Seminar Intrusion Detection

In dem Seminar werden Intrusion Detection und Intrusion Prevention Systeme behandelt. Für den Kurs sind keine Vorkenntnisse erforderlich. Die Veranstaltung ist für Bachelor- und Masterstudenten geeignet.


Im Rahmen dieses Seminars wird eine Einführung in die Präsentationstechnik gegeben. Diese findet an zwei Terminen nach der Auftaktvorlesung statt und umfasst allgemeine rhetorische, gestalterische und vorbereitende Hinweise.


Veranstalter

Max Schrötter


Modulnummern

  • Bachelor Computational Science: 6030
    • 555601 - Modulteilprüfung
    • 555602 - alternativ
  • Master Computational Science: 10020
    • 555201 - Modulteilprüfung
    • 555202 - alternativ

Ort/Termine

Das Seminar findet freitags von 14:00 Uhr bis 16:00 im Raum 02.70.0.09 statt.

Aktuelles
Deep-Full-Range 13.01.2023 → 10.02.2023 Markus M.
Semantics-aware detection of targeted attacks: a survey,
A comprehensive study on APT attacks and countermeasures for future networks and communications 10.02.2023 Michele M.
Survey of intrusion detection systems: techniques, datasets and challenges 06.01.2023 → 03.02.2023 Andy G.
Network Intrusion Detection in Encrypted Traffic 03.02.2023 Sten H.
BlindIDS: Market-Compliant and Privacy-Friendly Intrusion Detection System over Encrypted Traffic 27.01.2023 Philipp S.
A Novel Hierarchical Parallelism for Accelerating NIDS Using GPUs 27.01.2023 Nico S.
Exploration of Hardware Architectures for String Matching Algorithms in Network Intrusion Detection Systems 20.01.2023 → Termin im Forschungsseminar: Clustertreff Viktor G.
Tiki-Taka 20.01.2023 Niko W.
Toward a Lightweight Intrusion Detection System for the Internet of Things 13.01.2023 Philipp U.
Network intrusion detection system: A systematic study of machine learning and deep learning approaches 06.01.2023 Daniel S.
Erste Veranstaltung 28.10.2022, 14:00 Uhr - 16:00 Uhr Universität Potsdam, Raum 02.70.0.09

Materialien


Anforderungen

  • Folienentwurf spätestens zwei Wochen vor dem Vortragstermin vorlegen und Termin zur Besprechung vereinbaren
  • Handout zum Vortrag: max. eine DIN A4 Seite, die die wesentlichen Inhalte des Vortrags zusammenfasst
  • Erfolgreicher Vortrag: max. 45 min.
  • Ausarbeitung zwei Wochen nach Vortrag entsprechend den Vorgaben, die im Seminar bekanntgegeben werden.

Die Note setzt sich zusammen aus: 10% Vortragsentwurf, 30% Inhalt, 30% Vortragsstil und 30% Ausarbeitung.


Themenliste

  1. Survey of intrusion detection systems: techniques, datasets and challenges → Andy G.
  2. Network intrusion detection system: A systematic study of machine learning and deep learning approaches → Daniel S.
  3. Toward a Lightweight Intrusion Detection System for the Internet of Things → Philipp U.
  4. Improving Attack Detection Performance in NIDS Using GAN
  5. Deep-Full-Range: A Deep Learning Based Network Encrypted Traffic Classification and Intrusion Detection Framework → Markus M.
  6. WEDL-NIDS: Improving Network Intrusion Detection Using Word Embedding-Based Deep Learning Method
  7. Tiki-Taka: Attacking and Defending Deep Learning-based Intrusion Detection Systems → Niko W.
  8. Exploration of Hardware Architectures for String Matching Algorithms in Network Intrusion Detection Systems → Viktor G.
  9. A Novel Hierarchical Parallelism for Accelerating NIDS Using GPUs → Nico S.
  10. Achieving 100Gbps Intrusion Prevention on a Single Server
  11. BlindIDS: Market-Compliant and Privacy-Friendly Intrusion Detection System over Encrypted Traffic → Philipp S.
  12. Network Intrusion Detection in Encrypted Traffic → Sten H.
  13. A Centralized HIDS Framework For Private Cloud,
    A Novel HIDS and Log Collection Based System for Digital Forensics in Cloud Environment
  14. DeepLog: Anomaly Detection and Diagnosis from System Logs through Deep Learning
  15. Syscall-BSEM: Behavioral semantics enhancement method of system call sequence for high accurate and robust host intrusion detection
  16. A comprehensive study on APT attacks and countermeasures for future networks and communications: challenges and solutions → Michele M.
  17. Conan: A Practical Real-Time APT Detection System With High Accuracy and Efficiency