Modul 1: Grundlagen der IT/OT-Konvergenz und KI-Sicherheit
Architektur industrieller Kontrollsysteme (ICS): Verständnis der Purdue-Modell-Ebenen und der zunehmenden Verschmelzung von IT- und OT-Netzwerken, visualisiert durch interaktive Online-Diagramme.

Spezifische Bedrohungslandschaft in OT-Umgebungen: Analyse historischer Angriffe auf kritische Infrastrukturen und die Rolle von KI bei der Erkennung neuartiger Angriffsvektoren, vermittelt über browserbasierte Fallstudien.

Protokolle und Kommunikation in der Industrie: Untersuchung von Modbus, DNP3 und OPC UA sowie deren Schwachstellen unter ausschließlicher Verwendung kostenfreier Open-Source-Analysetools.

KI-gestützte Risikoanalyse: Bewertung von IT/OT-Schnittstellen und Identifikation potenzieller Einfallstore durch maschinelles Lernen direkt im Browser mittels Python-Notebooks.

Online Hands-on Lab: Aufbau einer simulierten IT/OT-Netzwerkumgebung. Nutzung von Google Colab und frei verfügbaren PCAP-Datensätzen industrieller Protokolle zur Datenaufbereitung und Visualisierung mit Open-Source-Bibliotheken wie Matplotlib und Seaborn.

Modul 2: Anomalieerkennung in industriellen Netzwerken
Verhaltensbasierte Überwachung von OT-Traffic: Baseline-Erstellung für deterministische industrielle Kommunikation und die Herausforderung von False Positives, analysiert anhand von Open-Source-Netzwerkdaten.

Unsupervised Learning für ICS: Funktionsweise von Isolation Forests und Autoencodern zur Identifikation unbekannter Bedrohungen in SCADA-Systemen, trainiert in kostenfreien Cloud-Umgebungen.

Erkennung von Command-and-Injection-Angriffen: Analyse von manipulierten Steuerbefehlen und anomalen Payload-Strukturen mithilfe frei zugänglicher Threat-Intelligence-Feeds.

Lateral Movement zwischen IT und OT: Identifikation von anomaler interner Kommunikation durch KI-gestützte Graphenanalyse in browserbasierten Jupyter-Notebooks.

Online Hands-on Lab: Implementierung eines Isolation-Forest-Modells in Python (Scikit-learn) via Google Colab. Training des Modells mit kostenfreien Zeek-Logs zur Erkennung von simulierten Anomalien im Modbus-Traffic.

Modul 3: KI-gestützte Endpoint Security für OT-Systeme
Herausforderungen der Endpoint-Sicherheit in der OT: Einschränkungen bei der Installation von Agenten auf Legacy-Systemen und HMI-Terminals unter Nutzung von Open-Source-Datensätzen.

Erkennung von Fileless Malware in industriellen Umgebungen: Identifikation von Living-off-the-Land-Techniken durch Verhaltensmodellierung in kostenfreien Online-Sandbox-Umgebungen.

Integration von ML in ressourcenschonende EDR-Lösungen: Architektur moderner, leichtgewichtiger EDR-Agenten für industrielle Endpunkte, demonstriert an quelloffenen EDR-Frameworks.

Automatisierte Response-Aktionen mit minimalem Impact: KI-gesteuerte Isolierung von Hosts ohne Beeinträchtigung kritischer Prozesse, simuliert in sicheren, browserbasierten Linux-Containern.

Online Hands-on Lab: Konfiguration von Open-Source-Wazuh-Agenten in einer kostenfreien Cloud-Instanz zur Überwachung simulierter HMI-Systeme. Training eines Random-Forest-Klassifikators zur Erkennung von Prozessmanipulationen anhand frei verfügbarer Sysmon-Daten.

Modul 4: Predictive Maintenance und Security Analytics
Synergien zwischen Sicherheit und Instandhaltung: Nutzung von Sensordaten zur gleichzeitigen Erkennung von Hardware-Ausfällen und Cyberangriffen mithilfe von Open-Source-Analytics-Tools.

Zeitreihenanalyse von Prozessdaten: Erkennung von Abweichungen in Temperatur-, Druck- oder Geschwindigkeitswerten durch Python-basierte Datenanalyse im Browser.

Risikoscoring-Modelle für industrielle Prozesse: Entwicklung von dynamischen Schwellenwerten zur Reduzierung von Alert Fatigue in Leitständen, programmiert in kostenfreien Jupyter-Umgebungen.

Erkennung von physischen Manipulationen: Identifikation von Sensormanipulationen und Spoofing-Angriffen anhand anonymisierter Open-Source-Logfiles.

Online Hands-on Lab: Analyse von simulierten Sensordaten mit dem kostenfreien OpenUBA-Framework. Konfiguration von ML-Jobs in einer Open-Source-Elastic-Umgebung zur Aufdeckung anomaler Prozessabweichungen.

Modul 5: Automatisierte Analyse von ICS-Malware
Spezifika industrieller Schadsoftware: Analyse von Stuxnet, Industroyer und Triton sowie die Notwendigkeit KI-gestützter Ansätze, analysiert an sicheren, frei zugänglichen Malware-Samples.

Repräsentation von ICS-Binärdateien: Extraktion von spezifischen Headern und Umwandlung von Binaries in maschinenlesbare Formate mittels quelloffener Python-Skripte.

Deep Learning zur Klassifizierung von OT-Malware: Einsatz von Convolutional Neural Networks (CNNs) zur Identifikation von Malware-Familien, trainiert auf kostenfreien GPU-Instanzen (z.B. Colab).

Dynamische Analyse in simulierten OT-Umgebungen: KI-gestützte Auswertung von Sandbox-Reports aus öffentlichen Malware-Datenbanken für industrielle Systeme.

Online Hands-on Lab: Nutzung einer cloudbasierten, kostenfreien Cuckoo Sandbox-Instanz. Training eines PyTorch-basierten CNN-Modells im Browser zur Klassifizierung von ICS-spezifischen Malware-Samples anhand von Image-basierten Binärrepräsentationen.

Modul 6: Threat Intelligence für kritische Infrastrukturen
Automatisierte Auswertung von ICS-Threat-Reports: Herausforderungen bei der Analyse unstrukturierter Texte aus frei zugänglichen Blogs und Foren mit Fokus auf OT-Sicherheit.

Named Entity Recognition (NER) für industrielle Komponenten: Training von NLP-Modellen zur Extraktion von SPS-Modellen und Protokollen unter Nutzung quelloffener Sprachmodelle.

Überwachung von ICS-spezifischen OSINT-Quellen: Sentiment-Analyse und Trend-Erkennung zur proaktiven Bedrohungsaufklärung im industriellen Sektor.

Automatisierte IoC-Extraktion für OT-Umgebungen: Generierung von STIX-Formaten 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 ICS-Threat-Reports und Einspeisung der IoCs in eine cloudbasierte Open-Source-MISP-Instanz.

Modul 7: Adversarial Machine Learning in industriellen Systemen
Schwachstellen von KI-Modellen in der OT: Verständnis der Angriffsvektoren auf ML-Systeme zur Prozesssteuerung (Evasion, Poisoning), simuliert in sicheren Online-Umgebungen.

Evasion Attacks auf industrielle Anomalieerkennung: Techniken zur Umgehung von ML-basierten NIDS in SCADA-Netzwerken, demonstriert an Open-Source-Modellen.

Data Poisoning von Sensordaten: Manipulation von Trainingsdaten zur Erzeugung von falschen Baselines, analysiert in isolierten, browserbasierten Containern.

Härtung von KI-Modellen für kritische Infrastrukturen: Strategien zur Erhöhung der Robustheit durch Adversarial Training mit quelloffenen Frameworks.

Online Hands-on Lab: Durchführung eines Evasion-Angriffs auf ein OT-Anomalieerkennungsmodell unter Verwendung der kostenfreien, quelloffenen Adversarial Robustness Toolbox (ART) direkt im Browser. Anschließende Härtung des Modells.

Modul 8: IT/OT-SOC-Integration und automatisierte Reaktion
Orchestrierung von KI-Modellen über IT und OT hinweg: Integration von trainierten ML-Modellen in konvergierte Open-Source Security Operations Center (SOC) Architekturen.

KI-gestützte Alert Triage für industrielle Vorfälle: Automatisierte Priorisierung von Sicherheitswarnungen unter Berücksichtigung der Prozesskritikalität, umgesetzt mit kostenfreien SOAR-Tools.

Automatisierte Incident Response in der OT: Entwicklung von Playbooks, die basierend auf KI-Konfidenzwerten sichere Entscheidungen treffen, konfiguriert in Open-Source-Plattformen.

Continuous Learning im konvergierten SOC: Feedback-Schleifen zur kontinuierlichen Verbesserung der KI-Modelle für IT- und OT-Dat…