Modul 1: Grundlagen der Deepfake-Technologie und Bedrohungslandschaft
Evolution der synthetischen Medien: Von einfachen Bildmanipulationen zu hochkomplexen, KI-generierten Deepfakes und deren Auswirkungen auf Gesellschaft, Politik und Wirtschaft, analysiert anhand frei zugänglicher Fallstudien.
Generative KI-Modelle: Funktionsweise von Generative Adversarial Networks (GANs) und Diffusionsmodellen bei der Erstellung von Deepfakes, veranschaulicht durch browserbasierte KI-Modellierung.
Audio- und Video-Synthese: Techniken zur Stimmklonung und Gesichtsmanipulation (Face Swapping, Lip Syncing) unter ausschließlicher Verwendung kostenfreier Open-Source-Frameworks.
Bedrohungsanalyse und Angriffsvektoren: Identifikation von Social Engineering, Identitätsdiebstahl und Desinformationskampagnen durch Deepfakes direkt im Browser mittels Python-Notebooks.
Online Hands-on Lab: Aufbau einer kostenfreien Open-Source-Analyseumgebung. Nutzung von Google Colab und frei verfügbaren Datensätzen zur Untersuchung von GAN-generierten Bildern und Visualisierung von Artefakten mit Open-Source-Bibliotheken wie Matplotlib und OpenCV.
Modul 2: Forensische Analyse von synthetischen Bildern
Visuelle Inkonsistenzen und Artefakte: Erkennung von unnatürlichen Beleuchtungen, asymmetrischen Gesichtszügen und Blending-Fehlern, analysiert anhand von Open-Source-Bilddatenbanken.
Frequenzraumanalyse: Identifikation von Deepfakes durch Untersuchung von Kompressionsartefakten und Frequenzmustern, trainiert in kostenfreien Cloud-Umgebungen.
Metadaten- und Quellenprüfung: Analyse von EXIF-Daten und Reverse Image Search zur Verifizierung der Bildherkunft mithilfe frei zugänglicher OSINT-Tools.
KI-gestützte Bilderkennung: Einsatz von Convolutional Neural Networks (CNNs) zur automatisierten Klassifizierung von echten und manipulierten Bildern in browserbasierten Jupyter-Notebooks.
Online Hands-on Lab: Implementierung eines CNN-Modells in Python (PyTorch) via Google Colab. Training des Modells mit kostenfreien Datensätzen (z.B. FaceForensics++) zur Erkennung von manipulierten Gesichtsbildern.
Modul 3: Erkennung von Audio-Deepfakes und Voice Cloning
Akustische Merkmale und Spektrogramm-Analyse: Untersuchung von Frequenzgängen, Phaseninkonsistenzen und unnatürlichen Atemgeräuschen unter Nutzung von Open-Source-Audiodatensätzen.
Biometrische Stimmverifizierung: Grundlagen der Sprechererkennung und die Herausforderungen durch hochqualitatives Voice Cloning in kostenfreien Online-Sandbox-Umgebungen.
Machine Learning für Audio-Forensik: Einsatz von Support Vector Machines (SVM) und neuronalen Netzen zur Unterscheidung von menschlichen und synthetischen Stimmen, demonstriert an quelloffenen Frameworks.
Echtzeit-Audio-Analyse: Techniken zur Erkennung von manipulierten Audio-Streams in Kommunikationsplattformen, simuliert in sicheren, browserbasierten Linux-Containern.
Online Hands-on Lab: Konfiguration einer Audio-Analyse-Pipeline in einer kostenfreien Cloud-Instanz. Training eines Klassifikators zur Erkennung von synthetischen Stimmen anhand frei verfügbarer ASVspoof-Datensätze mit Librosa und Scikit-learn.
Modul 4: Video-Deepfake-Erkennung und temporale Analyse
Temporale Inkonsistenzen: Analyse von unnatürlichen Bewegungsabläufen, fehlendem Blinzeln und Pulsfrequenz-Abweichungen (rPPG) mithilfe von Open-Source-Analytics-Tools.
Frame-by-Frame-Untersuchung: Extraktion und Analyse einzelner Videoframes zur Identifikation von Manipulationsspuren durch Python-basierte Datenanalyse im Browser.
Recurrent Neural Networks (RNN) und LSTMs: Einsatz von sequenziellen Modellen zur Erkennung von zeitlichen Anomalien in Videos, programmiert in kostenfreien Jupyter-Umgebungen.
Multimodale Erkennungsansätze: Kombination von Audio- und Video-Analyse zur Erhöhung der Erkennungsgenauigkeit anhand anonymisierter Open-Source-Videodateien.
Online Hands-on Lab: Analyse von Deepfake-Videos mit kostenfreien Open-Source-Tools. Konfiguration von ML-Jobs in einer Google Colab-Umgebung zur Aufdeckung von temporalen Inkonsistenzen mittels LSTM-Netzwerken.
Modul 5: Automatisierte Deepfake-Erkennung mit Deep Learning
Grenzen der manuellen Forensik: Skalierbarkeitsprobleme und die Notwendigkeit KI-gestützter, automatisierter Erkennungssysteme, analysiert an sicheren, frei zugänglichen Deepfake-Samples.
Fortgeschrittene Deep Learning Architekturen: Einsatz von Vision Transformers (ViT) und Ensemble-Methoden zur robusten Klassifizierung, trainiert auf kostenfreien GPU-Instanzen (z.B. Colab).
Transfer Learning in der Forensik: Nutzung vortrainierter Modelle zur Anpassung an neue Deepfake-Generierungsmethoden mittels quelloffener Python-Skripte.
Erklärbare KI (XAI) in der Deepfake-Erkennung: Visualisierung von Entscheidungsfindungsprozessen der Modelle (z.B. Grad-CAM) zur Nachvollziehbarkeit der Ergebnisse.
Online Hands-on Lab: Nutzung einer cloudbasierten, kostenfreien GPU-Instanz. Training eines PyTorch-basierten Vision Transformer-Modells im Browser zur Klassifizierung von Deepfake-Videos und Visualisierung der Aufmerksamkeitskarten mit XAI-Methoden.
Modul 6: Open-Source Intelligence (OSINT) und Deepfake-Verifizierung
Informationsverifizierung im digitalen Zeitalter: Herausforderungen bei der Überprüfung von nutzergenerierten Inhalten aus frei zugänglichen sozialen Netzwerken und Medien.
Reverse Video Search und Geolocation: Techniken zur Überprüfung des zeitlichen und räumlichen Kontexts von Medieninhalten unter Nutzung quelloffener OSINT-Tools.
Netzwerkanalyse von Desinformationskampagnen: Identifikation von Bot-Netzwerken und koordiniertem inauthentischem Verhalten zur proaktiven Bedrohungsaufklärung.
Automatisierte Fact-Checking-Pipelines: Integration von OSINT-Daten und Deepfake-Erkennungsmodellen in kostenfreie Verifizierungsplattformen.
Online Hands-on Lab: Entwicklung eines OSINT-Skripts mit kostenfreien Python-Bibliotheken im Browser. Automatisierte Auswertung öffentlicher Medieninhalte und Verifizierung der Authentizität durch Kombination von Reverse Search und KI-Modellen.
Modul 7: Adversarial Attacks auf Deepfake-Erkennungssysteme
Schwachstellen von Erkennungsmodellen: Verständnis der Angriffsvektoren auf ML-Systeme zur Deepfake-Erkennung (Evasion, Poisoning), simuliert in sicheren Online-Umgebungen.
Adversarial Perturbations: Techniken zur Manipulation von Deepfakes, um Erkennungssysteme zu täuschen, demonstriert an Open-Source-Modellen.
Robustheitstests und Evaluierung: Methoden zur Messung der Widerstandsfähigkeit von Erkennungsmodellen gegen gezielte Angriffe, analysiert in isolierten, browserbasierten Containern.
Härtung von Deepfake-Detektoren: Strategien zur Erhöhung der Robustheit durch Adversarial Training und Datenaugmentierung mit quelloffenen Frameworks.
Online Hands-on Lab: Durchführung eines Evasion-Angriffs auf ein Deepfake-Erkennungsmodell unter Verwendung der kostenfreien, quelloffenen Adversarial Robustness Toolbox (ART) direkt im Browser. Anschließende Härtung des Modells durch Adversarial Training.
Modul 8: Incident Response und Mitigation von Deepfake-Angriffen
Entwicklung von Deepfake-Response-Plänen: Integration von Deepfake-spezifischen Prozessen in bestehende Incident Response Frameworks von Organisationen.
Triage und Priorisierung von Vorfällen: Automatisierte Bewertung der Glaubwürdigkeit und des potenziellen Schadens von synthetischen Medien, umgesetzt mit kostenfreien SOAR-Tools.
Kommunikationsstrategien und Krisenmanagement: Umgang mit Reputationsschäden und rechtlichen Implikationen bei Deepfake-Angriffen, konfiguriert in Open-Source-Plattformen.
Kontinuierliches Monitoring und Threat Intelligence: Aufbau von Feedback-Schleifen zur Anpassung an neue Deepfake-Technologien, simuliert in einer cloudbasierten Übungsumgebung.
Online…