Malware-Analyse mit KI Grundkurs: Erkennen, Finden, Beweisen

Threat Landscape und Detection-Logik

• TTPs in Detection übersetzen
• Commodity-Malware und gezielte Kampagnen
• Living-off-the-Land-Techniken
• Leistungsgrenzen von KI-Erkennung

Datenbasis für KI-Detection

• EDR-, Sysmon- und Event-Telemetrie
• Netzwerkflüsse und Log-Quellen
• Labeling-Strategien und Ground Truth
• Feature Engineering für Zeitreihen
• Datenschutz und Zugriffskonzepte

Statische Malware-Analyse

• PE-Metadaten und Imports
• Strings, Sections und Header
• YARA als Feature-Quelle
• Byte- und Opcode-N-Grams
• Packers und Obfuscation

Dynamische Analyse und Verhalten

• Sandbox-Artefakte und API-Calls
• Prozessketten und Event-Sequenzen
• C2-Muster in Netzwerkdaten
• Anti-VM- und Evasion-Techniken

Anomalie-Erkennung und Triage

• Baselining und Drift-Erkennung
• Clustering von Malware-Familien
• Isolation Forest und Autoencoder
• One-Class-Ansätze für Detection
• Alert-Priorisierung im SOC

Operationalisierung und LLM-Workflows

• Precision, Recall und Fehlalarmkosten
• Threat-Informed Testing
• Batch-, Streaming- und SIEM-Deployment
• Sigma- und KQL-Generierung
• Guardrails gegen Prompt-Injection
• Beweissicherung und Reporting

• Sehr gute Grundlagen in IT-Sicherheit, Windows- und Netzwerk-Telemetrie sowie Log-Analyse
• Grundverständnis von Machine Learning, etwa Features, Training, Overfitting und Modellbewertung
• Erfahrung mit SOC-, Incident-Response- oder Forensik-Arbeitsweisen, zum Beispiel aus dem Training Digitale Forensik für Einsteiger

• Security Analysts in SOC- und CSIRT-Teams mit Aufgaben in Triage, Detection und Incident Response
• Incident Responder und Threat Hunter mit Bedarf an belastbarer Malware- und Telemetrie-Auswertung
• Detection Engineers und SIEM-Content-Owner, die ML-gestützte Erkennung operationalisieren
• Malware-Analystinnen und Malware-Analysten mit Praxisbezug zu Logs, Samples und Verhaltensdaten