Modul 1: Grundlagen der KI-gestützten Phishing-Abwehr
Evolution der Phishing-Angriffe: Von einfachen Massen-E-Mails zu hochgradig personalisierten Spear-Phishing-Kampagnen und die Notwendigkeit KI-basierter Erkennung, analysiert über interaktive Online-Dashboards.
Machine Learning & NLP Basics: Supervised vs. Unsupervised Learning im Kontext der E-Mail-Sicherheit, veranschaulicht durch browserbasierte KI-Modellierung zur Textanalyse.
Datenquellen & E-Mail-Telemetrie: Erfassung und Normalisierung von E-Mail-Headern, Body-Texten und Metadaten unter ausschließlicher Verwendung kostenfreier Open-Source-Kollektoren.
Feature Engineering für Phishing-Daten: Transformation von rohen E-Mail-Daten 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 Phishing-Datensätzen zur Datenaufbereitung und Visualisierung mit Open-Source-Bibliotheken wie Matplotlib und Seaborn.
Modul 2: Natural Language Processing (NLP) zur Textanalyse
Statistische vs. ML-basierte Textanalyse: Baseline-Erstellung und die Herausforderung von False Positives bei der Erkennung von Social Engineering, analysiert anhand von Open-Source-E-Mail-Daten.
Sprachmodelle & Embeddings: Funktionsweise von Word2Vec und Transformer-Modellen zur Identifikation manipulativer Sprache, trainiert in kostenfreien Cloud-Umgebungen.
Erkennung von Dringlichkeit & Autorität: Analyse von semantischen Mustern und psychologischen Triggern mithilfe frei zugänglicher NLP-Bibliotheken.
Sentiment-Analyse & Intent Detection: Identifikation von anomaler Kommunikation durch KI-gestützte Textklassifizierung in browserbasierten Jupyter-Notebooks.
Online Hands-on Lab: Implementierung eines NLP-Modells in Python (Hugging Face) via Google Colab. Training des Modells mit kostenfreien Spam- und Phishing-Korpora zur Erkennung von simulierten Spear-Phishing-Texten.
Modul 3: KI-gestützte Analyse von E-Mail-Headern und Metadaten
Header-Telemetrie-Analyse: KI-gestützte Auswertung von Routing-Informationen, SPF, DKIM und DMARC-Einträgen unter Nutzung von Open-Source-Datensätzen.
Erkennung von Spoofing & Domain-Impersonation: Identifikation von gefälschten Absenderadressen durch Verhaltensmodellierung in kostenfreien Online-Sandbox-Umgebungen.
Integration von ML in E-Mail-Gateways: Architektur moderner E-Mail-Security-Lösungen und Edge AI, demonstriert an quelloffenen Mail-Filter-Frameworks.
Automatisierte Response-Aktionen: KI-gesteuerte Quarantäne von E-Mails und Warnung der Nutzer, simuliert in sicheren, browserbasierten Linux-Containern.
Online Hands-on Lab: Konfiguration von Open-Source-SpamAssassin-Regeln in einer kostenfreien Cloud-Instanz. Training eines Random-Forest-Klassifikators zur Erkennung von Header-Anomalien anhand frei verfügbarer E-Mail-Logs.
Modul 4: Visuelle Erkennung von Phishing-Webseiten
Modellierung von Webseiten-Layouts: Erstellung dynamischer Baselines zur Erkennung von gefälschten Login-Seiten mithilfe von Open-Source-Computer-Vision-Tools.
Bildanalyse & Logo-Erkennung: Erkennung von missbräuchlich verwendeten Markenlogos durch Python-basierte Bildverarbeitung im Browser.
Risikoscoring-Modelle für URLs: Entwicklung von dynamischen Schwellenwerten zur Bewertung von Link-Zielen, programmiert in kostenfreien Jupyter-Umgebungen.
Erkennung von Typosquatting & Homoglyphen: Identifikation von visuell ähnlichen, aber bösartigen Domains anhand anonymisierter Open-Source-Feeds.
Online Hands-on Lab: Analyse von Phishing-Screenshots mit dem kostenfreien OpenCV-Framework. Konfiguration von ML-Jobs in einer Open-Source-Umgebung zur Aufdeckung anomaler Webseiten-Strukturen.
Modul 5: Automatisierte Analyse von bösartigen Anhängen
Grenzen der klassischen Anhang-Analyse: Obfuskation und Makro-Malware und die Notwendigkeit KI-gestützter Ansätze, analysiert an sicheren, frei zugänglichen Dokumenten-Samples.
Repräsentation von Office-Dokumenten und PDFs: Extraktion von Metadaten und eingebettetem Code mittels quelloffener Python-Skripte.
Deep Learning Architekturen für Dateianalyse: Einsatz von neuronalen Netzen zur Klassifizierung von bösartigen Anhängen, trainiert auf kostenfreien GPU-Instanzen (z.B. Colab).
Dynamische Analyse & Verhaltens-Clustering: KI-gestützte Auswertung von Sandbox-Reports aus öffentlichen Malware-Datenbanken für E-Mail-Anhänge.
Online Hands-on Lab: Nutzung einer cloudbasierten, kostenfreien Cuckoo Sandbox-Instanz. Training eines PyTorch-basierten Modells im Browser zur Klassifizierung von bösartigen PDFs anhand von extrahierten Strukturmerkmalen.
Modul 6: Erkennung von KI-generiertem Phishing (Deepfakes & LLMs)
Automatisierte Phishing-Generierung: Herausforderungen bei der Erkennung von Texten, die von großen Sprachmodellen (LLMs) erstellt wurden.
Erkennung von maschinengeneriertem Text: Training von Modellen zur Unterscheidung zwischen menschlicher und KI-generierter Sprache unter Nutzung quelloffener Frameworks.
Audio- & Video-Deepfakes im Social Engineering: Überwachung von Open-Source-Intelligence (OSINT) Quellen zur proaktiven Aufklärung über neue Deepfake-Phishing-Methoden (Vishing).
Automatisierte Extraktion von Deepfake-Indikatoren: Generierung von Erkennungsmerkmalen zur Einspeisung in kostenfreie Threat Intelligence Plattformen.
Online Hands-on Lab: Entwicklung eines Erkennungsskripts mit kostenfreien Hugging Face Modellen im Browser. Automatisierte Auswertung von Text-Samples zur Identifikation von LLM-generierten Phishing-E-Mails.
Modul 7: Adversarial Machine Learning in der Phishing-Erkennung
Schwachstellen von Phishing-Filtern: Verständnis der Angriffsvektoren auf ML-basierte E-Mail-Sicherheitssysteme (Evasion, Poisoning), simuliert in sicheren Online-Umgebungen.
Evasion Attacks auf NLP-Modelle: Techniken zur Umgehung von Textklassifikatoren durch gezielte Wortveränderungen, demonstriert an Open-Source-Modellen.
Data Poisoning in Spam-Filtern: Manipulation von Trainingsdaten zur Erzeugung von Whitelist-Backdoors, analysiert in isolierten, browserbasierten Containern.
Härtung von Erkennungsmodellen: Strategien zur Erhöhung der Robustheit durch Adversarial Training mit quelloffenen Frameworks.
Online Hands-on Lab: Durchführung eines Evasion-Angriffs auf ein Spam-Erkennungsmodell unter Verwendung der kostenfreien, quelloffenen Adversarial Robustness Toolbox (ART) direkt im Browser. Anschließende Härtung des Modells.
Modul 8: Integration in Security Awareness und Incident Response
Orchestrierung von Phishing-Erkennung: Integration von trainierten ML-Modellen in Open-Source Security Operations Center (SOC) Architekturen und E-Mail-Gateways.
KI-gestützte Alert Triage für User-Reports: Automatisierte Priorisierung von durch Nutzer gemeldeten verdächtigen E-Mails zur Entlastung von Analysten, umgesetzt mit kostenfreien SOAR-Tools.
Automatisierte Incident Response für Phishing: Entwicklung von Playbooks, die basierend auf KI-Konfidenzwerten autonome Entscheidungen (z.B. Löschung aus Postfächern) treffen, konfiguriert in Open-Source-Plattformen.
Continuous Learning durch User-Feedback: Feedback-Schleifen zur kontinuierlichen Verbesserung der KI-Modelle durch gemeldete Phishing-Versuche, 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 gemeldete Phishing-E-Mails.