Ricevimento e Altre Informazioni

Ad Alessandria e a Vercelli su appuntamento tramite e-mail.

A. A. 2012 / 2013
Secondo Semestre
SSD: INF/01
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 3
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2013 / 2014
Secondo Semestre
SSD: INF/01
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2014 / 2015
Secondo Semestre
SSD: INF/01
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
Primo Semestre
SSD: INF/01
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2015 / 2016
Secondo Semestre
SSD: INF/01
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2016 / 2017
Primo Semestre
SSD: INF/01
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 9
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2017 / 2018
Primo Semestre
SSD: INF/01
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 9
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2018 / 2019
Primo Semestre
SSD: INF/01
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 9
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
A. A. 2019 / 2020
Primo Semestre
SSD: INF/01
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 6
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica
SSD: INF/01
CFU: 9
Dipartimento: Dipartimento di Scienze e Innovazione Tecnologica

Pubblicazioni

Ricerca

Analisi di reti Bayesiane a tempo continuo. Le reti Bayesiane sono un noto modello per il ragionamento incerto e rappresentano un sistema come un grafo: i nodi sono variabili aleatorie; gli archi stabiliscono le dipendenze. Possono avere una dimensione temporale: si distingue tra reti a tempo discreto e continuo. Nel secondo caso si sta definendo una versione in cui le variabili possono cambiare valore dopo un ritardo casuale o in modo immediato. Vari approcci per l’analisi di questo modello sono in fase di studio e di implementazione.

Generazione automatica di reti Bayesiane.  Se il sistema è complesso, la rete Bayesiana può contenere numerosi nodi, archi e parametri. Quindi la sua definizione può essere poco pratica. Una soluzione è la generazione automatica della rete Bayesiana a partire da una rappresentazione del sistema ad alto livello, ad esempio un fault tree che in modo intuitivo rappresenta la propagazione del guasto dai componenti all’intero sistema. Questo approccio può essere migliorato considerando nuovi elementi del fault tree e della rete Bayesiana.

Il tool DrawNet per la definizione e l’analisi di modelli. DrawNet è uno strumento software che può essere utilizzato per disegnare qualunque tipo di modello basato su grafo. Inoltre consente l’analisi dei modelli tramite i relativi risolutori integrati in DrawNet nel corso degli anni. Vari tipi di modello sono gestiti da DrawNet: fault trees, reti di Petri, reti Bayesiane, ecc. DrawNet è in costante evoluzione per consentire la definizione di nuovi tipi di modello e l’esecuzione di nuovi metodi di analisi.

Rilevamento, identificazione e recupero di guasti. Un sistema autonomo deve poter rilevare un guasto, identificarne la causa, ed eseguire azioni per limitarne gli effetti sulla missione. Un modulo software di diagnosi può essere basato su un modello che rappresenti il comportamento del sistema, quale una rete Bayesiana. I dati raccolti dai sensori possono diventare osservazioni per le variabili della rete, mentre la sua analisi valuta lo stato presente e futuro del sistema, la causa dello stato, e le azioni reattive o preventive da eseguire.

Dall’affidabilità alla sicurezza.  I vari modelli applicati finora in ambito di affidabilità possono essere utilizzati per valutare la sicurezza di sistemi o infrastrutture critiche, rispetto ad attacchi informatici. Bisogna adattare tali modelli e individuare quali indici si possono calcolare. Per esempio, un fault tree potrebbe stimare la probabilità di successo di un attacco, una rete di Petri il numero medio di tentativi con successo, una rete Bayesiana le contromisure migliori per mitigare l’attacco.

---------------------------------------------------------------------------------

Analysis of continuous time Bayesian networks. Bayesian networks are a well-known model for uncertain reasoning, and represent a system as a graph: nodes are random variables; arcs establish dependencies. They can have a temporal dimension: we distinguish between discrete and continuous time networks. In the second case, we are defining a version where the variables may change their value after a random delay or in an immediate way. Several approaches for the analysis of this model are under study and implementation.

Automatic generation of Bayesian networks. If the system is complex, the Bayesian network may contain many nodes, arcs, and parameters. Therefore its definition may be hard. A solution is the automatic generation of the Bayesian network from an high-level representation of the system, such as a fault tree intuitively representing the failure propagation from the components to the whole system. This appoach can be improved by taking into account new elements in the fault tree and in the Bayesian network.

The DrawNet tool for the definition and the analysis of models. DrawNet is a software tool which can be used to draw any kind of graph-based model. Moreover it can perform the analysis of models by means of the corresponding solvers integrated in DrawNet during the years. Many kinds of models are managed by DrawNet: fault tress, Petri nets, Bayesian networks, etc. DrawNet is in constant evolution to allow us the definition of new kinds of models and the execution of new analysis methods.

Fault Detection, identification, and recovery. An autonomous system must be able to detect a fault, identify its cause, and execute actions to mitigate its effects on the mission. A diagnostic software module can be based on a model representing the system behaviour, such as a Bayesian network. Data collected from sensors can become observations for the network variables, while its analysis can evaluate the current and future state of the system, the cause of the state, and the reactive or preventive actions to be run.

From reliability to security. The models applied so far in the reliability field, can be used to evaluate the security of critical systems or infrastructures, with respect to computer network attacks. We need to adapt such models and identify the measures which can be computed. For example, the attack success probability  can be estimated by a fault tree, the mean numer of successful attempts, by a Petri net, and the best countermeasures to mitigate the attack, by a Bayesian network.