Il bilancio delle vittime del ransomware Medusa è tutt’altro che rassicurante: stando a un recente advisory pubblicato dalla CISA, il malware avrebbe colpito oltre 300 infrastrutture critiche statunitensi sin dall’inizio della sua attività nel 2021.
Inizialmente il ransomware era una variante “chiusa” e gestita da un unico gruppo; negli anni si è poi evoluto in un modello as-a-service dove gli sviluppatori originari si occupano di gestire il pagamento dei riscatti. Sia gli ideatori del ransomware Medusa che gli affiliati seguono un modello a doppia estorsione.
La CISA ha rivelato che il gruppo dietro il ransomware recluta Initial Access Broker su forum e marketplace per ottenere l’accesso iniziale alle reti delle potenziali vittime. Agli affiliati viene chiesto di non collaborare con altri gruppi, dietro il pagamento di una somma che va dai 100 dollari a un milione di dollari.
Gli affiliati di Medusa si servono per lo più di campagne di phishing per sottrarre le credenziali degli account delle vittime, ma ricorrono anche allo sfruttamento di vulnerabilità software note. Dopo l’accesso iniziale, gli attaccanti usano tool legittimi come Advanced IP Scanner e SoftPerfect Network Scanner per la scansione e l’enumerazione di utenti, sistemi e reti.
Per eludere i controlli di sicurezza, gli attaccanti usano tool come Certutil e tecniche che fanno uso di PowerShell per nascondere le proprie tracce. A seguire, per la fase di spostamento laterali, i cybercriminali usano numerosi tool di accesso remoto come AnyDesk, Atera, ConnectWise, eHorus, N-able, PDQ Deploy, PDQ Inventory, SimpleHelp e Splashtop in combinazione con Remote Desktop Protocol e PsExec.
Infine gli affiliati installano Rclone sulle macchine compromesse per facilitare l’esfiltrazione di dati e ricorrono a PsExec, PDQ Deploy o BigFix per la cifratura dei file.
Pixabay
Gli attaccanti chiedono di essere contattati per il pagamento del riscatto entro 48 ore dall’attacco, tramite una chat basata su browser Tor o Tox, un servizio di messaggistica con cifratura end-to-end. Nel caso la vittima non risponda alla richiesta, i cybercriminali provvedono a contattarla direttamente via telefono o email.
“Le indagini dell’FBI hanno rilevato che, dopo aver pagato il riscatto, una vittima è stata contattata da un altro attaccante di Medusa che ha affermato che il negoziatore aveva rubato l’importo del riscatto già pagato e ha chiesto di effettuare nuovamente metà del pagamento per fornire il “vero decryptor”, indicando potenzialmente uno schema di tripla estorsione” spiega la CISA.
L’attività di Medusa è tutt’altro che in calo: secondo quanto riportato dal Threat Hunter Team di Symantec, tra gennaio e febbraio gli attacchi del gruppo sono aumentati del doppio rispetto allo stesso periodo del 2024, e l’andamento continua a essere crescente.
The future of enterprise protection: Integrated data security platforms
Less than five years ago, one would have been hard-pressed to find information on Data Security Posture Management (DSPM). Today, it is a central pillar of modern cybersecurity strategies. The growth of DSPM from a relatively new technology to a must-have capability of the cybersecurity landscape reflects the growing need for organizations to protect and control their data in the face of increasing complexity in the cloud and the broadening use of AI in the enterprise.
DSPM morphs into cloud-native DSP
Artificial intelligence (AI) continues to advance at a breakneck pace, and it’s rapidly transforming the systems it relies on, including the cloud. But at its core, data and AI are intrinsically linked — AI models fundamentally rely on data (and much of it!) to function. This amplifies the urgency for data security tools to evolve and meet the complex demands of AI. In addition to DSPM, this includes technology like data discovery and classification, data access governance (DAG) and data detection and response (DDR). The integration of these technologies forms the foundation of a holistic new data security platform (DSP). And it must work well for data everywhere — in the cloud or on-premises.
While DSPM remains a critical element in addressing existing data security challenges, a more comprehensive integrated data security approach is needed to meet the dynamic, AI-driven needs of modern enterprises. The development of generative AI, the growth of the cloud, and the tightening of regulatory and governance requirements have created new challenges that DSPM alone cannot adequately address. What’s needed is more comprehensive data security.
Enter integrated, cloud-native DSPs. These are the next generation of platforms with additional security features like access governance, threat detection, and data loss prevention, all designed to work seamlessly and scale with the cloud. External forces driving the further need for DSP features include sophisticated cyber threats that aim at sensitive data and the complexity of regulatory compliance.
The business case for a comprehensive DSP
Traditional disparate data security approaches lead to gaps in visibility and often don’t scale well. Cloud-native DSPs solve this by combining several data security functions into an ‘all-in-one’ platform that scales and is easier to manage.
The shift to integrated platforms is not just technological; business needs are also driving it. DSPs meet the needs of modern enterprises who need to reduce operational complexity and associated cost, enhance the efficiency and effectiveness of their security team and ensure all policies are enforced uniformly across all data assets. Finally, they must continually ensure business innovation — the lifeblood of most organizations — is secure, particularly as they increasingly use AI.
Next-generation DSP requirements
Enterprises considering implementing a DSP should look for three main capabilities in their next-generation data security platform:
First, they should provide context-aware data discovery and classification that uses AI to precisely understand what data exists and its business relevance and sensitivity. This awareness is the first step in making accurate risk assessments and policy implementations. A DSP must also prioritize scalability to handle growing data volumes and evolving business needs, ensuring consistent, efficient performance and adaptability as the organization expands.
Second, a DSP should offer real-time threat detection and response capabilities that complement the conventional posture assessments and incorporate continuous monitoring and automated remediation of security threats. This mitigates risks more quickly before damages can occur.
Third, a DSP should integrate seamlessly with the security ecosystems to enable coordinated security measures and consistent policy enforcement across all data assets. This means compatible labeling systems and easy customization to fit unique customer requirements.
Looking ahead: The future of data security
Data has become the lifeblood of nearly all businesses. Data-driven organizations, that realize the increasingly crucial role that data plays in their value creation, must take a new approach to secure and control this most valuable asset.
With data democratization, rapid cloud adoption, and inter-connected supply chains, organizations should enhance their security strategy to protect data everywhere — no matter where it travels. This will empower their innovators to securely utilize data in new ways — to drive the business and improve customer outcomes — while adhering to the highest standards of data privacy and regulatory compliance.
Further, AI will continue to rise, bringing both new security risks and new protection solutions. Organizations will require platforms to secure AI training data while using AI in threat detection and response. Additionally, cross-cloud data governance will continue to grow as more organizations adopt multi-cloud strategies. Platforms will need to provide consistent visibility and control across all environments.
Finally, automation will play a more significant role in security operations; platforms will offer more sophisticated automated remediation capabilities and integrations to key security workflow tools to manage the growing complexity and burden of securing data.
As bright as the future can be, many are stuck with the past. For progressive organizations (the ones likely to prosper in the AI era!), this shift to comprehensive data security will become ingrained within their data architecture — and not be an added on afterthought.
Mastering data isn’t just a strategic advantage — it’s the foundation of survival in today’s competitive market. Data is the way to success and prosperity in an organization. Forward-thinking organizations use comprehensive DSPs to navigate this new era where speed, innovation and security can finally coexist.
Il machine unlearning emerge come soluzione critica per affrontare le sfide della privacy e della sicurezza nei modelli di machine learning. Questo articolo esplora le metodologie di mitigazione, le tecniche implementative e i criteri di valutazione per rimuovere efficacemente dati specifici dai modelli addestrati, senza necessità di riaddestramento completo. Vengono analizzati gli scenari di applicazione, dalle normative sulla privacy come il GDPR alla mitigazione dei bias, evidenziando l’importanza di questo approccio nell’evoluzione dell’AI responsabile.
Stiamo assistendo ad una crescita esponenziale nell’utilizzo del machine learning per lo svolgimento di qualsiasi attività. I modelli di machine learning (ML) si stanno sempre di più integrando in molti prodotti e servizi di uso quotidiano. Tuttavia, la proliferazione della tecnologia di AI/ML solleva una serie di problemi in termini di violazione della privacy, di bias (pregiudizi) del modello e dell’uso non autorizzato dei dati utilizzati per il training dei modelli.
Questi ambiti evidenziano ancora una volta la necessità di adottare un controllo flessibile e reattivo sui dati con cui viene addestrato un modello. Il riaddestramento da zero di un modello di ML, per la rimozione di specifici dati, è poco pratico a causa degli elevati costi computazionali ed economici. Pertanto, è stata avviata la ricerca sul “machine unlearning” (MU), ovvero si sta cercando di sviluppare nuovi metodi in grado di rimuovere determinati dati da un modello addestrato in modo efficiente, efficace e, soprattutto, senza la necessità di realizzare un nuovo addestramento. Analizziamo le criticità del machine unlearning e le metodologie di valutazioni più efficaci.
Scenari di Mitigazione dei Rischi nel Machine Unlearning
Il machine unlearning (MU) rappresenta un tema rilevante, che non può essere sottovalutato, perché è in grado di affrontare una serie di problemi quali: la conformità alla privacy dei dati di training, la gestione dinamica dei dati, l’inclusione non autorizzata di dati tutelati dalla proprietà intellettuale o altre forme di tutela e, infine, l’uso di dati provenienti da data breaches.
Vediamo i principali use case del machine unlearning:
Protezione della privacy: il MU può svolgere un ruolo cruciale nell’applicazione dei diritti alla privacy e nel rispetto di normative come il GDPR dell’UE[1] (che include anche il diritto all’oblio). Consentirebbe di rimuovere i dati personali dai modelli addestrati, salvaguardando la privacy degli individui.
Incremento della sicurezza: il MU potrebbe migliorare la sicurezza dei modelli contro gli attacchi di “data poisoning” attraverso la rimozione dei dati c.d. tossici che mirano a manipolare il comportamento di un modello.
Miglioramento dell’adattabilità: il MU su larga scala potrebbe aiutare i modelli a rimanere pertinenti anche quando cambiano le distribuzioni dei dati nel tempo, ad esempio in base all’evoluzione delle preferenze dei clienti o delle tendenze di mercato.
Conformità normativa: nei settori fortemente regolamentati, il MU potrebbe essere fondamentale per mantenere la conformità alle leggi e ai regolamenti in continua evoluzione.
Mitigazione dei bias/pregiudizi: il MU potrebbe offrire un metodo per rimuovere i dati identificati dopo il training che creano distorsione, promuovendo così l’imparzialità e riducendo il rischio di risultati scorretti.
Tecniche di Mitigazione e Implementazione
La maggior parte delle implementazioni di machine unlearning suddividono il data set utilizzato per il training originario (“Dtrain”) in dati che devono essere conservati (“retain set” o Dr) e dati che devono essere dimenticati/rimossi (“forget set” o Df), come mostrato in Figura.
Il tipico training di un modello di ML (a) prevede l’utilizzo di tutti i dati di training per impostare i parametri del modello. I metodi di machine unlearning comportano la suddivisione dei dati di training (Dtrain) in retain set (Dr) e forget set (Df), quindi un utilizzo iterativo di questi set per modificare i parametri del modello (passaggi da b a d in maniera ciclica). La sezione gialla rappresenta i dati che sono stati dimenticati durante il processo.
Successivamente, i due set vengono utilizzati per modificare i parametri del modello sottoposto a training. Nel corso del tempo, i ricercatori hanno sviluppato diverse tecniche per migliorare questa fase di unlearning, analizziamole:
Ottimizzazione: la tecnica prevede che il modello sia ulteriormente addestrato sul retain set, consentendogli di adattarsi alla nuova distribuzione dei dati. Questa tecnica è semplice, ma può richiedere molta potenza di calcolo[2].
Etichettatura casuale: la tecnica prevede l’assegnazione di etichette errate casuali al forget set in grado di confondere il modello. In questo modo, il modello viene ottimizzato[3][4].
Inversione del gradiente: questa tecnica prevede che, durante l’ottimizzazione del modello, sia invertito il segno dei gradienti di aggiornamento del peso per i dati del forget set. Questa tecnica contrasta il training precedente[5].
Riduzione selettiva dei parametri: questa tecnica prevede la riduzione selettiva dei parametri specificamente legati al forget set attraverso tecniche di analisi del peso e senza alcuna ottimizzazione[6].
Le scelte delle tecniche di unlearning riflettono i casi d’uso di unlearning. Ogni use case ha i propri requisiti che riguardano, in particolare, l’efficacia, l’efficienza e i problemi di privacy.
Valutazione e privacy e Sicurezza nel Machine Unlearning
Una delle principali difficoltà del machine unlearning consiste nel valutare se la tecnica di unlearning prescelta sia in grado di dimenticare i dati specificati e, contestualmente, mantenere le performance sui dati conservati e, inoltre, proteggere la privacy. Idealmente, un metodo di unlearning automatico dovrebbe produrre un modello che funzioni come se fosse stato addestrato da zero, quindi privo del set di dati da dimenticare.
I metodi di unlearning più utilizzati (come l’etichettatura casuale, l’inversione del gradiente e la riduzione selettiva dei parametri) provocano un degrado delle prestazioni del modello esattamente nei punti corrispondenti al dataset dei dati da dimenticare, mentre cercano di mantenere un alto grado di prestazioni del modello nei corrispondenti punti del dataset da mantenere.
Per semplicità, si potrebbe considerare un metodo di unlearning basato su due semplici obiettivi: ottenere prestazioni elevate sul set da conservare e scarse sul set dell’oblio. Questo approccio, tuttavia, rischierebbe di aprire un’altra superficie di attacco sul fronte della privacy: per esempio, se un modello unlearned funzionasse particolarmente male con un determinato input, ciò potrebbe far capire all’aggressore che in origine l’input fosse incluso nel set di dati utilizzati nel training originale e che sia stato rimosso successivamente.
Questo tipo di violazione della privacy, chiamato attacco di “membership inference”[7], è in grado di rivelare i dati importanti e sensibili di un determinato utente o su un set di dati specifico. Pertanto, durante la valutazione dei metodi di unlearning automatico, è importante testare la loro efficacia contro questa tipologia di attacco.
In questo contesto di analisi, i termini “stronger” e “weaker” si riferiscono alla complessità e all’efficacia dell’attacco:
Weaker attacks (Attacchi più deboli): si tratta di tentativi semplici e diretti per ricavare l’appartenenza inferenziale. Questi attacchi potrebbero fare affidamento su informazioni basilari, come i punteggi di confidenza del modello o la probabilità di un determinato output per un input definito. Spesso questi attacchi si basano su ipotesi semplificatrici del modello o sulla distribuzione dei dati, il che può fortunatamente limitarne l’efficacia.
Stronger attacks (Attacchi più forti): si tratta di attacchi sofisticati che utilizzano informazioni o tecniche più avanzate. In particolare, sono in grado di:
utilizzare più punti di query oppure input particolarmente elaborati,
sfruttare la conoscenza dell’architettura del modello o del processo di training,
utilizzare modelli ombra per comprendere il comportamento del modello target,
combinare più strategie di attacco,
adattarsi alle specifiche caratteristiche del modello target o del set di dati.
Generalmente, gli attacchi più forti sono più efficaci nell’inferenza di appartenenza e quindi sono più difficili da contrastare. Inoltre, rappresentano un modello di minaccia realistico, presente in molti scenari del mondo reale, in cui gli aggressori potrebbero disporre di importanti risorse e competenze.
Raccomandazioni
Il mondo della ricerca sta continuando a lavorare per lo sviluppo di nuove soluzioni di machine unlearning che siano aderenti agli ambienti di produzione e, inoltre, vengano sottoposti ad attacchi alla privacy o all’oblio dei dati più realistici. Uno studio recente offre una serie di raccomandazioni per migliorare la valutazione dell’unlearning basate sulla letteratura già esistente, in particolare vengono proposti nuovi benchmark e riprodotti diversi algoritmi di unlearning. In particolare, sono stati valutati gli algoritmi per misurare l’accuratezza sui dati conservati, la protezione della privacy dei dati dimenticati e la velocità di esecuzione del processo di unlearning[8].
I test hanno rivelato notevoli discrepanze tra gli algoritmi di unlearning, in molti casi sono state riscontrate difficoltà nel raggiungere il risultato in tutte le aree di valutazione. Sono stati testati tre metodi (Identity, Retrain e Finetune on retain) e cinque algoritmi (RandLabel[9], BadTeach[10], SCRUB+R [11] , Selective Synaptic Dampening [SSD][12] e una combinazione di SSD e finetuning).
Come evidenziato in figura, alcuni metodi riescono a difendersi bene dagli attacchi di inferenza debole, mentre sono completamente inefficaci contro gli attacchi più forti, evidenziando la necessità di effettuare il test del caso peggiore. Alla luce di questi risultati, è stata dimostrata l’importanza di dover effettuare la valutazione degli algoritmi in contesti iterativi, poiché alcuni algoritmi degradano la loro accuratezza complessiva durante le iterazioni di unlearning, mentre altri sono in grado di mantenere elevate prestazioni in maniera costante.
Sulla base di questi risultati, si suggerisce di adottare le seguenti raccomandazioni:
1)è necessario dare enfasi alle metriche del caso peggiore rispetto a quelle del caso medio e, inoltre, opportuno utilizzare attacchi avversari forti per la valutazione degli algoritmi. Gli utenti sono più preoccupati per gli scenari gravi, come l’esposizione di informazioni finanziarie personali, che non per gli scenari meno gravi. La valutazione delle metriche del caso peggiore fornisce un limite di alto livello sulla privacy.
2)è opportuno considerare tipi di attacchi specifici alla privacy, in cui l’aggressore ha l’accesso all’output da due versioni diverse dello stesso modello. In questi scenari, l’unlearning può portare a risultati peggiori perché stiamo fornendo all’aggressore maggiori informazioni. Se si verificasse un attacco di perdita di aggiornamento, il danno non dovrebbe essere maggiore di un attacco al modello di base.
3)è utile analizzare le prestazioni dell’algoritmo di unlearning su un numero ripetuto di applicazioni, ovvero il disapprendimento iterativo, per essere in grado di valutare il degrado delle prestazioni di accuratezza del test dei modelli. Poiché i modelli di unlearning automatico sono distribuiti in ambienti in continuo cambiamento, in cui le richieste di oblio, i dati dei nuovi utenti e i dati errati o avvelenati arrivano dinamicamente, è fondamentale essere in grado di poterli valutare in un ambiente online, cioè in un ambiente dove le richieste arrivano attraverso un flusso.
Poiché l’intelligenza artificiale sarà sempre più integrata nei vari aspetti della vita, molto probabilmente il machine unlearning automatico diventerà uno strumento essenziale e un complemento alla cura/manutenzione dei dati di training, e sarà in grado di bilanciare le capacità dell’intelligenza artificiale con le minacce relative alla privacy e alla sicurezza dei dati.
Questo aspetto aprirà nuove opportunità per migliorare la protezione della privacy e per lo sviluppo di sistemi di intelligenza artificiale adattabili, inoltre deve essere in grado di affrontare sfide significative, tra cui le limitazioni tecniche e l’elevato costo computazionale di alcuni metodi di unlearning. La ricerca e lo sviluppo stanno svolgendo un ruolo fondamentali per migliorare queste tecniche e garantire che le stesse possano essere efficacemente implementate in scenari reali.
Il machine unlearning si conferma come tecnologia essenziale per bilanciare le potenzialità dell’AI con la protezione della privacy e la sicurezza dei dati. Nonostante le sfide tecniche e computazionali, la ricerca continua a sviluppare soluzioni sempre più efficaci per scenari reali. Nel prossimo capitolo esploreremo le metodologie per misurare e garantire l’affidabilità dei sistemi di AI. Per un’analisi più completa, il white paper “Generative artificial intelligence rischi e contromisure” offre ulteriori approfondimenti sulle sfide e le soluzioni nel campo dell’IA Gen.
[2] AA.VV., Machine unlearning through fine-grained model parameters perturbation: https://arxiv.org/abs/2401.04385, College of Computer Science and Electronic Engineering, 2024
[5] AA.VV., Gone but Not Forgotten: Improved Benchmarks for Machine Unlearning: https://arxiv.org/pdf/2405.19211, Carnegie Mellon University, 2024
[6]AA.VV., Fast Machine Unlearning Without Retraining Through Selective Synaptic Dampening: https://arxiv.org/abs/2308.07707, University of Cambridge, 2023
[10] AA.VV., Can Bad Teaching Induce Forgetting? Unlearning in Deep Networks using an Incompetent Teacher: https://arxiv.org/abs/2205.08096, Mavvex Lab, 2023
[12] AA.VV., Fast Machine Unlearning Without Retraining Through Selective Synaptic Dampening: https://arxiv.org/abs/2308.07707, University of Cambridge, 2023
Profilo Autore
È laureato in Ingegneria Informatica ed in Sicurezza Informatica presso le Università di Roma La Sapienza e di Milano. Ha indirizzato la sua formazione nei settori della Cyber Security e Digital Forensics ottenendo i diplomi di perfezionamento in Data Protection e Data Governance; Criminalità Informatica e Investigazioni Digitali e Big Data, Artificial Intelligence.
Ha, altresì, conseguito l’Advanced Cybersecurity Graduate Certificate alla School of Engineering della Stanford University; Professional Certificates in Information Security; Incident Response Process; Digital Forensics e Cybersecurity Engineering and Software Assurance presso il Software Engineering Institute della Carnegie Mellon University.
Dal 1992 è nei ruoli del Ministero dell’Interno ove ricopre lincarico di Funzionario alla Sicurezza CIS. In tale veste contribuisce alla valutazione dei rischi cyber, all’implementazione delle misure di sicurezza e la risoluzione di incidenti informatici. Inoltre, offre consulenza tecnica nel campo della Digital Forensics per l’Autorità giudiziaria, la Polizia giudiziaria e gli Studi legali.
Dal 2017 è Professore a contratto di Tecnologie per la Sicurezza Informatica presso alcune Università ove sviluppa le tematiche di Attack and Defense Strategies quali il penetration testing, la risk analysis, l’information security assessment, l’incident response e la digital forensics. Infine, è Autore di alcuni articoli e saggi sui temi della Sicurezza Informatica e dell’Informatica Giuridica consultabili su https://www.vincenzocalabro.it
A recent Hiscox report revealed that seven in 10 (69%) U.S. companies report an increase in cyberattacks compared to the previous year. The report underscores that cyber threats now pose a greater risk to organizations than bankruptcy, according to the survey.
According to the report, U.S. business leaders consider cyberattacks and data breaches (32%) to be a bigger threat to their organizations than skills shortages (30%) and bankruptcy (27%). With an average of 62 cyber incidents per business each year — or more than one attack or attempt per week — U.S. companies are facing threats as often as many receive company-wide communications from leadership or weekly newsletters.
Suffering from ransomware (32%) or virus outbreaks (37%) proves to be the most common cyberattack outcome for businesses, with 56% also reporting financial losses due to payment diversion fraud and 36% citing loss of encrypted data. As a result, 72% of U.S. companies recognize the importance of cyber resilience as integral to their business strategy.
Paying a ransom offers no assurance of full data recovery; in fact, only 7% of businesses who paid a ransom successfully retrieved all their data, and 10% experienced data leaks despite payment. After an attack, reputational challenges loom, with 43% of businesses struggling to attract new clients due to the damage caused.
Phishing emails appear to still be the primary method of choice for cyber criminals, accounting for 57% of ransomware incidents. Among companies that have faced an increase in their cyber risk exposure, they credit a substantial lack of employee awareness (41%).
Failing to decommission outdated systems was identified as the primary driver of rising cyber risk (47%), with legacy systems presenting greater vulnerabilities than employee personal device usage (39%).
Businesses that opted to pay ransoms did so because 35% lacked adequate data backups and were unable to restore their data.
According to a recent report by Kong, 25% of respondents have encountered AI-enhanced security threats related to APIs or LLMs, with 75% of respondents expressing serious concern about AI-enhanced attacks in the future. While 85% say they’re confident in their organization’s security capabilities, 55% of respondents cited they’ve experienced an API security incident in the past year, highlighting a notable disconnect.
While 92% of respondents say they are taking measures to counter AI-enhanced attacks and 88% of respondents citing API security as a top priority, it is clear that many organizations lack the comprehensive security measures needed to protect their API infrastructure in the AI era.
As might be expected 84% of respondents feel AI and LLMs will make securing APIs more difficult, but surprisingly, the research finds many basic API security tactics being left out of overall strategy.
Thirty-five percent of organizations are adopting zero-trust architecture in order to mitigate API security risks and 3% of respondents cite shadow APIs as a significant security threat to their organization. With the convergence of APIs and AI, it is more important than ever to have a strong API security posture.
The top three measures organizations are taking to secure APIs against AI-enhanced threats include increased monitoring and traffic analysis (66%), educating staff on AI-related threats (60%) and AI-driven threat detection systems (51%).
The top three steps being taken to mitigate API security risks are API monitoring and anomaly detection tools (63%), API gateway solutions (61%), and API encryption and tokenization (58%). Forty-five percent of organizations have dedicated at least 20% of their cybersecurity budgets to API security. According to the report, 41% are unsure or doubtful that their organization’s investment is enough to cover API security risks.
Apple ha rilasciato ieri un importante aggiornamento di sicurezza per risolvere un bug 0-day presente nel componente WebKit del browser Safari.
Il bug, tracciato come CVE-2025-24201, è un problema di scrittura out-of-bound che consente a un attaccante di sfruttare un contenuto web creato ad hoc per uscire dalla sandbox del browser.
Secondo quanto riportato dalla compagnia, la vulnerabilità sarebbe stata già sfruttata in attacchi “estremamente sofisticati” contro dispositivi iOS con versioni precedenti alla 17.2. “Questo è un fix supplementare per un attacco che è stato bloccato in iOS 17.2” ha aggiunto Apple. La patch introduce dei controlli aggiuntivi per bloccare l’esecuzione di azioni non autorizzate.
Il fix è disponibile nelle versioni iOS 18.3.2 e iPadOS 18.3.2 per iPhone XS e successivi, iPad Pro da 12 pollici, iPad Pro da 12.9 pollici di terza generazione e successive, iPad Air di terza generazione e successive, iPad di settima generazione e successiva e iPad mini di quinta generazione e successiva.
La patch è inoltre disponibile in Safari 18.3.1 per macOS Ventura e Sonoma, in macOS Sequoia 15.3.2, in visionOS 2.3.2 per Vision Pro e in tvOS 18.3.1 per le Apple TV 4K di terza generazione.
Giusto un mese fa Apple aveva rilasciato un fix per un altro bug 0-day, anche in quel caso giù sfruttato. La vulnerabilità (CVE-2025-24200) permette a un attaccante di disabilitare USB Restricted Mode e scaricare le informazioni dell’utente.
La modalità disabilita le connessioni dati via cavo dopo 60 minuti di inattività del dispositivo, ma alcuni cybercriminali sono riusciti a bypassare il meccanismo di sicurezza e sferrare attacchi mirati. Il fix è stato rilasciato nella versione 18.3.1 di iOS e iPadOs.
La compagnia non ha condiviso dettagli sugli attacchi individuati, né per l’ultimo bug né per il precedente. Apple invita gli utenti ad aggiornare il prima possibile i propri dispositivi per proteggersi dalla minaccia.
48% of Americans have received a fraudulent tax-related message
Unfortunately, tax season also comes with a rise in scams. Recent research from McAfee reveals that AI-powered phishing emails, deepfake phone calls, and fake tax prep websites are making tax scams more convincing — and costly — than ever.
More than half of Americans say fraud is more sophisticated than last year. Cybercriminals are even impersonating trusted tax services to steal personal and financial information, adding another layer of deception. In fact, 33% of people say they or someone they know has received a fraudulent email or text claiming to be from a tax preparation service like TurboTax or H&R Block, urging them to click a link and sign in. But while scams are evolving, who loses money — and how much — varies widely by age.
While adults aged 18-24 are the most frequent targets of these increasingly sophisticated tax scams, people in this age group who have fallen victim to a scam and lost money as a result tend to lose smaller amounts. 9% of people aged 18-24 report losses between $0-$250 and 20% say they lost $751-$1,000. The highest reported loss amounts come from those aged 45-54, with 10% losing over $10,000.
Some fraud tactics include:
Flooding inboxes with fake IRS messages – 48% of Americans have received a fraudulent tax-related message pressuring them to act fast or face penalties.
Making scams more convincing – 55% of people report that the tax scam messages they’ve received this year are more sophisticated or realistic than last year.
Impersonating trusted tax services – 33% of people say they or someone they know received a fake email or text from a fraudulent tax preparation service (e.g., TurboTax, H&R Block) urging them to click a link and log in.
Baiting victims with fake refunds – 35% of people say they or someone they know received a scam email or text about a “tax refund” or “tax refund e-statement” containing a malicious link.
Different demographics are more likely to encounter different types of fraud, with scammers fine-tuning their tactics to maximize success.
Young adults (18-24) are the most likely to be asked for information that could fuel identity theft, with 29% saying they’ve been asked for their birth date and 23% for bank account numbers — higher than older demographics.
Older adults (65-74) are the most likely to be asked for information that could be used to carry out payment scams, with 37% reporting they’ve received demands for immediate back tax payments and 45% receiving fake tax refund scams requesting banking details.
Middle-aged adults (35-54) face a mix of requests for information that could lead to identity and payment scams, with 44% of 35-44-year-olds saying they’ve been asked for their Social Security or Tax ID number, and 36% of 45-54-year-olds receiving back tax payment demands.
Men are three times as likely to be receive cryptocurrency scam messages as women.
Women are more likely to receive tax debt threats, with 31% being told they owed back taxes and needed to pay immediately, compared to 24% of men.
Cybercriminals don’t just demand money—they go after sensitive details like Social Security numbers, birth dates, and banking information to fuel future fraud. Here’s what they’re asking for most:
Social Security Number or Tax Identification Number (40%)
Kaspersky lancia un segnale d’allarme: registrare account personali su piattaforme di intrattenimento utilizzando l’email aziendale può trasformarsi in una trappola per la sicurezza informatica.
Con ripercussioni sia sulla privacy dei dipendenti che sulla protezione dei dati aziendali.
Il report Kaspersky Digital Footprint Intelligence
Durante il MWC di Barcellona, il report Kaspersky Digital Footprint Intelligence ha rivelato che il 7% degli account compromessi su piattaforme quali Netflix, Roblox e Discord è associato a indirizzi email professionali.
La ricerca, condotta su un campione di 50 aziende del settore bancario, evidenzia come l’utilizzo improprio delle email aziendali per fini personali esponga a rischi non indifferenti.
Qualora si cambi lavoro, l’accesso a servizi e account personali potrebbe venire interrotto, mentre la ripetizione di password deboli aumenta la vulnerabilità non solo dei dati personali ma anche di quelli aziendali.
Sergey Shcherbel, esperto di Kaspersky, ha sottolineato come abitudini di registrazione scorrette possano facilitare la diffusione delle credenziali sul dark web, con conseguenze potenzialmente disastrose in termini di sicurezza.
Secondo il Kaspersky Digital Footprint Intelligence, il 7% degli account compromessi su piattaforme di intrattenimento è associato a indirizzi email professionali.
La peculiarità del sistema bancario
Curiosamente, la ricerca mette in luce una particolare attenzione da parte del settore bancario.
Stando a Kaspersky, i suoi dipendenti risultano più propensi a utilizzare l’indirizzo email di lavoro per accedere a servizi di streaming, marketplace, social network, e persino piattaforme di gioco o siti di contenuti per adulti.
Il report invita dunque le aziende ad adottare strategie preventive, quali l’implementazione di politiche stringenti per le password, l’attivazione di programmi di sensibilizzazione sulla sicurezza e il monitoraggio proattivo del dark web.
Tra le misure consigliate figurano, come sempre, il cambio immediato delle password in caso di compromissione, la scansione approfondita dei dispositivi per individuare eventuali malware e la definizione di protocolli di sicurezza per evitare la fuga di credenziali.
Il problema della gestione delle identità digitali nelle aziende
Il report evidenzia dunque una criticità spesso sottovalutata: la gestione delle identità digitali dei dipendenti delle aziende.
È un tema particolarmente importante se si pensa che molte imprese investono in soluzioni avanzate di cybersecurity, trascurando però le minacce più insidiose, ossia quelle che derivano dall’errore umano e dalle cattive pratiche nella gestione degli account.
Email aziendali impiegate su piattaforme di intrattenimento: analisi su 50 aziende del settore bancario.
L’uso delle email aziendali per registrarsi a servizi di intrattenimento non è solo una leggerezza individuale, è un problema strutturale che espande la superficie d’attacco e offre nuove opportunità ai cybercriminali.
La compromissione di un indirizzo aziendale associato a servizi esterni può facilitare attacchi di credential stuffing, permettendo agli hacker di testare combinazioni di username e password su account più critici, tra cui appunto quelli aziendali.
Inoltre, il riutilizzo di password prevedibili o la mancata attivazione di misure di sicurezza come l’MFA aumentano il rischio di accessi non autorizzati.
Cambio di prospettiva
Per i team di sicurezza IT, questa problematica impone un cambio di paradigma.
La protezione delle credenziali aziendali non può limitarsi all’implementazione di password complesse o di autenticazione a due fattori. La consapevolezza dei dipendenti è tanto importante quanto le tecnologie che li proteggono.
Le aziende devono dunque investire anche in programmi di formazione strutturati, affinché la sicurezza diventi una cultura diffusa e non solo un insieme di regole da seguire.
La prima linea di difesa contro gli attacchi informatici non è solo il firewall o l’antivirus ma il comportamento consapevole di chi utilizza gli strumenti digitali ogni giorno.
Analista OSINT: Ruolo, Approcci e sfide nella Cybersecurity
L’analisi delle fonti aperte (OSINT) sta diventando sempre più cruciale in un mondo connesso e complesso. Il ruolo dell’analista OSINT è strategico sia in ambito militare sia nella protezione aziendale, essendo coinvolto nella raccolta, analisi e utilizzo di informazioni pubbliche a fini difensivi e offensivi. Questo articolo esplora il contributo di questa figura alla sicurezza informatica e all’intelligence. Si tratta del settimo estratto dal white paper “Big e Fast Data: tra sfida per la sicurezza e privacy“.
Il ruolo dell’analista OSINT: Chi è e qual è il suo compito?
Il ruolo dell’analista di OSINT è cruciale nell’ambito della sicurezza informatica e dell’intelligence. Questo professionista è responsabile della raccolta, dell’analisi e dell’interpretazione delle informazioni provenienti da fonti aperte e pubbliche su internet e altre piattaforme digitali. L’analista OSINT cerca attivamente informazioni su persone, organizzazioni, eventi o argomenti specifici utilizzando una varietà di strumenti e tecniche di ricerca online. Questo può includere l’analisi di siti web, social media, forum online, blog, database pubblici e altre fonti di informazioni pubbliche. Una volta raccolte, le informazioni devono essere analizzate in modo approfondito per identificare i modelli, le tendenze e le relazioni significative. L’analista OSINT utilizza metodologie e strumenti analitici per valutare l’affidabilità, la veridicità e la rilevanza delle informazioni raccolte.
Come ha giustamente rilevato Giuseppe Galetta, in ambito militare, ad esempio, l’approccio OSINT già si configura come un’attività strategica, divisa tra fasi offensive e difensive. La raccolta di informazioni da fonti aperte costituisce un’azione offensiva, mirata a individuare il payload necessario per supportare le decisioni dei centri di comando. Al contrario, la chiusura dell’accesso al sistema informativo rappresenta un’attività difensiva, finalizzata a proteggere il vantaggio informativo acquisito. Tuttavia, questa chiusura può diventare anch’essa offensiva nel momento in cui l’informazione acquisita viene trasformata in disinformazione o informazione occulta, ingenerando così una situazione di asimmetria informativa a scapito del nemico.
Vale la pena anche sottolineare, come ha notato lo stesso Galetta, Il ciclo dell’OSINT militare (figura 13) si svolge all’interno di un circuito informativo complesso, dove l’analisi delle informazioni raccolte può richiedere ulteriori ricerche e trattamenti, senza necessariamente giungere alla fase finale di disseminazione. La metodologia di raccolta e analisi delle informazioni, come la valutazione strategica di intelligence e l’utilizzo di sistemi di preparazione del campo di battaglia, supporta il processo decisionale militare e orienta le azioni sul campo. Infine, la standardizzazione dei protocolli di estrazione e analisi, unitamente alla generazione di informazioni di valore, sono cruciali per garantire l’affidabilità dei dati e supportare le decisioni operative dei vertici militari[1].
Figura 13. Modello teorico del ciclo OSINT militare elaborato da Giuseppe Galetta. Tratto da Rivista di Digital Politics
L’ informazioni analizzate vengono elaborate e interpretate per estrarre insight significativi e utili. Questo può includere la creazione di report, mappe concettuali, diagrammi o altri strumenti per visualizzare e comunicare i risultati dell’analisi.
L’analista OSINT, che sia esso militare e/o civile, valuta anche i rischi e le minacce potenziali basati sulle informazioni raccolte e analizzate. Questo può aiutare le organizzazioni a identificare vulnerabilità e adottare misure di sicurezza appropriate per mitigare i rischi. È importante che l’analista OSINT collabori con altri professionisti della sicurezza informatica, intelligence e altre figure aziendali pertinenti per condividere informazioni rilevanti e coordinare azioni appropriate in risposta alle minacce identificate. Questo professionista svolge un ruolo fondamentale nel supportare la sicurezza e la protezione delle organizzazioni attraverso la raccolta, l’analisi e l’interpretazione di informazioni critiche provenienti da fonti aperte e pubbliche.
Approccio difensivo dell’analista OSINT
L’approccio difensivo di un analista OSINT si concentra sulla protezione delle organizzazioni e sulla mitigazione dei rischi associati alla sicurezza informatica attraverso l’analisi delle informazioni provenienti da fonti aperte e pubbliche. Identifica e monitora le minacce potenziali attraverso la raccolta e l’analisi delle informazioni disponibili pubblicamente. Questo può includere la ricerca di attività sospette, vulnerabilità dei sistemi, hacker o gruppi di hacking, violazioni dei dati e altre minacce alla sicurezza.
Basandosi sulle informazioni raccolte, l’analista OSINT valuta i rischi per l’organizzazione, inclusi quelli legati alla reputazione, alla privacy dei dati, alla sicurezza fisica e alla sicurezza informatica. Questa valutazione aiuta a priorizzare le azioni di mitigazione dei rischi. L’analista OSINT monitora costantemente le fonti aperte e pubbliche per individuare nuove minacce o cambiamenti nelle minacce esistenti. Questo monitoraggio permette una risposta rapida alle emergenze e alle potenziali vulnerabilità[2]. L’analista OSINT sviluppa intelligence sulla minaccia basata sull’analisi delle informazioni raccolte.
Questa intelligence fornisce una comprensione approfondita delle tattiche, tecniche e procedure utilizzate dagli attaccanti, consentendo alle organizzazioni di adottare misure preventive e reattive appropriate. Collabora con altri professionisti della sicurezza informatica e con le autorità competenti per condividere informazioni rilevanti sulle minacce e coordinare le risposte alle emergenze.
Questa collaborazione aiuta a migliorare la sicurezza complessiva e a ridurre il rischio di danni causati dalle minacce informatiche. L’approccio difensivo dell’analista OSINT si basa sull’identificazione, valutazione e monitoraggio delle minacce attraverso l’analisi delle informazioni disponibili pubblicamente, al fine di proteggere le organizzazioni da potenziali rischi per la sicurezza informatica.
Approccio offensivo di un analista OSINT
L’approccio offensivo dell’analista OSINT si concentra sull’utilizzo delle informazioni raccolte da fonti aperte e pubbliche per ottenere vantaggi competitivi, raccogliere intelligence e condurre operazioni di influenzamento. L’analista OSINT utilizza una vasta gamma di strumenti e tecniche per raccogliere informazioni su individui, aziende, organizzazioni e altri soggetti di interesse. Questo può includere l’analisi di profili sui social media, la ricerca di dati pubblici, l’analisi di rapporti e documenti disponibili online e altro ancora. Una volta raccolte le informazioni, l’analista OSINT le analizza per identificare modelli, tendenze e relazioni significative. Questo processo di analisi può portare alla creazione di profili dettagliati degli individui o delle organizzazioni target, comprendenti informazioni su interessi, relazioni, attività online e altro ancora.
L’analista OSINT cerca anche di identificare le vulnerabilità e i punti deboli degli individui o delle organizzazioni target. Questo può includere la ricerca di informazioni sensibili esposte online, come password, dati finanziari, informazioni personali e altro ancora, che possono essere sfruttate per scopi offensivi. Basandosi sulle informazioni raccolte e sull’analisi condotta, l’analista OSINT può pianificare e condurre operazioni di influenzamento mirate. Queste operazioni possono includere campagne di disinformazione, attività di manipolazione dell’opinione pubblica, attacchi mirati e altro ancora, al fine di ottenere vantaggi competitivi o raggiungere obiettivi specifici.
Anche nell’approccio offensivo, è importante la collaborazione e la condivisione delle informazioni con altri professionisti della sicurezza informatica e con le autorità competenti. Questo aiuta a migliorare l’efficacia delle operazioni condotte e a ridurre il rischio di essere scoperti o contrastati. Questo approccio si basa sull’utilizzo strategico delle informazioni raccolte per ottenere vantaggi competitivi, raccogliere intelligence e condurre operazioni di influenzamento mirate. Questo richiede competenze avanzate di analisi e una profonda comprensione delle dinamiche del mondo online.
Analisi di rischio su violazioni, minacce di cyberspionaggio e reati da parte dell’analista OSINT
L’analisi di rischio su violazioni, minacce di cyberspionaggio e reati svolta dall’analista OSINT implica la valutazione delle potenziali minacce e vulnerabilità che possono interessare un’organizzazione, individuo o sistema informatico.
L’analista OSINT identifica e analizza le minacce potenziali che potrebbero mettere a rischio la sicurezza informatica dell’organizzazione o dell’individuo. Ciò può includere minacce esterne, come hacker, cybercriminali, gruppi di spionaggio cibernetico sponsorizzati dallo stato, nonché minacce interne, come dipendenti non autorizzati o utenti malintenzionati.
L’analista OSINT esamina le vulnerabilità presenti nei sistemi informatici e nelle infrastrutture dell’organizzazione o dell’individuo, questo include la ricerca di falle di sicurezza, configurazioni errate, software non aggiornato, password deboli e altri punti deboli che potrebbero essere sfruttati dalle minacce identificate e monitora le tendenze e i modelli di attacco nel panorama delle minacce informatiche, include l’analisi di incidenti passati, l’identificazione di tecniche di attacco emergenti e l’osservazione dei comportamenti dei cybercriminali e dei gruppi di spionaggio cibernetico.
Costui valuta l’impatto potenziale delle minacce identificate sulle operazioni, sulla reputazione e sui dati sensibili dell’organizzazione o dell’individuo. Questa valutazione tiene conto delle possibili conseguenze finanziarie, legali e di reputazione associate a una violazione o a un attacco informatico. Nello sviluppo di strategie di mitigazione, basandosi sull’analisi condotta, l’analista OSINT sviluppa strategie di mitigazione per ridurre il rischio e proteggere l’organizzazione o l’individuo dalle minacce identificate, questo può includere l’implementazione di contromisure tecniche, la sensibilizzazione e la formazione del personale, l’adozione di politiche di sicurezza informatica e altre azioni preventive.
L’analista OSINT, inoltre, monitora costantemente il panorama delle minacce informatiche e aggiorna regolarmente l’analisi di rischio per riflettere le nuove minacce emergenti e le vulnerabilità scoperte. Questo processo di monitoraggio continuo è fondamentale per mantenere elevati i livelli di sicurezza informatica nel tempo.
L’analisi di rischio condotta dall’analista OSINT su violazioni, minacce di cyberspionaggio e reati informatici è un processo fondamentale per identificare, valutare e mitigare i rischi per la sicurezza informatica e proteggere le organizzazioni e gli individui dalle minacce online sempre più sofisticate e pervasive. Nel campo dell’analisi di intelligence, il ruolo dell’analista OSINT è fondamentale.
Questi professionisti si occupano di cercare, elaborare, analizzare e diffondere informazioni provenienti da fonti aperte. Tuttavia, il loro compito va oltre la semplice raccolta e divulgazione di dati. L’OSINT offre un prodotto che è stato sottoposto a un processo preliminare di elaborazione tecnica, che include l’eliminazione di duplicazioni, la ponderazione, il raggruppamento e la sintesi dei dati raccolti, oltre alla validazione delle fonti. Questo è cruciale per evitare decisioni basate su informazioni imprecise o errate. In pratica, questo approccio offre due vantaggi distinti.
Questa sinergia tra strumenti tecnologici e competenze umane è cruciale per ottenere risultati significativi e per garantire che le informazioni estratte dalle fonti aperte siano affidabili e rilevanti per le decisioni aziendali. L’analista OSINT gioca un ruolo chiave nella Corporate Intelligence, contribuendo in modo sostanziale alla raccolta e all’analisi di informazioni cruciali. La sua capacità di elaborare con precisione i dati provenienti da fonti aperte, insieme alla sua competenza nel pianificare e coordinare le attività OSINT, lo rende una risorsa inestimabile per qualsiasi organizzazione che miri a prendere decisioni basate su dati accurati e pertinenti.[3]
Competenze fondamentali degli operatori OSINT
Gli operatori OSINT devono possedere una vasta esperienza nella ricerca di informazioni provenienti da fonti aperte, quali siti web, social media, forum, database pubblici e documenti accessibili al pubblico. La familiarità con le varie fonti è cruciale per ottenere risultati efficaci nell’attività OSINT. È essenziale che gli operatori OSINT siano in grado di condurre ricerche avanzate utilizzando motori di ricerca specializzati, comandi booleani e strumenti avanzati per l’individuazione di informazioni rilevanti. La capacità di formulare query complesse e di utilizzare tecniche di ricerca avanzate è fondamentale per trovare informazioni cruciali.
Gli operatori OSINT devono essere in grado di valutare la credibilità e l’affidabilità delle fonti di informazioni aperte. Questo include l’identificazione di fonti autorevoli, la verifica dell’autenticità delle informazioni e la capacità di rilevare potenziali fonti di disinformazione. Una valutazione accurata delle fonti è essenziale per garantire l’affidabilità delle informazioni raccolte.
Gli operatori OSINT devono essere in grado di elaborare i dati raccolti, compresa la rimozione di duplicazioni, la normalizzazione dei dati e la sintesi delle informazioni in formati comprensibili. Questo consente loro di presentare i risultati dell’analisi in modo chiaro e conciso.
La conoscenza di più lingue e la comprensione delle diverse culture sono vantaggi significativi per gli operatori OSINT. Queste competenze consentono loro di comprendere meglio le fonti e le informazioni provenienti da diverse regioni del mondo, migliorando la qualità delle analisi. Gli operatori OSINT devono essere consapevoli delle normative sulla privacy e delle leggi sulla protezione dei dati durante la raccolta e l’uso delle informazioni.
È fondamentale rispettare i diritti delle persone e garantire la conformità alle normative vigenti in materia di privacy ed etica e devono possedere abilità comunicative efficaci per relazionare i risultati dell’analisi e collaborare con altri membri del team. La capacità di comunicare in modo chiaro e conciso è essenziale per garantire una corretta comprensione e condivisione delle informazioni.
Date le continue evoluzioni tecnologiche e delle minacce, gli operatori OSINT devono essere disposti a rimanere costantemente aggiornati sulle nuove tecniche, strumenti e tendenze nel campo dell’intelligence da fonti aperte. Il mantenimento di competenze aggiornate è fondamentale per affrontare efficacemente le sfide in evoluzione nel settore dell’OSINT.[4]
È importante, dunque, per l’azienda elaborare una strategia di sicurezza con un suo framework interno per affrontare le minacce dell’OSINT che richiede una comprensione approfondita delle diverse tipologie di minacce e dei relativi rischi giuridici associati. Le minacce includono tentativi di raccolta illecita di informazioni sensibili, manipolazione dell’immagine, sorveglianza e profilazione, ricerca di vulnerabilità, monitoraggio di progetti, violazione della privacy individuale, manipolazione dell’opinione pubblica e spionaggio industriale.
Per mitigare questi rischi, è essenziale identificare e classificare le minacce, valutare il proprio profilo OSINT, sorvegliare costantemente le fonti aperte, fornire formazione sulle pratiche di sicurezza online, gestire le informazioni sensibili, monitorare le attività online, utilizzare crittografia per proteggere le comunicazioni, collaborare con esperti OSINT e autorità competenti, sviluppare strategie di contromisura, condurre test di sicurezza interni e aggiornare continuamente le politiche di sicurezza. Dal punto di vista giuridico, è importante considerare le normative nazionali e internazionali che regolano le attività OSINT, compresi aspetti come la privacy, la sicurezza informatica, in particolare l’operatore OSINT potrebbe commettere nell’espletamento della sua attività di ricerca questi tipi di reati. Ecco una lista dettagliata:
Raccolta Illecita di Informazioni Sensibili.
Aspetto giuridico: in base alla normativa italiana, la raccolta illecita di informazioni sensibili è sanzionata dal Codice penale. Violare la privacy altrui può configurare il reato di violazione di segreto d’ufficio (art. 326) o di accesso abusivo a un sistema informatico (art. 615 ter).
Violazioni della Privacy e Diritto all’Autodeterminazione Informativa.
Aspetto Giuridico: la violazione della privacy è disciplinata dall’art. 167 c.p. Inoltre, il GDPR (Regolamento UE sulla protezione dei dati personali) prevede sanzioni significative per il trattamento illecito di dati personali.
Cyberstalking e Online Harassment:
Aspetto Giuridico: il cyberstalking può configurare reati di molestia (art. 660) o stalking (art. 612 bis) nel c.p. L’harassment online può essere punito in base a queste disposizioni.
Attacchi di Phishing Mirati con Informazioni OSINT:
Aspetto Giuridico: l’invio di e-mail fasulle per scopi fraudolenti è configurabile come truffa (art. 640) o accesso abusivo a un sistema informatico (art. 615 ter) secondo la legge italiana.
Violazioni della Sicurezza Aziendale tramite OSINT:
Aspetto Giuridico: L’accesso non autorizzato o il danneggiamento dei sistemi informatici aziendali è sanzionato dall’art. 635 bis del c.p. Inoltre, il furto di segreti industriali (art. 623 bis) può essere pertinente.
Attività di Cyberspionaggio utilizzando fonti aperte:
Aspetto Giuridico: Il cyberspionaggio è un reato che può configurare violazioni alla sicurezza dello Stato (art. 270 ter del c.p.). La legge italiana può prevedere sanzioni per attività di spionaggio informatico.
Identità Falsa e Creazione di Profili Ingannevoli:
Aspetto Giuridico: L’uso di identità fittizie può configurare il reato di falsità ideologica (art. 479) o, in caso di danni, truffa (art. 640) secondo il c.p.
Attacchi Mirati a Organizzazioni Governative:
Aspetto Giuridico: Il cyberspionaggio contro organizzazioni governative può costituire un’aggressione alla sicurezza dello Stato (art. 270 ter) o danneggiare sistemi informatici di interesse pubblico (art. 615 quater).
Guerra Informatica o Cyber War:
Aspetto Giuridico: Attività di guerra informatica possono violare diverse norme del diritto internazionale. Infatti, la partecipazione a operazioni offensive di tipo Open Source Intelligence in una Guerra Informatica potrebbe violare diverse norme penali, sia a livello nazionale che internazionale. È importante sottolineare che la legislazione può variare notevolmente tra i paesi e che le violazioni delle norme internazionali sono spesso trattate da organizzazioni sovranazionali. Di seguito sono elencate alcune delle norme penali che potrebbero essere coinvolte:
Spionaggio Industriale tramite Informazioni OSINT:
Aspetto Giuridico: Il furto di segreti industriali (art. 623 bis) è rilevante in caso di spionaggio industriale. La legge italiana punisce l’accesso e la divulgazione non autorizzati di segreti aziendali.
Sotto un profilo internazionale, invece, occorre menzionare le Convenzioni Internazionali, in particolare:
Convenzione di Budapest sulla criminalità informatica:
Questa convenzione promuove la cooperazione internazionale nella lotta contro i reati informatici, inclusi quelli legati alla Guerra Informatica. La partecipazione a operazioni OSINT illegali potrebbe violare le disposizioni di questa convenzione.
Dichiarazioni e Principi Internazionali:
Questa dichiarazione e i principi internazionali possono costituire un reato nell’ambito dell’OSINT se vengono utilizzati in modo illegale o per fini criminali. Ad esempio, diffondere informazioni false o incitare all’odio o alla violenza sulla base di questi principi potrebbe violare leggi contro la diffamazione, l’incitamento all’odio o la sedizione. L’aspetto giuridico dipende quindi dall’interpretazione e dall’applicazione delle leggi specifiche del paese in questione.
Tallinn Manual sulla Legge Applicabile alle Operazioni di Cyber:
Questo manuale fornisce interpretazioni giuridiche delle leggi esistenti in materia di cyber warfare. L’OSINT può essere coinvolto in operazioni di cyber warfare, e le violazioni delle norme stabilite nel manuale potrebbero costituire illeciti legali.
È essenziale, dunque, per un’azienda e per i suoi operatori svolgere attività di ricerca informativa nel rispetto del quadro giuridico esistente per evitare conseguenze legali, in quanto come si è notato l’azione di ricerca delle informazioni può comportare rischi legali significativi in vari contesti normativi. È fondamentale considerare le leggi specifiche dei paesi coinvolti, poiché possono variare e definire le sanzioni applicabili. Un esempio è dato dalla Direttiva UE 2022/2555 del 14 dicembre 2022, nota come “NIS2 – Normativa in materia di Sicurezza e intelligence”, che evidenzia l’impegno del legislatore europeo sul tema della sicurezza informatica.
Conclusione
Il ruolo dell’analista OSINT è fondamentale per la sicurezza e la protezione delle organizzazioni, contribuendo alla prevenzione delle minacce e alla mitigazione dei rischi legati alla cybersecurity. La capacità di raccogliere, analizzare e utilizzare in modo strategico le informazioni aperte rende questo professionista una risorsa chiave nell’ecosistema digitale odierno.
Nel prossimo articolo esploreremo le “Sfide e strategie di sicurezza nell’ecosistema digitale interconnesso”, un tema cruciale per comprendere come affrontare le minacce sempre più sofisticate del mondo digitale. Ti invitiamo a scaricare gratuitamente e liberamente il white paper “Big e Fast Data: tra sfida per la sicurezza e privacy” per approfondire questi argomenti e ottenere una visione completa delle sfide e opportunità che la Open Source Intelligence rappresenta per la cybersecurity.
[4] Caligiuri, M. (2016). Cyber intelligence: tra libertà e sicurezza. Donzelli editore.
Profilo Autore
É un esperto di sicurezza informatica, con una formazione che combina conoscenze giuridiche e tecniche. Ha conseguito una laurea triennale in Operatore Giuridico di Impresa presso l’Università degli Studi de L’Aquila, seguita da una laurea magistrale in Giurisprudenza presso l’Università Telematica Pegaso. La sua formazione si arricchisce di quattro master: uno in Criminologia e Studi Forensi, uno in Programmazione e Sviluppo Backend e Frontend, un master in Cybersecurity presso l’Ethical Hacker Academy, e un master di II livello in Homeland Security presso l’Università Campus Bio-Medico di Roma.
Grazie a diverse certificazioni EIPASS, tra cui quella di Data Protection Officer (DPO/RDP), e licenze OPSWAT, ha acquisito competenze avanzate in sicurezza delle reti, protezione delle infrastrutture critiche e gestione dei dati. La sua passione per il mondo informatico e tecnologico e il costante aggiornamento professionale lo hanno reso un punto di riferimento nel settore, incluse aree emergenti come l’intelligenza artificiale.
È autore di due pubblicazioni scientifiche: “Contrasto al Terrorismo: La Normativa dell’Unione Europea” e “La Cyber Security: La Riforma Europea in Materia di Cybersicurezza ed il Cyber- Crime”, entrambe edite da Currenti Calamo.
Cyber experts discuss possible cyberattack against X
According to a social media post by Elon Musk, X experienced a cyberattack that caused widespread technical issues across the network.
“We get attacked every day, but this was done with a lot of resources,” Musk stated in the post.
A hacktivist group known as Dark Storm has taken credit for the outage, claiming to be behind the attack on its Telegram channel. At this time, little is known for sure about the nature and origin of the attack.
Casey Ellis, founder at Bugcrowd, comments, “It’s difficult to say with incomplete information, and in the early stages of things, but between the sustained nature of the outage and Dark Storm Team taking credit for it on Telegram, this does appear to be a legitimate cyberattack on X.”
Below, cyber experts share their insights on this potential attack.
Security leaders weigh in
Chad Cragle, CISO at Deepwatch:
X is under relentless cyberattacks; 24/7/365. This far beyond simple DoS attempts. These are full-scale DDoS assaults, combined with sophisticated botnet activity, credential stuffing, API abuse, and targeted application-layer attacks designed to cripple operations.
While technical issues can occur, X’s engineers understand scalability and redundancy. This isn’t incompetence; it’s cyberwar hitting at full force. With Musk in the spotlight and political tensions at a peak, these attacks bear all the indicators of nation-state aggression. They’re throwing everything but the kitchen sink at X, and others pushing for maximum disruption, downtime, and, if possible, data exposure.
J Stephen Kowski, Field CTO at SlashNext Email Security+:
Determining the true cause of outages requires independent verification, as it’s challenging to confirm cyberattacks without direct access to the targeted infrastructure. Major platforms typically face numerous attacks attempts daily, making such claims plausible, though a group called Dark Storm Team claiming responsibility on Telegram would need to be verified through advanced threat detection technology rather than public statements alone. The evidence from X and from the attackers claiming credit appears very limited. For every company, there is a tradeoff between cybersecurity defense costs and revenue-generating activities, with most companies being a bit understaffed and under-resourced in their security operations.
Toby Lewis, Global Head of Threat Analysis at Darktrace:
This appears to be a fairly standard DDoS attack on X — essentially an overwhelming amount of traffic designed to disrupt the service. Like all DDoS attacks, the effect is temporary, and so users to X this morning may well not spot anything wrong at all.
Importantly, these sorts of attacks are almost always delivered by botnets. Globally distributed networks of computers that have been unknowingly recruited to take part in the attack — typically through some form of compromise or the use of malware. These sort of botnets are unfortunately incredibly commonplace, making up the so-called “background noise of the internet,” and often available for hire for whoever is willing to pay.
Il tipico training di un modello di ML (a) prevede l’utilizzo di tutti i dati di training per impostare i parametri del modello. I metodi di machine unlearning comportano la suddivisione dei dati di training (Dtrain) in retain set (Dr) e forget set (Df), quindi un utilizzo iterativo di questi set per modificare i parametri del modello (passaggi da b a d in maniera ciclica). La sezione gialla rappresenta i dati che sono stati dimenticati durante il processo.
.jpg?1741782072)
.jpg?height=635&t=1741782072&width=1200)
