Maven_23 - itnett/FTD02H-N GitHub Wiki

Her er fire læringsnotater fra fire ulike studenter, hver med sin unike vinkling som demonstrerer fremragende ferdigheter og kunnskap i henhold til læringsmålene og kravene.

Læringsnotat 1: Matematikk og Fysikk i IT-sikkerhet (Student: Eva Hansen)

Vinkling: Eva fokuserer på anvendelsen av matematikk og fysikk i å styrke IT-sikkerhet, spesielt innen kryptering og databeskyttelse.

Jeg har alltid vært fascinert av hvordan matematikk og fysikk kan anvendes til praktiske formål, spesielt i IT-sikkerhet. Gjennom emnet "Realfaglige redskap" har jeg fått en dypere forståelse av hvordan algebra, trigonometri, og fysikkens lover kan integreres i utviklingen av sikre IT-systemer.

  • Matematikk i Kryptering: Jeg har anvendt algebraiske prinsipper for å forstå og implementere asymmetrisk kryptering, som RSA-algoritmen. Jeg har klart å forklare hvordan modulasjonsregler og eksponentialfunksjoner spiller en nøkkelrolle i å sikre data. Jeg har også brukt disse prinsippene i praksis ved å programmere en enkel krypteringsalgoritme i Python.

  • Fysikkens Anvendelse: Fysikk har vært essensielt i å forstå hvordan elektromagnetiske bølger kan bli avlyttet, og hvordan vi kan beskytte dataoverføringer ved hjelp av skjermingsteknologier. Gjennom laboratoriearbeid har jeg anvendt begrepene kraft og energi for å utvikle sikkerhetsmekanismer som minimerer lekkasjer av sensitive signaler.

Denne integrasjonen av matematikk og fysikk har gitt meg en unik innsikt i hvordan vi kan bygge sikre systemer fra bunnen av, og jeg føler meg godt rustet til å anvende disse kunnskapene i et profesjonelt miljø.

Læringsnotat 2: Optimalisering av IT-Infrastruktur (Student: Lars Johansen)

Vinkling: Lars fokuserer på optimalisering av IT-infrastruktur ved hjelp av matematiske modeller og fysikkbaserte analyser.

Gjennom studiet av "Realfaglige redskap" har jeg utviklet en sterk forståelse for hvordan matematiske modeller og fysikk kan brukes til å optimalisere IT-infrastruktur.

  • Matematisk Modellering: Jeg har spesielt fokusert på lineær programmering og hvordan dette kan brukes til å allokere ressurser effektivt i et datasenter. Jeg brukte algebra til å utvikle en modell for optimal tildeling av båndbredde og CPU-kapasitet på tvers av flere servere. Dette gjorde jeg ved å programmere en løsning i MATLAB som simulerte ulike scenarioer basert på belastning og tilgjengelige ressurser.

  • Fysikk i Energioptimalisering: For å redusere energiforbruket i et datasenter, har jeg analysert varmetransport ved hjelp av termodynamikkens lover. Jeg brukte disse prinsippene til å designe et kjølesystem som minimerer energitap og sikrer jevn driftstemperatur. Dette prosjektet inkluderte simuleringer i COMSOL, hvor jeg beregnet effekten av ulike kjølemetoder og optimaliserte designet for maksimal effektivitet.

Mitt arbeid har demonstrert hvordan en grundig forståelse av matematikk og fysikk kan føre til betydelige forbedringer i IT-infrastrukturens ytelse og bærekraft.

Læringsnotat 3: Algoritmisk Tenking og Sikkerhetsstrategi (Student: Maria Olsen)

Vinkling: Maria har fokusert på anvendelsen av algoritmisk tenking og matematiske konsepter i utvikling av sikkerhetsstrategier.

Gjennom emnet "Realfaglige redskap" har jeg sett hvor kraftfull algoritmisk tenking kan være når den kombineres med matematiske ferdigheter for å utvikle avanserte sikkerhetsstrategier.

  • Algoritmisk Tenking: Jeg har utviklet flere sikkerhetsalgoritmer, inkludert en brannmurregel som benytter boolsk algebra for å filtrere nettverkstrafikk. Gjennom dette arbeidet har jeg klart å illustrere hvordan grunnleggende matematikk kan danne grunnlaget for komplekse systemer som beskytter mot uautorisert tilgang.

  • Matematikkens Rolle i Sikkerhet: I tillegg har jeg brukt kombinatorikk til å forstå og beregne styrken av ulike passordstrategier. Jeg har designet en algoritme som evaluerer passordstyrke ved å estimere antall mulige kombinasjoner og hvor lang tid det ville ta å knekke et passord med en bestemt lengde og kompleksitet.

Dette arbeidet har vist meg at forståelse av matematiske prinsipper ikke bare er nyttig, men essensielt for å utvikle effektive og sikre IT-løsninger.

Læringsnotat 4: Bruk av Digitale Verktøy og Fysisk Modellering (Student: Erik Kristiansen)

Vinkling: Erik har konsentrert seg om bruk av digitale verktøy og fysisk modellering for å analysere og løse komplekse problemer i IT-drift.

I løpet av emnet "Realfaglige redskap" har jeg fokusert på å bruke digitale verktøy og fysikkbasert modellering for å løse praktiske problemer innen IT-drift.

  • Digitale Verktøy: Jeg har anvendt MATLAB og Python til å utføre komplekse beregninger og simuleringer. For eksempel har jeg brukt regresjonsanalyse til å forutsi nettverkstrafikkmønstre og identifisere avvik som kan indikere sikkerhetsbrudd. Ved å integrere disse verktøyene med sanntidsovervåking har jeg skapt en dynamisk løsning som kontinuerlig vurderer og justerer systemets sikkerhetstiltak.

  • Fysisk Modellering: Med min bakgrunn i fysikk har jeg brukt SI-systemet til å modellere krefter og bevegelse i IT-utstyr. Dette inkluderte å beregne de mekaniske påkjenningene på servere under transport og installasjon, for å sikre at de er beskyttet mot skade. Dette ble utført ved å bruke Newtons lover for å forutse konsekvensene av uønskede bevegelser og ved å designe støtdempere basert på resultatene.

Disse prosjektene har vist meg hvordan en integrert tilnærming, som kombinerer bruk av digitale verktøy med en dyp forståelse av fysikk, kan føre til forbedrede og mer robuste IT-løsninger.

Disse læringsnotatene viser hvordan fire forskjellige studenter har oppnådd fremragende ferdigheter og kunnskaper innen IT-drift og sikkerhet ved å bruke forskjellige vinklinger og tilnærminger, samtidig som de alle dekker de essensielle læringsmålene. Hver student har brukt realfaglige redskaper på unike måter for å løse komplekse problemer og skape verdi i sitt felt.

Her er kodeeksempler fra hver av de fire studentene, som demonstrerer deres ferdigheter og kompetanse innen alle temaene som er dekket i deres respektive læringsnotater. Hvert kodeeksempel viser hvordan de anvender sine kunnskaper i praktiske situasjoner, og dekker de nødvendige kompetansemålene.

Student 1: Eva Hansen - Kryptering og Databeskyttelse

RSA Kryptering i Python

Eva demonstrerer sin forståelse av algebra og matematiske prinsipper gjennom implementeringen av RSA-kryptering, en av de mest brukte asymmetriske krypteringsalgoritmene.

import random

def gcd(a, b):
    while b != 0:
        a, b = b, a % b
    return a

def mod_inverse(e, phi):
    d = 0
    x1, x2, y1 = 0, 1, 1
    temp_phi = phi
    
    while e > 0:
        temp1, temp2 = temp_phi // e, temp_phi - (temp_phi // e) * e
        temp_phi, e = e, temp2
        x, y = x2 - temp1 * x1, d - temp1 * y1
        x2, x1, d, y1 = x1, x, y1, y
    
    if temp_phi == 1:
        return d + phi

def generate_keypair(p, q):
    n = p * q
    phi = (p - 1) * (q - 1)

    e = random.randrange(1, phi)
    g = gcd(e, phi)
    while g != 1:
        e = random.randrange(1, phi)
        g = gcd(e, phi)

    d = mod_inverse(e, phi)
    return ((e, n), (d, n))

def encrypt(pk, plaintext):
    key, n = pk
    cipher = [(ord(char) ** key) % n for char in plaintext]
    return cipher

def decrypt(pk, ciphertext):
    key, n = pk
    plain = [chr((char ** key) % n) for char in ciphertext]
    return ''.join(plain)

p = 61
q = 53
public, private = generate_keypair(p, q)
message = "SecureData"
encrypted_msg = encrypt(public, message)
print("Encrypted message:", encrypted_msg)
print("Decrypted message:", decrypt(private, encrypted_msg))

Forklaring:

  • Matematikk: Her viser Eva sin forståelse av modulasjonsregler, gcd (største felles divisor), og modular inverser, som er sentrale konsepter i RSA-algoritmen.
  • Anvendelse: Koden dekker kryptering og dekryptering, som er essensielt for databeskyttelse, og demonstrerer Evas evne til å anvende teoretiske matematiske konsepter i praksis.

Student 2: Lars Johansen - Optimalisering av IT-Infrastruktur

Ressursallokering ved hjelp av Lineær Programmering i MATLAB

Lars viser hvordan han kan bruke lineær programmering for å optimalisere ressursfordelingen i et datasenter, ved hjelp av MATLAB.

% Definere beslutningsvariabler
f = [-5; -7]; % Nyttemaksimering, koeffisienter for x1 og x2

% Begrensninger
A = [1, 2; 3, 4];
b = [14; 28];

% Begrensninger på beslutningsvariabler (positivitet)
lb = zeros(2,1); 

% Løsning
[x, fval] = linprog(f, A, b, [], [], lb);

disp('Optimal ressursfordeling:');
disp(x);
disp('Maksimal nytte:');
disp(-fval);

Forklaring:

  • Matematikk: Lars bruker lineær programmering, som er en avansert matematisk metode for optimalisering. Han demonstrerer hvordan algebra kan anvendes for å løse problemer med ressursallokering.
  • Anvendelse: Denne koden er direkte relevant for IT-infrastruktur, hvor ressursallokering er avgjørende for å sikre effektiv drift.

Student 3: Maria Olsen - Algoritmisk Tenking og Sikkerhetsstrategi

Implementering av Brannmurregel ved hjelp av Boolsk Algebra i Python

Maria demonstrerer hvordan boolsk algebra kan brukes til å lage regler for en brannmur som filtrerer nettverkstrafikk.

def firewall_rule(packet):
    # Eksempelregel: Tillat hvis pakken kommer fra 192.168.0.0/16 og bruker port 80 eller 443
    ip_allowed = packet['src_ip'].startswith("192.168.")
    port_allowed = packet['port'] in [80, 443]
    is_allowed = ip_allowed and port_allowed
    
    return is_allowed

# Eksempel på pakke
packet = {'src_ip': '192.168.1.1', 'port': 80}
print("Packet allowed:", firewall_rule(packet))

Forklaring:

  • Matematikk: Maria bruker boolsk algebra til å uttrykke komplekse regler for nettverkssikkerhet, noe som krever forståelse av logiske operasjoner.
  • Anvendelse: Dette kodeeksempelet viser hvordan hun kan anvende teoretisk kunnskap om boolsk algebra til praktisk implementering av sikkerhetstiltak.

Student 4: Erik Kristiansen - Digital Verktøybruk og Fysisk Modellering

Simulering av Nettverkstrafikk ved hjelp av Python og Regresjonsanalyse

Erik demonstrerer hvordan han kan bruke digitale verktøy for å modellere og analysere nettverkstrafikk.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# Simulert datamengde (i GB) over tid (i timer)
time = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]).reshape(-1, 1)
data = np.array([50, 55, 53, 60, 65, 63, 70, 75, 78, 80])

# Tren regresjonsmodellen
model = LinearRegression()
model.fit(time, data)

# Forutsi fremtidig trafikk
future_time = np.array([11, 12, 13, 14, 15]).reshape(-1, 1)
predicted_data = model.predict(future_time)

# Plot resultatene
plt.plot(time, data, 'bo-', label='Historical Data')
plt.plot(future_time, predicted_data, 'r--', label='Predicted Data')
plt.xlabel('Time (hours)')
plt.ylabel('Data (GB)')
plt.title('Network Traffic Prediction')
plt.legend()
plt.show()

Forklaring:

  • Matematikk: Erik bruker regresjonsanalyse, som er en form for funksjonsmodellering, for å forutsi fremtidig nettverkstrafikk.
  • Anvendelse: Denne koden viser Eriks ferdigheter i å bruke matematiske metoder og digitale verktøy for å analysere og løse praktiske problemer innen IT-drift.

Disse kodeeksemplene viser hvordan de fire studentene dekker alle nødvendige kompetansemål og demonstrerer avanserte ferdigheter og forståelse innen deres respektive områder. Gjennom bruken av matematiske og fysiske prinsipper, kombinert med algoritmisk tenking og digital verktøybruk, har de utviklet løsninger som er direkte anvendbare i profesjonelle IT-miljøer.