Videreutdanning Mastergrad i data, komplekse nettverk og cybersikkerhetsvitenskap

Hovedkarakteristikken til mastergraden, som gjør den unik, er at den bruker datavitenskap og maskinlæringsmodeller for å studere i dybden de mest aktuelle Cybersecurity-hendelsene, og trekker fra denne analysen de mest introduserte beskyttelsesarkitekturene i sektoren.

Vi trener fremtidige cybersikkerhetsarkitekter i de mest etterspurte beskyttelsesteknikkene, for eksempel Zero Trust Architectures, bruk av Data Science-modeller i deres design, i å validere robustheten til arkitekturene og i å identifisere angrepene som forårsaker mest tap. forårsaker i bransjen.

Vi er organisert i fem moduler. Du kan ta dem på ett år eller flere. De to innledende modulene er Introduksjon til Cybersecurity og programmering i Python med fokus på data. De neste tre modulene fokuserer på den ene siden på de arkitektoniske og teknologiske aspektene ved Cybersecurity (NIST 800 Model) og på analysemodellene for de mest aktuelle angrepsteknikkene som Cyber ​​​​Kill Chain og MITER ATT&CK. Til dette legger vi til den praktiske anvendelsen av Data Science og Machine Learning (i utgangspunktet Python) for å identifisere anomalier i oppførselen til systemer og mennesker, som tillater rask reaksjon på et angrep.

Når du fullfører hver av modulene vil du oppnå tilsvarende høyere universitetsgrad. På slutten av de fem modulene og det avsluttende masterprosjektet utstedes mastergraden. Du kan ta det både hvis du har en universitetsgrad eller hvis du beviser erfaring fra informatikkverdenen.

Vi er på Fuenlabrada Campus i URJC. Varigheten av Master er 600 timer. Vi starter 15. oktober med ettermiddagstimer: fra 16.00 til 20.00 mandag til torsdag. Gitt dagens situasjon, for 20/21-kurset, kan timene følges personlig eller ved strømming. La oss kringkaste alle klasser!!!

mål

Master i DATA, KOMPLEKSE NETTVERK & CYBERSIKKERHET har som mål å trene i de viktigste beskyttelsesteknikkene mot angrep og trusler i operativsystemer, nettverk, applikasjonsprogramvare, websystemer, databaser og maskinlæring.

Modul 1 Cybersecurity Fundamentals (Svarer til "Advanced University Course in Cybersecurity Fundamentals")

• Sikkerhetsoperasjoner og Iam
• kryptografi
• Komplekse nettverk
• Nist Framework Introduksjon
• Datavitenskap
• Praktiske prosjekter
• Cyberdatadrevet modell

Modul 2. Introduksjon til Python. (Svarer til det "avanserte universitetskurset i introduksjon til Python)

• Python programmeringsspråk
• Programmering for alle (komme i gang med Python)
• Python-biblioteker for komplekse nettverk
• Python-biblioteker for maskinlæring

Modul 3. Cybersikkerhet: Arkitektoniske og teknologiske strategier. (Svarer til det "avanserte universitetskurset i cybersikkerhet: Arkitektoniske og teknologiske strategier.)

• Introduksjon til Cybersecurity
• System Security
• Kryptografi og nettverk
• Studiesaker
• Sikkerhetspolitikk

Modul 4. Data for Kill Chain-administrasjon: Overvåking og respons. Tilsvarer "Advanced University Course in Data for Kill Chain Management: Monitoring & Response)

• Algebra - Intro Matlab
• Sannsynlighet - Intro Matlab
• Forbehandling - Rengjøring
• Grunnleggende konsepter-kostnad
• Parametriske modeller (retur, logistikk osv.)
• Ikke-parametriske modeller
• Modeller uten tilsyn
• Kjerner
• Dyp
• Genetikk - (partikkelfiltrering)
• Anbefalingssystemer
• Anomalideteksjon

Modul 5. Sciences Applied to Cybersecurity: Machinelearning & Complex Network (Svarer til "Advanced University Course Sciences Applied to Cybersecurity: Machinelearning & Complex Network)

• Nettsikkerhetsmålinger og -tiltak
• Få mening med ustrukturerte data
• Regresjon og prediksjon
• Klassifisering, hypotesetesting og anomalideteksjon
• Systemanbefaling
• Kompleks nettverksanalyse
• Prediktive modeller for tidsdata

Tfm. (for studenter med universitetsgrad)

Studenten skal gjennomføre en teknologisk analyse, markedsanalyse, utvikling av en konsulentmodell og/eller analyse av produkter som kombinerer bruk av data for å løse cybersikkerhetsproblemer.

Generelle kompetanser

Evne til å søke etter spesifikk informasjon relatert til masterens forskjellige emner fra alle tilgjengelige kilder.

Evne til å presentere og utvikle rapporter.

Evne til å tolke tekniske dokumenter.

Evne til å jobbe i team, i et tverrfaglig miljø.

Ressursstyring: Organisasjon og evne til å etablere arbeidsprioriteringer.

Fleksibilitet til å tilpasse seg under utviklingen av et prosjekt, evne til å tenke nytt.

Kritisk resonnement: Analyse, syntese og evaluering av ulike alternativer.

Evne til effektiv skriftlig og muntlig kommunikasjon.

Informasjonshåndtering: Informasjonsinnsamling, organisasjon, etc.

Ansvar og evne til selvlæring.

Spesifikke kompetanser

Studenten vil lære hvordan de ulike algoritmene og krypteringsteknikkene fungerer og deres fordeler og begrensninger.

Du vil lære de forskjellige autentiseringssystemene og -typene, samt forskjellen mellom autentisering og autorisasjon.

Studenten vil være i stand til å vurdere potensielle risikoer og anbefale måter å redusere dem på.

Studenten vil bli kjent med programmeringsspråket Python, få en oversikt over språket og bli i stand til å bygge komplekse programmer.

Du vil bli kjent med de grunnleggende konseptene for variabel behandling, algoritmeutvikling og programmering.

Studenten vil lære en omfattende visjon av cybersikkerhetsteknologier og -teknikker.

Du vil lære nye metoder for databehandling av krypterte data, nettverkssikkerhet og protokolldesign

Du vil kjenne til de mest effektive maskinlæringsteknikkene.

Du vil lære forskjellene og kompatibiliteten mellom Octave og Matlab.

Du vil vite hvordan du skiller mellom grafiske modeller og nettverksmodeller.

Du vil vite hvordan du skiller spådommer om tidsdata fra andre typer data.

I tillegg vil følgende grunnleggende kompetanser være garantert:

Besitter og forstår kunnskap som gir grunnlag eller mulighet til å være original i utvikling og/eller anvendelse av ideer, ofte i en forskningskontekst.

At studentene vet hvordan de skal anvende den ervervede kunnskapen og deres evne til å løse problemer i nye eller lite kjente miljøer innenfor bredere (eller tverrfaglige) kontekster relatert til studieområdet deres;

At studentene er i stand til å integrere kunnskap og møte kompleksiteten ved å foreta vurderinger basert på ufullstendig eller begrenset informasjon

At studentene vet hvordan de skal kommunisere sine konklusjoner – og den ultimate kunnskapen og grunnene som støtter dem – til spesialiserte og ikke-spesialiserte målgrupper på en klar og entydig måte;

At studentene har læringsferdighetene som gjør at de kan fortsette å studere på en måte som stort sett vil være selvstyrt eller autonom.

At studentene er i stand til å etablere de relevante sammenhengene mellom de forskjellige disiplinene som utgjør mesteren.

At studentene har kommunikasjonsferdigheter på muntlig og skriftlig nivå i formidling av produksjons- og designkunnskap.

At de har kapasitet til syntese og analyse i presentasjonen av innholdet.

At studentene er i stand til å anvende kritisk dømmekraft innen feltet generisk og spesifikk bibliografi relatert til feltet for relaterte studier.