Modul 1: Grundlagen der KI-gestützten Threat Intelligence
Evolution der Threat Intelligence: Von manueller IoC-Sammlung zu automatisierten, KI-gestützten Analyseprozessen, vermittelt über interaktive Online-Dashboards.
Datenquellen und OSINT-Erfassung: Aggregation von Threat-Feeds, Darknet-Daten und öffentlichen Repositories unter ausschließlicher Verwendung kostenfreier Open-Source-Kollektoren.
Natural Language Processing (NLP) Basics: Grundlagen der Textverarbeitung und Informationsextraktion aus unstrukturierten Threat-Reports, veranschaulicht durch browserbasierte KI-Modellierung.
Automatisierte Datenaufbereitung: Bereinigung und Normalisierung von Threat-Daten direkt im Browser mittels Python-Notebooks.
Online Hands-on Lab: Aufbau einer kostenfreien Open-Source-Datenpipeline. Nutzung von Google Colab zur Aggregation von OSINT-Feeds und erste Textanalysen mit Open-Source-Bibliotheken wie NLTK und spaCy.
Modul 2: Automatisierte IoC-Extraktion mit NLP
Named Entity Recognition (NER) in der Security: Identifikation von IP-Adressen, Hashes und Malware-Namen in Fließtexten, analysiert anhand von Open-Source-Threat-Reports.
Training von Security-spezifischen Sprachmodellen: Fine-Tuning von Transformer-Modellen zur Erkennung komplexer Bedrohungsindikatoren in kostenfreien Cloud-Umgebungen.
Beziehungsanalyse und Kontextualisierung: Verknüpfung extrahierter Entitäten zur Erstellung von Angreifer-Profilen mithilfe frei zugänglicher Graphen-Datenbanken.
Generierung von STIX/TAXII-Formaten: Automatisierte Umwandlung unstrukturierter Daten in standardisierte Threat-Intelligence-Formate in browserbasierten Jupyter-Notebooks.
Online Hands-on Lab: Implementierung eines NER-Modells mit kostenfreien Hugging Face Transformers via Google Colab. Extraktion von IoCs aus öffentlichen Blogposts und automatisierte Konvertierung in das STIX-Format.
Modul 3: KI-gestützte Analyse von Malware-Kampagnen
Clustering von Malware-Familien: Unsupervised Learning zur Gruppierung ähnlicher Schadsoftware basierend auf Verhaltensmerkmalen unter Nutzung von Open-Source-Datensätzen.
Zeitreihenanalyse von Angriffswellen: Erkennung von Mustern und Vorhersage zukünftiger Kampagnen durch statistische Modellierung in kostenfreien Online-Umgebungen.
Attribution von Threat Actors: KI-gestützte Zuordnung von Angriffen zu bekannten APT-Gruppen (Advanced Persistent Threats) anhand von TTPs (Tactics, Techniques, and Procedures).
Automatisierte TTP-Mapping: Zuordnung von analysierten Verhaltensweisen zum MITRE ATT&CK Framework, simuliert in sicheren, browserbasierten Containern.
Online Hands-on Lab: Analyse von Malware-Verhaltensberichten in einer kostenfreien Cloud-Instanz. Training eines K-Means-Clustering-Modells (Scikit-learn) zur Gruppierung von Malware-Samples anhand frei verfügbarer Sandbox-Logs.
Modul 4: Darknet- und Deep-Web-Monitoring mit KI
Automatisierte Datensammlung im Darknet: Herausforderungen und Techniken beim Scraping von Onion-Sites mithilfe von Open-Source-Tools.
Sentiment-Analyse in Hacker-Foren: Erkennung von aufkommenden Bedrohungen und Zero-Day-Diskussionen durch NLP-basierte Stimmungsanalyse im Browser.
Identifikation von Leak-Sites und Ransomware-Akteuren: KI-gestützte Überwachung von Erpresser-Websites und automatisierte Extraktion von Opferdaten in kostenfreien Jupyter-Umgebungen.
Übersetzung und Analyse fremdsprachiger Foren: Einsatz von Machine Translation zur Auswertung russisch- oder chinesischsprachiger Threat-Intelligence-Quellen.
Online Hands-on Lab: Analyse anonymisierter Darknet-Foren-Dumps mit kostenfreien NLP-Tools. Konfiguration eines Sentiment-Analyse-Skripts in Google Colab zur Identifikation von Diskussionen über neue Exploits.
Modul 5: Graphen-basierte Threat Intelligence
Grundlagen der Graphentheorie in der Security: Modellierung von Beziehungen zwischen IPs, Domains, Hashes und Akteuren, analysiert an frei zugänglichen Threat-Daten.
Graph Neural Networks (GNNs): Einsatz fortschrittlicher KI-Modelle zur Vorhersage von bösartigen Domains und Infrastrukturen mittels quelloffener Python-Skripte.
Identifikation von C2-Infrastrukturen: Aufdeckung versteckter Command-and-Control-Netzwerke durch Graphen-Analyse auf kostenfreien GPU-Instanzen (z.B. Colab).
Visualisierung komplexer Bedrohungslandschaften: Interaktive Darstellung von Angreifer-Netzwerken zur Unterstützung der Analysten.
Online Hands-on Lab: Nutzung einer cloudbasierten, kostenfreien Neo4j-Instanz. Aufbau eines Threat-Intelligence-Graphen im Browser und Anwendung von GNNs (PyTorch Geometric) zur Identifikation verdächtiger Domains.
Modul 6: Automatisierte Threat-Scoring-Modelle
Entwicklung von Risikometriken: Definition von Parametern zur Bewertung der Kritikalität von IoCs und Threat-Actors aus frei zugänglichen Quellen.
Machine Learning für dynamisches Scoring: Training von Regressionsmodellen zur kontinuierlichen Anpassung von Threat-Scores unter Nutzung quelloffener Frameworks.
Integration von Vulnerability Intelligence: Verknüpfung von Threat-Daten mit CVE-Datenbanken zur Priorisierung von Schwachstellen.
Reduzierung von False Positives: KI-gestützte Filterung irrelevanter oder veralteter Indikatoren zur Steigerung der Datenqualität.
Online Hands-on Lab: Entwicklung eines dynamischen Scoring-Skripts mit Python im Browser. Automatisierte Bewertung von IoCs aus öffentlichen Feeds und Priorisierung basierend auf historischen Angriffsdaten.
Modul 7: Generative KI in der Threat Intelligence
Einsatz von Large Language Models (LLMs): Nutzung generativer KI zur Zusammenfassung komplexer Threat-Reports, simuliert in sicheren Online-Umgebungen.
Automatisierte Erstellung von YARA- und Sigma-Regeln: Generierung von Erkennungssignaturen aus TTP-Beschreibungen, demonstriert an Open-Source-Modellen.
Simulation von Angreifer-Verhalten: Erstellung synthetischer Threat-Daten zum Training von Erkennungssystemen in isolierten, browserbasierten Containern.
Risiken generativer KI: Missbrauch von LLMs durch Angreifer (z.B. für Phishing oder Malware-Generierung) und entsprechende Gegenmaßnahmen.
Online Hands-on Lab: Nutzung kostenfreier, quelloffener LLMs (z.B. via Hugging Face) direkt im Browser. Automatisierte Generierung von YARA-Regeln basierend auf der Analyse eines aktuellen Threat-Reports.
Modul 8: Integration und Automatisierung (TIP & SOAR)
Architektur von Threat Intelligence Plattformen (TIP): Aufbau und Verwaltung von Threat-Datenbanken mit Open-Source-Lösungen.
KI-gestützte TIP-Integration: Automatisierte Einspeisung und Anreicherung von IoCs in Plattformen wie MISP, umgesetzt mit kostenfreien Tools.
Automatisierte Response mit SOAR: Entwicklung von Playbooks zur proaktiven Blockierung von Bedrohungen basierend auf KI-Analysen, konfiguriert in Open-Source-Plattformen.
Threat Hunting mit KI-Unterstützung: Proaktive Suche nach versteckten Bedrohungen im Netzwerk unter Nutzung der angereicherten Threat Intelligence.
Online Hands-on Lab: Integration der entwickelten KI-Modelle in eine cloudbasierte Open-Source-MISP-Instanz und Shuffle SOAR. Erstellung eines automatisierten Playbooks im Browser zur Anreicherung von Alerts und Blockierung bösartiger IPs.