open-Source-Analytics-Tools.
Kontextbasierte Schwachstellenbewertung: Erkennung von Abhängigkeiten und Angriffsvektoren durch Python-basierte Graphenanalyse im Browser.
Risikoscoring-Modelle: Entwicklung von dynamischen Schwellenwerten zur Reduzierung von Patch-Fatigue, programmiert in kostenfreien Jupyter-Umgebungen.
Erkennung von Patch-Abhängigkeiten: Identifikation von kritischen Patch-Pfaden und potenziellen Systemausfällen anhand anonymisierter Open-Source-Logfiles.
Online Hands-on Lab: Analyse von Schwachstellen-Scans mit kostenfreien Open-Source-Tools. Konfiguration von ML-Jobs in einer Open-Source-Umgebung zur Aufdeckung kritischer Angriffsvektoren und automatisierter Priorisierung.
Modul 5: Natural Language Processing (NLP) für Threat Intelligence
Automatisierte Threat Intelligence im Vulnerability Management: Herausforderungen bei der Auswertung unstrukturierter Texte aus frei zugänglichen Blogs, Foren und Security Advisories.
Named Entity Recognition (NER) für CVEs: Training von NLP-Modellen zur Extraktion Schwachstellen-spezifischer Entitäten unter Nutzung quelloffener Sprachmodelle.
Sentiment-Analyse & Exploit-Diskussionen: Überwachung von Open-Source-Intelligence (OSINT) Quellen zur proaktiven Identifikation von Exploit-Entwicklungen.
Automatisierte IoC- und CVE-Extraktion: Generierung strukturierter Formate aus Fließtexten zur Einspeisung in kostenfreie Threat Intelligence Plattformen.
Online Hands-on Lab: Entwicklung eines NLP-Skripts mit kostenfreien Hugging Face Transformers im Browser. Automatisierte Auswertung öffentlicher Security-Advisories und Einspeisung der extrahierten CVE-Daten in eine cloudbasierte Open-Source-MISP-Instanz.
Modul 6: KI-gestütztes Patch Management und Remediation
Grenzen des klassischen Patch Managements: Komplexität von Abhängigkeiten und die Notwendigkeit KI-gestützter Ansätze, analysiert an sicheren, frei zugänglichen Systemumgebungen.
Prädiktive Patch-Auswirkungsanalyse: Vorhersage potenzieller Systemkonflikte und Ausfallzeiten mittels quelloffener Python-Skripte.
Automatisierte Remediation-Strategien: Einsatz von Machine Learning zur Auswahl optimaler Workarounds und Mitigationsmaßnahmen, trainiert auf kostenfreien Cloud-Instanzen.
Dynamische Patch-Planung: KI-gestützte Optimierung von Wartungsfenstern basierend auf historischen Systemdaten.
Online Hands-on Lab: Nutzung einer cloudbasierten, kostenfreien Testumgebung. Training eines ML-Modells im Browser zur Vorhersage von Patch-Erfolgsraten anhand von historischen System- und Patch-Daten.
Modul 7: Adversarial Machine Learning im Vulnerability Management
Schwachstellen von KI-Risikomodellen: Verständnis der Angriffsvektoren auf ML-Systeme zur Schwachstellenbewertung (Evasion, Poisoning), simuliert in sicheren Online-Umgebungen.
Manipulation von Vulnerability Scores: Techniken zur Umgehung von ML-basierten Priorisierungssystemen, demonstriert an Open-Source-Modellen.
Data Poisoning in Threat Feeds: Manipulation von Trainingsdaten zur Erzeugung falscher Risikobewertungen, analysiert in isolierten, browserbasierten Containern.
Härtung von Risikomodellen: Strategien zur Erhöhung der Robustheit durch Adversarial Training mit quelloffenen Frameworks.
Online Hands-on Lab: Durchführung eines Poisoning-Angriffs auf ein Risikoscoring-Modell unter Verwendung der kostenfreien, quelloffenen Adversarial Robustness Toolbox (ART) direkt im Browser. Anschließende Härtung des Modells.
Modul 8: Integration und Automatisierung im Vulnerability Management
Orchestrierung von KI-Modellen: Integration von trainierten ML-Modellen in Open-Source Vulnerability Management Architekturen.
KI-gestützte Alert Triage für Schwachstellen: Automatisierte Priorisierung von neuen CVE-Meldungen zur Entlastung von Analysten, umgesetzt mit kostenfreien SOAR-Tools.
Automatisierte Remediation-Workflows: Entwicklung von Playbooks, die basierend auf KI-Risikoscores autonome Patch-Entscheidungen treffen, konfiguriert in Open-Source-Plattformen.
Continuous Learning im Vulnerability Management: Feedback-Schleifen zur kontinuierlichen Verbesserung der KI-Modelle, simuliert in einer cloudbasierten Übungsumgebung.
Online Hands-on Lab: Integration der entwickelten ML-Modelle in die kostenfreie Open-Source-Plattform TheHive und Shuffle SOAR. Erstellung eines automatisierten Playbooks im Browser zur Reaktion auf hochpriorisierte, KI-bewertete Schwachstellen.