PARTE 1: Il livello di applicazione. Il punto di vista delle applicazioni. Qualità dei servizi di rete. Progettazione di architetture scalabili per servizi Web. Architettura di un Internet data center. Content delivery networks. Le reti peer-to-peer e le distributed hash tables.
PARTE 2: Il rapporto tra livello di applicazione e livello di trasporto. La libreria delle socket ed il suo uso.
PARTE 3: Il livello di trasporto ed il controllo di congestione. Tecniche di trasporto. TCP e controllo di congestione. Approfondimenti, esercizi ed esempi su tcp.
PARTE 4: Le metodologie e le tecnologie di routing. Algoritmi di instradamento per l'infrastruttura di rete fissa. Algoritmi Link-State-Packet. Protocolli di instradamento e la rete Internet. Software Defined Networks. Calcolo dello spanning tree in reti con switch.
PARTE 5: Il routing interdominio. Border Gateway Protocol. Scalabilità di BGP. Struttura di Internet. Analisi dei dati di Internet. Struttura di un AS di transito. Stabilita' di BGP.
PARTE 6: Le reti virtuali. Reti locali virtuali. Evoluzione dello spanning tree protocol. Reti private virtuali basate su MPLS
PARTE 7: IPv6. NAT e l'esaurimento degli indirizzi IPv4. Indirizzamento e aspetti di base del protocollo. ICMPv6. Source address selection e multihoming. Meccanismi di transizione IPv4-IPv6.

Trasparenze fornite dal docente e scaricabili via via dal sito del corso: http://www.dia.uniroma3.it/~impianti/
Per scaricare le slides sono neccessarie delle credenziali da richiedere al docente

Breve introduzione al linguaggio Julia. Introduzione alle architettura parallele, programmazione parallela e distribuita con Julia. Primitive di comunicazione e sincronizzazione. Parallelizzazione basata su direttive, modelli di programmazione parallela. Metriche di prestazione. Operazioni matriciali e sistemi lineari densi. Sistemi lineari sparsi. Algoritmi cache-oblivious. Tecniche di sviluppo collaborativo di progetti, sviluppo e debugging guidati dai test.

Trasparenze delle lezioni

Blaise N. Barney, HPC Training Materials, by kind permission of Lawrence Livermore National Laboratory's Computational Training Center

Avik Sengupta, Julia High Performance: Optimizations, distributed computing, multithreading, and GPU programming with Julia 1.0 and beyond, 2nd Edition, Pakt, 2019

Tecnologia delle basi di dati attuali: strutture fisiche, gestione delle transazioni, architetture distribuite. Basi di dati per il supporto alle decisioni, data warehousing. Seminari sulle recenti evoluzione delle basi di dati.

P. Atzeni et al. Basi di dati 5/Ed. McGraw-Hill, 2018
Materiale aggiuntivo a cura del docente sul sito
http://www.dia.uniroma3.it/~atzeni/didattica/BD/BDIIindex.html

1. Introduzione:

- Gli Agenti Intelligenti.
- L'IA come "Representation and Search".

2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati:

- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, Iterative deepening search).
- Ricerca euristica (Best First, A*, IDA*, Heuristic Functions).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, etc.)
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta Pruning).

3. Rappresentazione della Conoscenza e Ragionamento Automatico:

- Frames, Reti Semantiche, Sistemi di Produzione.
- Case-Based Reasoning.
- Knowledge Based Systems.

4. Machine Learning:

- Symbol-Based (Inductive Learning, Decision trees).
- Connessionista (reti neurali artificiali).

5. Comunicazione, Percezione e Azione:

- Elaborazione del linguaggio naturale e Information Retrieval.
- Visione Artificiale.

S.J.Russel, P.Norvig "Intelligenza Artificiale: Un approccio moderno" 2/Ed (2005). volume 1 e volume 2. Pearson Education Italia (è disponibile la terza edizione 2010 del primo volume).

Dispense a cura del docente.

Logica del primo ordine e deduzione automatica. Cenni sul linguaggio Prolog. Metodi formali per la verifica di sistemi. Automi temporizzati

vedi il sito del corso: http://cialdea.dia.uniroma3.it/teaching/logica/

M. Cialdea Mayer. Logica (dispense)
Un qualunque testo di introduzione al Prolog
D. A. Peled. Software Reliability Methods, capitoli 1 e 4
M. Cialdea Mayer. Logica temporale e verifica di proprietà dei programmi (dispense).
J.-P. Katoen. Concepts, Algorithms and Tools for Model Checking
Gerd Behrmann, Alexandre David, and Kim G. Larsen A Tutorial on Uppaal 4.0.
G. Behrmann et al. UPPAAL Tiga User-manual.

Fondamenti: Concetti di architettura del software; Descrizioni architetturali; Attributi di qualità; Processo di definizione dell'architettura software.
Qualità e progettazione per gli attributi di qualità: prestazioni, modificabilità, disponibilità, verificabilità, scalabilità, interoperabilità, monitoraggio.
Pattern architetturali: Domain Model; Domain Object; Layers; Pipes & Filters; altri pattern POSA; architettura esagonale.
Architettura dei sistemi distribuiti; client/server, peer-to-peer, invocazione remota; broker; comunicazione asincrona; messaging; componenti; architettura a componenti; container.
Architettura a servizi: servizi; architettura a servizi; servizi REST; architettura a microservizi; architettura nativa per il cloud.
DevOps e rilascio del software: ambienti e gestione di ambienti; cloud computing; macchine virtuali e virtualizzazione di sistema; contenitori e virtualizzazione basata su contenitori; orchestrazione di contenitori; continuous delivery.
Middleware.

Dispense a cura del docente (http://cabibbo.dia.uniroma3.it/asw/).

Il corso prenderà in esame vari metodi per la progettazione, l'implementazione e la sperimentazione di sistemi adattivi su Web, realizzati mediante tecniche di Intelligenza Artificiale. Particolare attenzione sarà posta ai sistemi di Information Retrieval, come i motori di ricerca, e a nuove ed emergenti tecnologie idonee per la realizzazione della prossima generazione di strumenti di ricerca intelligenti e personalizzati. Saranno studiati i modelli di retrieval classici, come il modello vector space e i modelli probabilistici, le tecniche di ranking dei documenti, così come l'algoritmo PageRank utilizzato da Google. Saranno affrontati i metodi di Machine Learning in Information Retrieval, incluse le tecniche per la Sentiment Analysis, i metodi di User Modeling necessari per la ricerca personalizzata, i sistemi di raccomandazione, l’identificazione e l'analisi delle comunità on-line e social network (come ad es. Facebook e Twitter). Infine saranno descritti i metodi statistici per la valutazione sperimentale dei suddetti sistemi.

Le lezioni del corso riguarderanno tematiche trattate in articoli scientifici e testi di riferimento.
Il docente metterà a disposizione degli studenti i lucidi delle lezioni attraverso il sito del corso. Tali lucidi saranno autosufficienti, cioè redatti in maniera tale da non richiedere la consultazione di testi ulteriori ai fini del superamento dell'esame.

1. Regression
Richiami di Linear Regression
Overfitting nella Regressione
Feature Selection e Lasso

2. Classification
Richiami di Logistic Regression per la classificazione
Overfitting nella Classificazione
Boosting. Algoritmo AdaBoost
Support Vector Machine (Large Margin Classification, Kernel I, Kernel II)
Naïve Bayes


3. Clustering e Retrieval
Algoritmo K-NN
Algoritmo K-Means
Expectation Maximization
Applicazioni all’Information Retrieval

4. Dimensionality Reduction
Compressione e visualizzazione dei dati
Principal Component Analysis (PCA)
Scelta del numero di componenti principali
Applicazioni nei Recommender Systems

5. Deep Learning
Deep Forward Networks
Regularization per il Deep Learning
Convolutional Networks
Applicazioni varie

6. Casi di Studio e Progetti
Si esporranno vari casi di studio e si proporranno progetti in cui applicare le nozioni apprese su vari domíni d’interesse.

Dispense a cura del docente.

- Introduzione al corso
- Introduzione alla sicurezza informatica e terminologia
- Vulnerabilità del software input fidato e non fidato, validazione dell'input. Vulnerabilità di applicazioni scritte in linguaggi interpretati, code injection. Injection in pagine web: XSS. Cross site request forgery. OWASP. Esempio di sito vulnerabile a sql injection.
- Attacchi di tipo buffer overflow. Exploitation: privilege excalation, intrusioni via rete tramite servizi aperti, intrusione via documenti non fidati (via email, via web o altro).
esempio di codice vulnerabile a buffer overflow e relativo exploit
- Vulnerabilità delle reti: sniffing, mac flood, ARP poisoning, vulnerabilità del DNS, attacco di Kaminsky. TCP session hijacking, attacchi MitM, DOS e Distributed DoS, Route hijacking.
- Pianificazione della sicurezza: contenuti del piano di sicurezza, analisi dei rischi.
- Principi di progettazione di politiche e meccanismi
- Modelli: AAA, confinamento, DAC, MAC, access control matrix
- Considerazioni sui sistemi per la rilevazione automatica dei problemi
- Sicurezza dei sistemi: principi generali (passwords e vulnerabilità, metodologia di hardening, assessment e auditing). unix (controllo di accesso discrezionario, sicurezza nel filesystem, autenticazione, PAM, syslog)
- Sicurezza delle reti: sicurezza a livello 1 e 2, firewall stateless e stateful, linux netfilter ed esempi di configurazioni, proxy e loro vulnerabilità. Suddivisioni di carico e full high-availability. Intrusion detection systems di rete.
- Tecniche crittografiche: richiami di crittografia (hash, simmetrica, asimmetrica, MAC, firma digitale), attacchi birthday, rainbow, qualità delle chiavi, generazione di numeri pesudo-casuali.
- Protocolli di autenticazione e di scambio di chiavi. Attacchi replay e reflection. Nonces. Perfect Forward Secrecy. Diffie-Helman.
- Certificati, certification authority, public key infrastructure e loro vulnerabilità. Applicazioni: Porotocolli ssl, tls, ssh, virtual private network, ipsec, ecc. Protocolli di autenticazione punto-punto e in rete locale. radius e vulnerabilità. Altre applicazioni.
- Authenticated Data Structures
- Distributed Ledger Technologies and Bitcoin
- Smart contracts
- Cybersecurity nelle grandi organizzazioni

Dispense del corso.

- Infrastrutture e paradigmi di programmazione per i big data
- L'ecosistema Hadoop
- Cloud computing
- Elaborazione di big data (MapReduce, Hive, Spark)
- I sistemi NoSQL
- Tecniche di analisi di big data
- I Data Lake
- Sistemi e applicazioni
- Seminari aziendali

Martin J. Fowler, PramodkumarJ. Sadalage. "NoSQL Distilled: A Brief Guide to the Emerging World of Polyglot Persistence".
Materiale predisposto dal docente (disponibile sul sito Web del corso)

IL CORSO AFFRONTA LE PRINCIPALI TEMATICHE DELL'INGEGNERIA DEI DATI
TECNICHE AVANZATE DI ESTRAZIONE DATI E INFORMAZIONI DA SORGENTI NON STRUTTURATE
DATA CLEANING
DATA INTEGRATION
DATA FUSION
KNWOLEDGE GRAPHS

- TRASPARENZE E ALTRO MATERIALE FORNITO DAL DOCENTE
- ARTICOLI DI RICERCA ASSEGNATI AGLI STUDENTI

TESTI (OPZIONALI):
- MANNING, RAGHAVAN, SHUTZE: "INTRODUCTION TO INFORMATION RETRIEVAL" - CAMBRIDGE UNIVERSITY PRESS
- JURAFSKY, MARTIN: "SPEECH AND LANGUAGE PROCESSING: AN INTRODUCTION TO NATURAL LANGUAGE PROCESSING, COMPUTATIONAL LINGUISTICS, AND SPEECH RECOGNITION" SECOND EDITION

Il programma viene definito all'inizio dell'anno sulla base dei docenti stranieri invitati. Il sito Web del corso viene tenuto aggiornato con le informazioni più recenti.

La documentazione e i testi sono scelti dai docenti stranieri.

Data and Visualization: Data overloading. Comparison of Scientific Visualization and Information Visualization. Structured and Unstructured data. Data transformation. Data tables.

Visual Perception: Our vision’s principles and limitations. Peripheral and central view. The perception of color.

Cognitive Issues and User Tasks: Perception abilities. Weber's law. Stevens' power law. Gestalt laws. A two stage model for visual perception. Task taxonomies.

Infovis on the Web - SVG and D3.js: Basic ingredients of Web data visualization. JavaScript crash course. Raster and vector graphics. Overview of JavaScript libraries. Focus on D3.js.

Multivariate Data Representations: Combined views. Icons or glyphs. Alternative coordinate systems.

Visualization in Computer Networks: Visual analysis in the computer network domain. Motivations. Taxonomies. Real-world examples and use cases. Open questions.

Design Methods and Evaluation: Design methodologies and design choices. Design evaluation (goals, difficulties, practices, guidelines).

Visualization of Time Series Data: Definition of time series and temporal data. Visualization of time series (single dependent variable, multiple dependent variables). Case studies.

Interaction: Classification of interaction mechanisms, goals, and timings. Examples of interaction strategies.

Introduction to Graph Drawing: Graph Drawing conventions and aesthetics. The divide an conquer approach for testing planarity of a graph.

Node-link Representations of Trees: Representing trees within the node-link paradigm. Layered drawings of trees. Hv-drawings of trees. Limitations of node-link representations.

Space-Filling Visualizations of Trees: Algorithms and systems for the representation of trees using the space-filling strategy. Treemaps. 3D Space-filling approaches.

Representations of Graphs and Networks with the Force-Directed Approach: The force-directed paradigm. The barycenter method. Spring embedders. Scalability and flexibility of the force-directed paradigm. Fruchterman-Reingold and Barnes–Hut algorithms. Simulating graph theoretic distances. Magnetic fields. Generic energy functions. Handling drawing constraints.

Representations of Hierarchical Data: Algorithms for the representation of layered networks. The Sugiyama approach. Step 1: Cycle removal. Step 2: Level Assignment. Step 3: Crossing Reduction. Step 4: X-Coordinate Assignment

Orthogonal Drawings: Computing orthogonal drawings via Network Flows. The Topology-Shape-Metric approach. Extension to graphs of arbitrary degree. Representations of orthogonal drawings obtained from visibility representations and by incremental approaches.

Visualizing Large Graphs: Strategies for the visualization of massive amount of data providing both overview and details. Alternate between views. Combine different views. Filtering and clustering principles. Three-dimensional and two-dimensional representations of clustered graphs. Hybrid representations.

Tools and Libraries for Drawing Graphs: Tools and Libraries for drawing graphs. Programming languages, input and output formats, and interaction. Some practical example.

Architectures for Scalable Information Visualization: Computational and memory scalabity. Visualization architectures. Strategies for visualizing massive amounts of data.

Trasparenze fornite dal docente e scaricabili via via dal sito del corso: http://www.dia.uniroma3.it/~infovis/
Per scaricare le slides sono neccessarie delle credenziali da richiedere al docente (maurizio.patrignani@uniroma3.it)