Negli ultimi anni l’intelligenza artificiale (AI) ha rivoluzionato il panorama della sicurezza informatica, sia come potente strumento difensivo sia come pericolosa risorsa nelle mani degli attaccanti.

Il concetto di AI avversaria, ovvero l’uso intenzionale dell’intelligenza artificiale per condurre attacchi informatici o sabotare sistemi di difesa automatizzati, sta emergendo come una delle minacce più complesse e insidiose della guerra cibernetica moderna.

L’AI avversaria sfrutta le vulnerabilità intrinseche nei modelli di apprendimento automatico e nei sistemi intelligenti, rendendo possibile la creazione di malware capaci di apprendere e adattarsi in tempo reale alle difese cibernetiche.

Ancora più preoccupante è il suo potenziale nell’alimentare attacchi di ingegneria sociale, permettendo a criminali e attori statali di lanciare campagne di phishing personalizzate e sfruttare tecnologie come i deepfake per creare falsi digitali convincenti.

Nel 2018 IBM svelò un esperimento chiamato DeepLocker, un malware alimentato dall’intelligenza artificiale, progettato per dimostrare come le minacce informatiche AI-driven possano essere quasi invisibili fino al momento dell’attacco. DeepLocker utilizzava modelli di machine learning per nascondere il malware all’interno di applicazioni comuni, attivandolo solo quando riconosceva il bersaglio specifico attraverso input biometrici o altri segnali unici.

L’esperimento dimostrò come gli attacchi basati su AI potessero essere estremamente difficili da rilevare, aumentando esponenzialmente la complessità per i difensori: questo tipo di attacco segna infatti il passaggio dai malware statici a minacce dinamiche, capaci di evolversi e adattarsi a specifici contesti.

Se il crimine informatico ha già raggiunto livelli preoccupanti, il coinvolgimento dell’intelligenza artificiale sta ulteriormente aggravando lo scenario di rischio. Un report del 2020 di Cybersecurity Ventures^[1] prevede che il costo globale del crimine informatico raggiungerà i 10,5 trilioni di dollari all’anno entro il 2025.

Gli attacchi alimentati da AI rappresentano una crescente percentuale di queste perdite, con tattiche di phishing avanzate, automazione di botnet e attacchi zero-day potenziati dall’AI; questi attacchi aumentano non solo il costo ma anche la complessità della protezione, richiedendo alle aziende di adottare misure di difesa altrettanto avanzate, come sistemi di anomaly detection AI-driven e tecniche di apprendimento continuo.

Questo articolo esplorerà in dettaglio come l’AI avversaria stia ridefinendo i confini della guerra cibernetica, trasformando il cyberspazio in un campo di battaglia dove l’arma più potente non è il codice malevolo tradizionale ma un’intelligenza artificiale capace di evolvere, adattarsi e sfidare persino i sistemi di difesa più avanzati.

AI avversaria

L’AI avversaria è una forma specifica di intelligenza artificiale progettata (o manipolata) per eludere, confondere o sovvertire i sistemi di difesa cibernetici basati su AI.

Mentre l’intelligenza artificiale è stata a lungo utilizzata per migliorare la sicurezza informatica, l’AI avversaria rappresenta il lato oscuro di questa tecnologia: un modo in cui gli attaccanti possono sfruttare le debolezze e le imperfezioni intrinseche nei modelli di apprendimento automatico.

Tecniche di attacco dell’AI Avversaria

Gli attacchi condotti tramite AI avversaria si basano su diverse tecniche sofisticate, che mirano a compromettere l’integrità dei modelli AI utilizzati per la sicurezza.

Di seguito alcune delle principali tecniche utilizzate dagli attaccanti:

• Evasion Attacks: questi attacchi si basano sulla manipolazione dei dati di input per ingannare i sistemi di difesa AI. Un esempio classico è il malware che, grazie all’introduzione di piccoli cambiamenti nel proprio codice, riesce a sfuggire ai rilevatori basati su AI, che non lo riconoscono come minaccia.
• Data Poisoning: in questa tipologia di attacchi, gli aggressori alterano i dati di addestramento del modello AI per indurlo a prendere decisioni errate. Un sistema di difesa potrebbe, ad esempio, essere addestrato su dati in cui è stato iniettato del codice malevolo che viene classificato erroneamente come benigno.
• Model Stealing: in questo caso gli attaccanti possono tentare di estrarre informazioni sui modelli AI utilizzati dalle organizzazioni, copiandoli o “rubandoli” al fine di replicarli o di sfruttarne le debolezze in attacchi futuri. Ciò consente agli aggressori di conoscere i criteri di rilevamento e creare minacce su misura che riescono a bypassare le difese AI.

Il rischio delle “Black Box”

Una delle caratteristiche che rende l’AI avversaria così pericolosa è la natura “black box” di molti sistemi di intelligenza artificiale.

La mancata trasparenza nel processo decisionale di un modello AI rende infatti difficile, per i difensori, comprendere esattamente come un attacco avversario stia manipolando il sistema; ciò complica la diagnosi e la risoluzione dei problemi, poiché diventa estremamente arduo capire quali dati siano stati compromessi o in che modo il sistema sia stato aggirato.

Minacce cibernetiche alimentate dall’AI

L’uso dell’intelligenza artificiale come arma è ormai una realtà consolidata nel panorama della sicurezza informatica.

Gli attaccanti stanno sfruttando l’AI per sviluppare malware in grado di apprendere e adattarsi, nonché per perfezionare tecniche di ingegneria sociale, rendendo le minacce cibernetiche sempre più difficili da rilevare e prevenire.

Malware che impara e si adatta^[2]

Tradizionalmente il malware operava con schemi statici, il che consentiva ai sistemi di sicurezza di rilevarlo analizzando firme note o comportamenti predefiniti.

Con l’introduzione dell’AI il malware è diventato più evoluto, adattandosi dinamicamente per sfuggire ai sistemi di rilevamento.

Polymorphic Malware: questo tipo di malware cambia continuamente il proprio codice superficiale per evitare di essere rilevato dagli antivirus tradizionali. L’introduzione dell’AI ha reso questa tecnica ancora più sofisticata, permettendo al malware di apprendere dalle risposte dei sistemi difensivi e modificare di conseguenza il proprio comportamento.

Malware auto-apprendente: si stanno osservando casi di malware alimentato da AI che impara e si adatta in tempo reale. Ad esempio, una botnet basata sull’AI può monitorare le difese di una rete e modificare i propri metodi di attacco in base ai pattern di difesa rilevati. Questo tipo di malware agisce come un attaccante “intelligente”, in grado di analizzare gli schemi di risposta e ottimizzare le sue tattiche di penetrazione.

AI e Ingegneria Sociale^[3]

Gli attacchi di ingegneria sociale sono tra i più efficaci nel compromettere sistemi e infrastrutture; negli ultimi tempi, grazie all’AI, queste tecniche sono diventate ancora più devastanti.

L’intelligenza artificiale permette infatti agli attaccanti di creare messaggi estremamente personalizzati e realistici che ingannano le vittime, sfruttando tecnologie come il natural language processing (NLP).

Phishing personalizzato: l’AI può analizzare enormi quantità di dati personali per creare email di phishing mirate, che risultano quasi indistinguibili da una comunicazione legittima. Secondo recenti analisi, gli attacchi di phishing alimentati da AI sono in grado di raggiungere tassi di successo molto più elevati rispetto ai metodi tradizionali grazie alla capacità di “parlare” come una persona reale. Secondo uno studio condotto da Tessian gli attacchi di phishing di questo tipo hanno tassi di successo che arrivano fino all’80%, molto più alti rispetto ai metodi tradizionali.

Questo perché le AI possono analizzare grandi quantità di dati provenienti da social media, email e altre fonti per creare comunicazioni personalizzate e convincenti: un attacco condotto da un sistema AI può modellare il linguaggio, il tono e persino le tempistiche della comunicazione per sembrare del tutto autentico.

Tale livello di personalizzazione porta a un tasso di apertura delle email di phishing più elevato e rende le tradizionali difese (come i filtri antispam) molto meno efficaci.

Deepfake^[4]: i deepfake, alimentati dall’AI, rappresentano una minaccia emergente nell’ingegneria sociale. Video e audio falsi generati tramite AI possono essere usati per impersonare leader aziendali, funzionari governativi o persino familiari, allo scopo di ingannare e manipolare le vittime. Sono ormai numerosi i casi in cui dei truffatori hanno raggirato le vittime imitando la voce di un loro superiore o familiare, talvolta addirittura con videochiamate contraffatte, riuscendo a estorcere ingenti somme di denaro mediante il ricorso al fattore dell’urgenza o alla simulazione di una situazione di pericolo.

Automazione di attacchi complessi

L’AI non solo rende più potenti le tecniche di attacco ma consente anche di automatizzare processi estremamente complessi, come l’esfiltrazione di dati e l’identificazione di vulnerabilità in tempo reale.

Identificazione di vulnerabilità Zero-Day: gli algoritmi di machine learning possono scansionare milioni di linee di codice e infrastrutture per identificare vulnerabilità sconosciute, note come zero-day. L’uso dell’AI per identificare queste debolezze aumenta l’efficacia e la velocità con cui gli attaccanti possono sfruttarle, accelerando il ciclo degli attacchi.

Automazione delle Botnet: le botnet, reti di computer compromessi utilizzate per lanciare attacchi coordinati, sono diventate più potenti grazie all’intelligenza artificiale. Le botnet alimentate dall’AI sono in grado di autorganizzarsi, adattarsi alle condizioni della rete e coordinare attacchi su larga scala senza la necessità di una costante supervisione umana.

AI Avversaria e attacchi su sistemi di Tecnologia Operativa (OT)

Uno degli sviluppi più preoccupanti nell’uso dell’intelligenza artificiale avversaria è il suo potenziale nell’ambito dei sistemi di tecnologia operativa (OT), che includono le infrastrutture critiche come la gestione delle reti elettriche, le fabbriche automatizzate e i veicoli autonomi.

Gli attacchi che prendono di mira questi sistemi non minacciano solo le infrastrutture informatiche, mettendo a rischio anche la sicurezza fisica: un esempio potrebbe essere un attacco AI-driven contro una flotta di veicoli autonomi, in cui un malware sfrutta vulnerabilità nel software di controllo per manipolare il comportamento dei veicoli stessi. Attraverso tecniche come il data poisoning e l’analisi in tempo reale del traffico stradale, ipoteticamente un attaccante potrebbe far deviare interi convogli di macchine autonome, così causando incidenti o arrivando a bloccare intere città.

Nel 2021 la Colonial Pipeline, una delle principali infrastrutture per la distribuzione di carburante negli Stati Uniti, è stata compromessa da un attacco ransomware.

Anche se in questo caso l’attacco non ha coinvolto AI, è stato un chiaro avvertimento del pericolo che rappresentano gli attacchi OT. Se a questi si aggiunge l’uso di AI avversaria, la situazione potrebbe degenerare: l’AI potrebbe automaticamente identificare vulnerabilità nei sistemi di controllo industriale e orchestrare attacchi coordinati su larga scala senza la necessità di supervisione umana.

Questo rende cruciale lo sviluppo di contromisure, come sistemi di difesa autonomi e resilienti, capaci di anticipare e prevenire questi scenari estremi.

L’AI nelle tattiche di guerra cibernetica

L’intelligenza artificiale sta trasformando le tattiche di guerra cibernetica, portando a un nuovo livello di sofisticazione tanto negli attacchi quanto nelle difese.

Attori statali e criminali informatici stanno sfruttando l’AI per ottenere vantaggi strategici nel cyberspazio, utilizzando l’intelligenza artificiale non solo per attacchi su larga scala ma anche per missioni di spionaggio, sabotaggio e destabilizzazione.

L’uso dell’AI da parte degli Stati per offese cibernetiche^[5]

Gli Stati rappresentano alcuni degli attori più attivi nell’uso dell’AI avversaria per operazioni offensive.

Le tecnologie alimentate dall’AI vengono utilizzate per lanciare attacchi mirati contro infrastrutture critiche, rubare informazioni sensibili o manipolare sistemi governativi.

Cyberattacchi mirati: gli Stati stanno sviluppando capacità di AI avversaria per compromettere infrastrutture vitali come reti energetiche, sistemi di controllo industriale (ICS) e comunicazioni governative. Ad esempio, algoritmi di machine learning sono impiegati per identificare vulnerabilità in queste infrastrutture e lanciare attacchi mirati che possono destabilizzare intere regioni.

Attacchi coordinati con AI: utilizzando AI avanzata gli Stati possono coordinare attacchi multi-vettore, sincronizzando offensive cibernetiche con altre forme di conflitto (ad esempio, attacchi fisici o disinformazione) per ottenere il massimo impatto. Questo approccio, noto come “guerra ibrida”, si avvale dell’AI per gestire e ottimizzare ogni aspetto dell’attacco in modo più rapido ed efficiente rispetto agli approcci tradizionali.

Spionaggio e sorveglianza alimentati dall’AI

L’AI ha aperto nuove frontiere anche nello spionaggio cibernetico, permettendo agli attori statali di raccogliere e analizzare enormi quantità di dati sensibili in tempi estremamente ridotti nonché di mettere in campo tecniche di sorveglianza sempre più pervasive.

Esfiltrazione di dati su larga scala: gli algoritmi di intelligenza artificiale vengono utilizzati per penetrare reti sicure e rubare dati sensibili senza essere rilevati. L’AI può anche automatizzare l’identificazione dei dati più critici, accelerando l’esfiltrazione e riducendo i tempi di esposizione.

AI e monitoraggio di massa: paesi con regimi autoritari hanno sviluppato sistemi di sorveglianza basati sull’AI per monitorare le comunicazioni e le attività online di grandi gruppi di persone, identificando potenziali dissidenti o minacce alla stabilità del regime. Questi sistemi sfruttano tecniche di apprendimento automatico per analizzare dati provenienti dai social media, telecamere di sicurezza e altre fonti in tempo reale, aumentando notevolmente l’efficacia dello spionaggio.

Sabotaggio digitale e manipolazione delle informazioni

Un altro campo in cui l’AI avversaria sta avendo un impatto significativo è nel sabotaggio digitale e nella manipolazione delle informazioni, due componenti chiave della moderna guerra cibernetica.

AI e disinformazione: l’uso di AI per generare notizie false, deepfake e campagne di disinformazione è diventato una tattica comune, abilitando operazioni mirate a destabilizzare l’opinione pubblica per seminare caos politico e sociale. La capacità dell’AI di produrre contenuti verosimili, come falsi video di leader politici che fanno dichiarazioni inesistenti, ha cambiato il modo in cui la propaganda digitale viene utilizzata nei conflitti globali.

Sabotaggio dei sistemi critici: l’AI viene utilizzata anche per identificare punti deboli nei sistemi critici, come le reti elettriche o le infrastrutture idriche. Sabotare questi sistemi può avere conseguenze catastrofiche, tra cui blackout su larga scala o interruzioni nelle forniture essenziali, arrivando a minare la stabilità economica e sociale di un Paese.

Il futuro del campo di battaglia: AI vs. AI

L’AI sta rapidamente trasformando il panorama della sicurezza informatica: tanto che gli esperti parlano di una vera e propria corsa agli armamenti, che include AI offensive e AI difensive.

Questo capitolo esplorerà come la lotta tra attaccanti che sfruttano l’intelligenza artificiale per lanciare attacchi e i difensori che la usano per contrastarli stia diventando una battaglia sempre più complessa e avanzata.

AI avversaria contro sistemi di difesa AI

L’intelligenza artificiale viene già ampiamente utilizzata per rilevare vulnerabilità e sviluppare strategie di attacco sempre più sofisticate.

Tramite l’AI gli attaccanti possono adattare le loro tecniche in tempo reale, esplorando rapidamente i punti deboli di sistemi difensivi avanzati: questo rende estremamente difficile, per gli strumenti difensivi basati sull’AI, anticipare gli attacchi e rispondere in modo efficace.

La difesa si trasforma in una partita di velocità e adattamento costante, poiché gli attacchi possono essere automatizzati e affinati rapidamente^[6].

Ad esempio, tecniche come gli attacchi di evasione (che abbiamo analizzato in precedenza) stanno diventando sempre più diffuse.

Automazione difensiva: Anomaly Detection e risposta automatica

Sul fronte della difesa, gli sviluppi nell’Anomaly Detection stanno rendendo i sistemi di sicurezza più intelligenti e autonomi.

Utilizzando reti neurali profonde e algoritmi di apprendimento, i sistemi AI sono infatti capaci di analizzare enormi volumi di dati in tempo reale, individuando anomalie che potrebbero indicare un attacco. Ad esempio le difese AI sono ora in grado di rilevare schemi comportamentali insoliti e rispondere autonomamente, bloccando le attività sospette prima che possano arrecare danni significativi^[7].

Tuttavia, c’è ancora una notevole disparità tra le capacità offensive e difensive dell’AI.

Gli attacchi basati sull’AI continuano ad avanzare più rapidamente rispetto alle difese, creando un divario tecnologico che mette a dura prova i team di cybersecurity in tutto il mondo; di conseguenza si richiede una collaborazione continua tra i ricercatori, i governi e le aziende per sviluppare contromisure innovative.

Verso un’AI etica nelle difese cibernetiche

Un concetto emergente è rappresentato dagli attacchi avversari etici (Ethical Adversarial Attacks), in cui gli esperti di sicurezza utilizzano tecniche simili agli attaccanti al fine di testare e rafforzare i sistemi difensivi.

L’idea è di impiegare gli stessi strumenti usati per attaccare i sistemi al fine di migliorarne la sicurezza, rispettando però limiti etici e legali^[8].

Tale strategia non si discosta dall’ormai comune approccio dell’ethical hacking; per quanto efficace, richiede tuttavia ulteriori sforzi per poter colmare un gap che va ampliandosi sempre di più.

Implicazioni etiche e preoccupazioni

La diffusione del ricorso all’intelligenza artificiale nella guerra cibernetica solleva gravi preoccupazioni etiche: è infatti evidente come il potenziale dell’AI di automatizzare attacchi complessi e prendere decisioni senza supervisione umana metta in discussione il ruolo della responsabilità, sul piano sia morale che legale, di questi strumenti.

Il seguente capitolo esplorerà le principali questioni etiche derivanti dall’impiego dell’AI nelle operazioni cibernetiche e militari.

L’autonomia dell’AI nei conflitti cibernetici

Un tema cruciale riguarda il crescente uso di sistemi autonomi nelle operazioni cibernetiche militari.

La possibilità che l’AI prenda decisioni di attacco o difesa in modo autonomo solleva, com’è evidente, seri interrogativi etici: chi è responsabile quando un sistema autonomo causa danni non previsti o prende decisioni moralmente discutibili?

Tali preoccupazioni si amplificano quando si tratta di sistemi di armi autonome, poiché i decisori militari potrebbero essere tentati di delegare a una macchina decisioni di vita o di morte, così eliminando ogni responsabilità umana^[9].

La disinformazione come arma: impatti socio-politici

Con la crescita dell’uso di tecnologie AI (come i già citati deepfake) per la creazione di campagne di disinformazione, la possibilità di manipolare l’opinione pubblica contribuisce a minare la fiducia nei processi democratici, oggi già vacillante in molte nazioni.

Il rischio che i deepfake vengano utilizzati per screditare rappresentanti delle istituzioni, destabilizzare governi o manipolare operazioni elettorali è concreto: ciò rende urgente ed essenziale affrontare queste sfide etiche tramite appropriate regolamentazioni^[10].

Regolamentazione e legislazione internazionale

Per gestire gli effetti legati all’avanzata dell’Intelligenza Artificiale nel settore militare e cibernetico, diventa fondamentale stabilire quadri normativi a livello globale.

Tuttavia, raggiungere un consenso internazionale sulle misure da adottare per regolamentare l’uso dell’AI in guerra è complesso: paesi come Stati Uniti, Cina e Russia stanno sviluppando tecnologie AI per scopi militari e le discussioni su una possibile regolamentazione o messa al bando di queste armi non hanno ancora raggiunto risultati concreti.

Strategie difensive contro l’AI avversaria

Man mano che i sistemi di sicurezza informatica evolvono per affrontare le minacce emergenti, le difese contro l’AI avversaria stanno diventando sempre più sofisticate.

È infatti possibile adottare diversi approcci, sia tecnici sia metodologici, per rendere i sistemi AI più robusti contro attacchi mirati e adattivi.

Costruire sistemi AI resilienti

In questo campo, una delle principali sfide è rendere gli algoritmi di AI resistenti agli attacchi avversari.

Esistono diverse tecniche che possono rafforzare i sistemi AI.

• Addestramento avversario: questo processo comporta l’inserimento di esempi avversari nel set di addestramento dell’AI, in modo che il sistema impari a riconoscere e resistere a manipolazioni future. Aggiungendo dati che simulano attacchi, i modelli diventano più robusti contro le variazioni impreviste.
• Rafforzamento del modello: consiste nell’aggiornamento continuo dei modelli di AI per adattarsi a nuove minacce e migliorare la resistenza agli attacchi. Questo implica tecniche come la regolarizzazione per prevenire l’overfitting, che può rendere un modello vulnerabile a manipolazioni da parte di attori malevoli.
• AI spiegabile (XAI): implementare sistemi di AI “spiegabile” consente agli esseri umani di comprendere meglio il processo decisionale dei modelli AI, aumentando la fiducia nel sistema e facilitando l’identificazione delle vulnerabilità. In particolare, questo approccio aiuta a rilevare manipolazioni sottili nei dati di input che possono essere sfruttate dagli attaccanti.

Approcci ibridi umano-AI

Per quanto i sistemi di AI possano analizzare e reagire rapidamente a grandi quantità di dati, la combinazione di esperienza umana e potenza computazionale dell’AI rappresenta un vantaggio chiave nelle difese cibernetiche.

Gli esseri umani possono infatti rilevare sfumature e anomalie che potrebbero sfuggire all’AI, mentre la macchina può elaborare velocemente vasti dataset e suggerire azioni in tempo reale: l’approccio ibrido consente quindi una gestione più dinamica e resiliente delle minacce poiché, mentre l’AI identifica modelli di attacco su larga scala, l’esperienza umana valuta i rischi strategici e le risposte appropriate.

Intelligence proattiva sulle minacce

L’uso dell’AI per l’intelligence sulle minacce è diventato un pilastro fondamentale nella protezione contro gli attacchi.

Gli algoritmi di machine learning sono infatti in grado di analizzare grandi quantità di dati per prevedere attacchi futuri, consentendo di identificare eventuali vulnerabilità zero-day prima che vengano sfruttate dagli attaccanti.

I sistemi di AI possono scansionare continuamente reti e infrastrutture, identificando comportamenti anomali e prevedendo modelli di attacco: la capacità di prevedere e neutralizzare le minacce prima che si manifestino rende l’intelligence proattiva sulle minacce uno strumento fondamentale nella difesa contro gli attacchi avversari basati su AI.

Conclusioni

L’integrazione dell’intelligenza artificiale nel contesto della guerra cibernetica rappresenta un’autentica rivoluzione nel modo in cui affrontiamo le minacce informatiche.

Se da un lato l’AI offre potenti strumenti per difendere sistemi complessi e predire attacchi, dall’altro pone nuove sfide, soprattutto per quanto riguarda la sua vulnerabilità agli attacchi avversari e le implicazioni etiche del suo utilizzo nelle operazioni militari.

Le tecniche di difesa illustrate, come l’addestramento avversario e il rafforzamento dei modelli AI, mostrano il potenziale per rendere i sistemi più resilienti; ma è evidente che nessuna tecnologia è infallibile. L’approccio ibrido, combinando l’analisi dei dati su larga scala con il giudizio degli specialisti, si sta dimostrando una delle strategie più efficaci per bilanciare l’efficienza delle macchine con l’intuizione umana.

Inoltre, quando si considera l’automazione delle decisioni in ambito militare e cibernetico, gli aspetti etici diventano cruciali.

L’idea che un’intelligenza artificiale possa prendere decisioni fatali, o manipolare la realtà digitale allo scopo di influenzare l’opinione pubblica, solleva importanti domande sul grado di controllo umano che deve essere mantenuto. In tal senso, i sistemi di “AI spiegabile” e l’implementazione di regolamentazioni globali per limitare l’uso non etico dell’AI sono i primi passi verso la creazione di tecnologie più responsabili e sicure.

Nel futuro la vera sfida sarà mantenere il passo con l’evoluzione degli attacchi cibernetici alimentati dall’AI, sviluppando strumenti di difesa altrettanto avanzati senza trascurare i principi etici che devono guidare l’uso di queste tecnologie; per garantire che l’intelligenza artificiale sia utilizzata in modo responsabile e che le potenziali minacce siano gestite in modo efficace sarà fondamentale una costante collaborazione internazionale, insieme a una robusta regolamentazione di settore.

Va infine ricordato che, con l’arrivo imminente del quantum computing, le capacità dell’AI avversaria potrebbero vedere un boost degenerativo senza precedenti.

I computer quantistici promettono di risolvere problemi complessi a una velocità esponenzialmente superiore rispetto agli strumenti tradizionali, consentendo agli attaccanti di eseguire calcoli crittografici, analisi di grandi quantità di dati e simulazioni avanzate in tempi ridotti. Ciò significa che le AI avversarie, potenziate dal quantum computing, potranno facilmente violare crittografie oggi considerate sicure, scansionare e sfruttare vulnerabilità in infrastrutture IT/OT critiche e coordinare attacchi multi-vettore con un’efficienza senza pari.

Il risultato potrebbe essere una corsa agli armamenti tecnologica, dove le difese basate su AI dovranno evolvere a una velocità altrettanto rapida per tenere il passo delle minacce.

Senza soluzioni di sicurezza più robuste, la possibilità di destabilizzare interi settori a rilevanza critica (come quello dei trasporti autonomi o delle reti energetiche) diventerà un rischio concreto nel prossimo futuro, rendendo imperativa la ricerca non solo di nuove tecniche difensive ma anche di soluzioni etiche e regolatorie che sappiano prevenire il caos nel cyberspazio.

In definitiva, il ruolo dell’AI nella guerra cibernetica richiede una riflessione continua sul piano sia tecnologico che evolutivo.

Stiamo varcando una soglia in cui l’innovazione rischia di sfuggire al nostro controllo: la vera sfida non si limiterà allo sviluppo di strumenti sempre più potenti, imponendo altresì di comprendere come poter armonizzare progresso e sicurezza.

È una corsa contro noi stessi, dove il nostro destino digitale sarà scritto non dalla tecnologia che creiamo ma dalla capacità di comprenderne e di gestirne le implicazioni.

L’evoluzione dell’intelligenza artificiale nel panorama della sicurezza cibernetica è un argomento in continua evoluzione che richiede un monitoraggio costante e una comprensione approfondita delle sue implicazioni.

Per una trattazione più dettagliata e un’analisi tecnico-strategica completa di questi temi, ti invitiamo a consultare il Quaderni di Cyber Intelligence #7, dove potrai trovare ulteriori approfondimenti sui meccanismi dell’AI avversaria, case study aggiornati e le più recenti strategie difensive adottate a livello globale.

Articolo a cura di Alessio Garofalo – Technology Executive, Advisor, Autore e Futurista.

Note

[1]Cybercrime To Cost The World $10.5 Trillion Annually By 2025. Cybersecurity Ventures, 2020. AI-powered Malware and Polymorphic Attacks di Evans, A. e Robles, M., Journal of Cybersecurity

[2]AI-powered Malware and Polymorphic Attacks di Evans, A. e Robles, M., Journal of Cybersecurity Research, Vol. 15, 2022.

[3]Advanced Persistent Threats and AI: An Evolution in Cyber Warfare di Smith, J., International Journal of Information Security, Vol. 18, 2021.

[4]The Threat of Deepfake Technology in Cybersecurity di Patterson, B., Cybersecurity & Digital Forensics Review, Vol. 22, 2021

[5]Cyber Warfare and Artificial Intelligence: Emerging Threats to National Security di Thompson, R. e Hughes, K., Defense Technology Journal, Vol. 33, 2022.

[6]Bridging the AI Divide: The Evolving Arms Race Between AI-Driven Cyber Attacks and AI-Powered Cybersecurity Defenses, Waizel G., International Conference on Machine Intelligence & Security for Smart Cities, 2024.

[7]P&S Market Research. Artificial Intelligence (AI) in Cyber Security Market.

[8]The Double-Edged Sword of AI: Ethical Adversarial Attacks. di Springer A. AI and Ethics, 2021.

[9]Schwarz E., “The Ethical Implications of AI in Warfare.” Queen Mary University of London, 2020.

[10]Morgan F., Boudreaux B., Lohn A. et al. “Military Applications of Artificial Intelligence: Ethical Concerns in an Uncertain World”, RAND Corporation, 2020.

https://www.ictsecuritymagazine.com/articoli/ai-avversaria/

Le piccole imprese rappresentano un obiettivo privilegiato per gli attacchi di phishing, manifestando una probabilità tre volte superiore di essere vittime di attacchi mirati rispetto alle grandi aziende. Il phishing rappresenta l’utilizzo di comunicazioni elettroniche convincenti per indurre gli utenti ad aprire collegamenti dannosi o scaricare software malevolo, spesso mascherandosi come fonte fidata quale la propria banca, compagnia di carte di credito o un dirigente aziendale.

Le piccole imprese sono bersagli comuni degli attacchi informatici, avendo registrato nel 2023 un numero superiore di violazioni di dati confermate rispetto alle grandi imprese, con l’82% degli attacchi ransomware del 2021 che ha preso di mira specificamente le piccole e medie imprese. Questo preoccupante scenario richiede l’implementazione di strategie difensive articolate e scientificamente validate.

Riconoscere e bloccare email di phishing

Meccanismi di autenticazione basati su dominio

L’implementazione di protocolli di autenticazione domini rappresenta la prima linea di difesa contro la compromissione delle comunicazioni elettroniche. Il Sender Policy Framework (SPF) costituisce il meccanismo standardizzato attraverso cui il dominio mittente identifica e asserisce i server di posta autorizzati per un determinato dominio.

Il DomainKeys Identified Mail (DKIM) permette al Mail Transfer Agent mittente di apporre una firma digitale crittografica sui header selezionati e sul corpo del messaggio utilizzando una firma RSA, includendo tale firma in un header DKIM che viene allegato al messaggio prima della trasmissione. La validazione della firma assicura al destinatario che il messaggio non abbia subìto modifiche durante il transito.

Il Domain-based Message Authentication, Reporting and Conformance (DMARC) rappresenta l’evoluzione più sofisticata, consentendo ai proprietari di domini mittenti di specificare le politiche relative alla verifica dell’autenticità delle proprie comunicazioni elettroniche e le modalità di gestione delle email che falliscono la verifica.

Implementazione di filtri email avanzati

L’utilizzo di filtri email configurabili può prevenire la maggior parte dei messaggi di phishing dal raggiungere le caselle di posta dei dipendenti. Le tecnologie di sicurezza email possono inoltre implementare meccanismi di autenticazione che verificano l’origine dei messaggi e possono configurare filtri per bloccare comunicazioni non autorizzate.

I filtri avanzati dovrebbero incorporare:

• Analisi euristica dei contenuti: Identificazione di pattern linguistici e strutturali caratteristici del phishing
• Blacklist dinamiche: Utilizzo di servizi terzi quali Spamhaus Project e SORBS per mantenere elenchi aggiornati di mittenti malevoli
• Verifica della reputazione dei domini: Controllo incrociato con database di reputazione per identificare domini compromessi o recentemente registrati

Tecnologie di sandboxing

L’impiego di “detonation chambers” per aprire collegamenti/allegati ai fini della scansione malware, igienizzazione degli allegati, rappresenta una misura essenziale prima della consegna. Questi ambienti isolati permettono l’esecuzione sicura di codice potenzialmente malevolo senza compromettere l’infrastruttura aziendale.

Formazione dei dipendenti sulla sicurezza del phishing

Approcci pedagogici evidence-based

Una forza lavoro adeguatamente formata può imparare a identificare i segni comuni del phishing e prevenire gli attacchi. La ricerca NIST sviluppa la NIST Phish Scale, che consente ai Chief Information Security Officer (CISO) e agli implementatori di training di phishing di valutare più facilmente la difficoltà dei loro esercizi di phishing e spiegare i tassi di click associati.

Con la formazione appropriata e la consapevolezza, la maggior parte degli attacchi di phishing di base possono essere facilmente riconosciuti. Come parte del corso di formazione, è utile utilizzare una varietà di email di phishing note per aiutare le persone a individuare caratteristiche comuni e identificare la truffa.

Metodologie formative diversificate

La ricerca accademica evidenzia l’efficacia di approcci formativi multipli:

Gamification: Gli studi hanno trovato che questo tipo di formazione fa un lavoro fantastico nell’aumentare la partecipazione dei dipendenti e la ritenzione delle informazioni.

Simulazioni di ingegneria sociale: La simulazione di ingegneria sociale è un metodo per testare la consapevolezza di sicurezza degli utenti e la preparazione creando una storia di sfondo fittizia che viene utilizzata per influenzare il comportamento o manipolare qualcuno per fornire informazioni private.

Formazione just-in-time: Se i dipendenti cliccano sui test di phishing, vengono reindirizzati a una pagina di destinazione con una rapida esperienza di formazione, incluso un video breve, divertente ma educativo insieme a suggerimenti su come individuare ed evitare email di phishing in futuro.

Metriche di efficacia

Le simulazioni di phishing ripetute hanno dimostrato di essere un modo utile per aiutare i dipendenti a individuare email malevole e quindi ridurre la loro suscettibilità. Dopo aver completato un anno di formazione di consapevolezza del phishing, la percentuale media di propensione al phish è precipitata dal 37,9% al 4,7%, registrando un incredibile tasso di miglioramento dell’87%.

Autenticazione a più fattori per una maggiore protezione

Limitazioni dell’MFA tradizionale

L’autenticazione a più fattori (MFA) è richiesta e utilizzata su tutti gli account che la offrono? Specialmente gli account che accedono a informazioni sensibili? Stiamo utilizzando MFA resistente al phishing?

Non tutti i tipi di autenticazione a più fattori (MFA) sono creati uguali. L’autenticazione legacy come nomi utente e password può essere facilmente violata, e l’autenticazione basata su mobile come SMS, codici OTP e notifiche push è altamente suscettibile agli attacchi di phishing moderni, malware, SIM swap e attacchi man-in-the-middle (MiTM).

MFA resistente al phishing

L’MFA resistente al phishing è definita dal NIST Special Publication DRAFT 800-63-B4 come “la capacità del protocollo di autenticazione di rilevare e prevenire la divulgazione di segreti di autenticazione e output di autenticatori validi a una parte facente capo a un impostore senza fare affidamento sulla vigilanza dell’abbonato”.

La strategia Zero Trust M-22-09 dell’OMB dalla Casa Bianca descrive specificamente due tecnologie resistenti al phishing: lo standard FIDO2 WebAuthn e le smart card PIV.

Implementazione FIDO2/WebAuthn

FIDO è un insieme di protocolli di autenticazione che utilizza chiavi crittografiche sui dispositivi degli utenti per offrire un modo sicuro e resistente al phishing per autenticare le identità degli utenti – tutto senza password. Questa tecnologia ha consentito a circa 40.000 utenti registrati, alcuni dei quali storicamente richiedevano esenzioni PIV, di accedere alla rete USDA senza introdurre i rischi associati a nomi utente e password.

Vantaggi chiave del FIDO2:

• Eliminazione di segreti condivisi
• Binding crittografico al dominio specifico
• Resistenza agli attacchi di replay
• Supporto per autenticazione senza password

Certificati PIV e PKI

I certificati X.509 possono essere utilizzati per autenticare una (o entrambe) le estremità di una connessione TLS quando SMTP viene eseguito su TLS. S/MIME utilizza anche certificati X.509 per certificare e memorizzare chiavi pubbliche utilizzate per validare firme digitali e crittografare email.

Simulazioni di phishing per testare la consapevolezza

Progettazione efficace delle simulazioni

Le simulazioni di phishing forniscono un metodo pratico e hands-on per i dipendenti per imparare come rilevare i tentativi di phishing. Questa esperienza pratica è spesso più efficace della formazione teorica.

Le simulazioni di phishing dovrebbero essere eseguite ogni trimestre per massimizzare l’impatto dei metodi di formazione di consapevolezza della sicurezza nuovi o migliorati. È importante seguire un approccio non punitivo quando i dipendenti sbagliano; coloro che inavvertitamente cliccano su un collegamento malevolo non dovrebbero essere puniti, ma incoraggiati a segnalare il loro errore.

Metodologie di testing avanzate

Le soluzioni di simulazione di phishing offrono tipicamente le seguenti capacità: minacce cyber realistiche che mirano a replicare vari tipi di minacce di sicurezza informatica che rispecchiano scenari di vita reale, scenari di phishing personalizzabili che le aziende possono adattare per assomigliare a quegli attacchi più probabili di colpire la loro industria o dipartimento.

Componenti essenziali:

• Targeting intelligente: Invio di simulazioni a tutti i dipendenti, dipartimenti specifici, dirigenti o individui frequentemente presi di mira
• Contenuto adattivo: Invio automatico di simulazioni personalizzate ai dipendenti che non sono mai stati testati o che hanno fallito il loro ultimo test
• Misurazione delle prestazioni basata sui dati: Analisi di come individui e gruppi si comportano durante le simulazioni

Reporting e analisi

I report completi con statistiche dettagliate, grafici e risultati dovrebbero includere riassunti a livello esecutivo con panoramiche di alto livello personalizzate per la leadership. L’efficacia organizzativa nelle impostazioni reali su larga scala, in particolare riguardo alla formulazione degli attacchi di phishing (personalizzata versus generale) e come diverse unità aziendali sono state colpite nel tempo, rappresenta un fattore critico.

Integrazione con programmi formativi

L’integrazione del programma di formazione: il software di simulazione di phishing spesso si integra perfettamente in programmi di formazione di sicurezza informatica più ampi. Questo consente un approccio olistico all’apprendimento, dove i dipendenti possono immediatamente praticare le lezioni apprese da altri moduli di formazione in scenari realistici.

Raccomandazioni implementative

Framework di sicurezza strutturato

Il Cybersecurity Framework (CSF) del NIST fornisce una struttura flessibile che si adatta alle esigenze specifiche di ogni organizzazione, indipendentemente dalle dimensioni, dal settore o dal livello di maturità. La guida CSF 2.0: Small Business Quick Start è strutturata in base alle sei funzioni principali del CSF: Governare, Identificare, Proteggere, Rilevare, Rispondere e Recuperare.

Approccio layered alla sicurezza

La protezione efficace contro il phishing richiede un approccio multi-livello che integri:

• Controlli tecnici: Filtri email, autenticazione domini, MFA resistente al phishing
• Controlli amministrativi: Politiche di sicurezza, procedure di risposta agli incidenti
• Controlli fisici: Formazione del personale, simulazioni, consapevolezza organizzativa

Monitoraggio e miglioramento continuo

Secondo USENIX, i dipendenti inizieranno a dimenticare la loro formazione dopo quattro mesi, quindi fornire sessioni di consapevolezza regolari è fondamentale per assicurarsi che le informazioni rimangano fresche nelle loro menti.

L’implementazione di un programma di monitoraggio continuo dovrebbe includere:

• Valutazioni trimestrali delle simulazioni di phishing
• Revisione mensile delle metriche di sicurezza email
• Aggiornamento annuale delle politiche e delle procedure

Innovazioni emergenti e tendenze 2025

Minacce potenziate dall’Intelligenza Artificiale

Il panorama del phishing ha subìto una trasformazione radicale con l’avvento dell’Intelligenza Artificiale generativa. Gli attacchi di phishing potenziati dall’AI utilizzano algoritmi di intelligenza artificiale generativa per creare messaggi di phishing altamente personalizzati e convincenti, analizzando vaste quantità di dati provenienti da social media, siti web aziendali e altre fonti pubbliche per imitare stili e contenuti di comunicazione legittimi.

La ricerca di Hoxhunt ha documentato che nel marzo 2025, gli agenti AI per il phishing mirato sono diventati il 24% più efficaci degli esperti umani, con un miglioramento del 55% nelle prestazioni relative rispetto ai team red umani dal 2023 al 2025. Le statistiche del 2024 rivelano che il 67,4% di tutti gli attacchi di phishing ha utilizzato qualche forma di AI, con un aumento del 4.151% del volume totale di phishing dall’avvento di ChatGPT nel 2022.

Quishing: la minaccia dei codici QR

Il QR Code Phishing o “Quishing” rappresenta una delle evoluzioni più insidiose degli attacchi di phishing. Nel 2025, gli attacchi quishing sono aumentati del 25% anno su anno, rappresentando ora 1 su ogni 8 campagne di raccolta credenziali. Il 90% degli attacchi con codici QR rilevati sono attacchi di phishing per credenziali, spesso collegati a siti web che appaiono legittimi (frequentemente emulazioni di pagine di login Google o Microsoft).

I dati dell’Action Fraud mostrano che le truffe con codici QR sono aumentate di quattordici volte negli ultimi cinque anni, con 1.386 segnalazioni ricevute nel 2024 rispetto a sole 100 nel 2019. La natura particolarmente pericolosa del quishing deriva dalla sua capacità di aggirare i tradizionali sistemi di difesa informatica, operando completamente al di fuori dei perimetri di sicurezza digitali.

Deepfake e Voice Phishing (Vishing)

Il report Global Threat di CrowdStrike del 2025 evidenzia un aumento del 442% negli attacchi di voice phishing (vishing) tra la prima e la seconda metà del 2024, alimentati da tattiche di phishing e impersonificazione generate dall’AI. Nel 2024, un’azienda multinazionale è stata vittima di una truffa deepfake che è costata all’impresa 25 milioni di dollari, dove tutti i partecipanti a una videoconferenza erano deepfake creati utilizzando dati pubblicamente disponibili dai social media.

Biometria comportamentale: la nuova frontiera difensiva

La biometria comportamentale emerge come soluzione innovativa per contrastare le minacce AI-powered. Questa tecnologia utilizza l’intelligenza artificiale per analizzare come gli utenti interagiscono con i sistemi, inclusi pattern di digitazione, movimenti del mouse e modalità di utilizzo del dispositivo, creando un profilo unico per ogni utente e segnalando qualsiasi deviazione che potrebbe indicare una violazione della sicurezza.

La biometria comportamentale può essere compresa come “linguaggio corporeo digitale”, catturando e analizzando distinzioni sottili per stabilire un’impronta digitale unica che i fraudster e le loro macchinazioni trovano quasi impossibile da replicare. Il mercato della biometria comportamentale è previsto raggiungere i 14,00 miliardi di USD entro il 2032, con una crescita guidata dalla crescente domanda di verificazione dell’identità basata sull’AI e rilevamento delle frodi.

Tecnologie di rilevamento AI-powered

Il report di External Threat Intelligence del 2025 di CybelAngel evidenzia che gli strumenti di rilevamento AI integrati sono il modo più efficace per identificare e segnalare tentativi di phishing potenziati dall’AI. Queste soluzioni incorporano:

• Rilevamento di anomalie basato su AI: Monitoraggio continuo dei pattern di comunicazione email per identificare deviazioni sottili
• Algoritmi avanzati di rilevamento dell’offuscamento: Superamento dei limiti dei filtri tradizionali basati su testo
• Analisi comportamentale in tempo reale: Identificazione di pattern non umani nelle interazioni digitali

Conclusioni

La prevenzione del phishing nelle piccole imprese richiede un approccio sistematico e scientificamente fondato che integri tecnologie avanzate, formazione continua del personale e strategie di testing proattive. Con l’emergere di minacce AI-powered, quishing e deepfake, le organizzazioni devono evolvere le proprie strategie difensive incorporando biometria comportamentale, rilevamento di anomalie basato su AI e protocolli di risposta specializzati per minacce correlate all’intelligenza artificiale.

L’implementazione coordinata di autenticazione domini, MFA resistente al phishing, programmi formativi evidence-based, simulazioni regolari e tecnologie di rilevamento AI rappresenta la strategia più efficace per mitigare significativamente il rischio di compromissione nel panorama delle minacce del 2025.

Le evidenze scientifiche dimostrano che un approccio integrato può ridurre la suscettibilità al phishing dall’87% iniziale fino al 4,7%, rappresentando un miglioramento dell’efficacia difensiva di oltre l’87%. Tuttavia, il successo di tali iniziative dipende dall’impegno organizzativo verso l’implementazione sistematica, l’adozione di tecnologie emergenti e il miglioramento continuo delle misure di sicurezza informatica in risposta all’evoluzione del panorama delle minacce.

Bibliografia e fonti utilizzate

https://www.ictsecuritymagazine.com/articoli/phishing-imprese/

L’evoluzione dei modelli linguistici di grandi dimensioni, noti come Large Language Models (LLM^[1]), rappresenta uno dei progressi più significativi nell’ambito dell’intelligenza artificiale. Questi modelli hanno la capacità di comprendere e generare linguaggio umano con un livello di sofisticazione e coerenza mai visto prima, influenzando in modo profondo la nostra vita personale e professionale.

L’impatto degli LLM si estende a molteplici settori: dalla gestione del tempo all’ottimizzazione dei processi aziendali, fino al supporto creativo e alla generazione di contenuti.

Tuttavia, l’adozione su larga scala di queste tecnologie solleva anche una serie di domande e sfide relative alla loro sicurezza, affidabilità, trasparenza ed etica.

In questo contributo esploriamo le potenzialità, i limiti e le implicazioni degli LLM, con un focus particolare sul ruolo della regolamentazione, come l’AI Act dell’Unione Europea, per garantire un uso responsabile e sicuro di questi strumenti.

Quanto può aiutarmi nella vita personale e professionale un LLM?

I Large Language Models (LLM) rappresentano una tecnologia dirompente che può influenzare e migliorare la vita personale e professionale in modi che vanno ben oltre l’automazione di compiti ripetitivi.

A livello personale, un LLM può essere un assistente virtuale capace di fornire supporto in diverse aree, dall’apprendimento continuo alla gestione del tempo e all’organizzazione di attività quotidiane.

Per chi desidera apprendere una nuova lingua un LLM può fungere da tutor linguistico, fornendo esercizi, risposte personalizzate, traduzioni istantanee e spiegazioni contestuali che migliorano la comprensione in tempo reale; la gestione del tempo, un problema comune per molte persone, può essere resa più semplice grazie alla capacità degli LLM di pianificare, creare promemoria e persino suggerire strategie di produttività basate sui tuoi comportamenti e necessità specifiche.

Un LLM può inoltre aiutare ad esplorare nuove idee, ispirare progetti artistici o letterari e persino suggerire metodi innovativi per affrontare problemi personali o professionali.

Sul piano professionale, le capacità di un LLM possono essere sfruttate per ottimizzare numerosi processi lavorativi.

Gli LLM possono semplificare la stesura e revisione di documenti, automatizzare la generazione di report, facilitare l’analisi di grandi quantità di dati e proporre soluzioni a problemi complessi.

Ad esempio un ricercatore può avvalersi di un LLM per analizzare la letteratura scientifica in modo rapido ed efficiente, scoprendo correlazioni e nuovi spunti di ricerca altrimenti difficili da individuare. Un programmatore può delegare agli LLM la scrittura di codice, l’ottimizzazione delle prestazioni e la correzione di bug, accelerando così lo sviluppo del software. Anche nel settore legale un LLM può analizzare rapidamente la giurisprudenza, redigere documenti legali e fornire suggerimenti basati sui precedenti esistenti; tuttavia in questo campo il loro impiego va attentamente valutato, essendosi verificati diversi casi di “allucinazioni” in cui sono state citate pronunce giurisprudenziali inesistenti^[2].

Gli esempi pratici dell’uso degli LLM sono praticamente infiniti. Possono assistere un docente nel definire un programma scolastico, generare esercitazioni interattive per gli studenti, suggerire strategie didattiche basate sull’analisi delle prestazioni e persino fungere da assistente virtuale durante le lezioni.

Anche in ambito artistico, pur senza sostituire l’inventiva umana, un LLM può aiutare un autore a sviluppare trame, generare dialoghi realistici e proporre sviluppi narrativi unici, contribuendo così al processo creativo.

La riduzione del tempo come valore aggiunto

Una delle qualità più apprezzate degli LLM è la loro capacità di ridurre drasticamente il tempo necessario per svolgere attività complesse o ripetitive. Questo vantaggio è particolarmente rilevante in un’epoca in cui la velocità e l’efficienza sono fattori chiave per il successo personale e professionale.

Grazie alla loro capacità di analizzare, sintetizzare e organizzare grandi quantità di dati, gli LLM consentono di evitare ore di ricerche manuali, confronti, catalogazione ed etichettatura. Possono fornire risposte pertinenti in pochi secondi, risparmiando tempo prezioso e migliorando l’efficienza generale.

In un mondo in cui il costo dello spazio per immagazzinare dati sta rapidamente diminuendo, mentre il valore del tempo cresce, la capacità degli LLM di accelerare processi e decisioni ha un impatto diretto sull’efficacia e sulla produttività. Il tempo risparmiato può essere reindirizzato verso attività più significative, come la pianificazione strategica, l’innovazione o il miglioramento continuo delle competenze.

Tuttavia, gli LLM non si limitano a svolgere semplici operazioni di ricerca e recupero delle informazioni; possono trasformare dati grezzi in conoscenza pratica, facilitando il riassunto e l’espansione di documenti complessi, progettando lezioni e percorsi formativi, generando programmi software e offrendo persino consulenza personalizzata su questioni complesse. La capacità di sintetizzare contenuti e adattarli a diversi contesti rende gli LLM strumenti estremamente versatili e potenti.

Apprendimento automatico e NLP in sinergia

Il cuore degli LLM è rappresentato dal machine learning (apprendimento automatico) e dall’elaborazione del linguaggio naturale (Natural Language Processing o NLP). Gli LLM vengono addestrati su enormi quantità di dati provenienti da diverse fonti, che spaziano da libri e articoli scientifici a documenti tecnici e conversazioni.

Durante il processo di addestramento, gli LLM utilizzano reti neurali profonde (deep learning^[3]) per comprendere e generare testo in modo coerente e contestuale. Le reti neurali profonde sono costituite da numerosi strati (layers) che elaborano i dati in modo gerarchico e sempre più complesso, consentendo ai modelli di apprendere rappresentazioni sofisticate e relazioni tra le parole.

L’apprendimento automatico può essere supervisionato, non supervisionato o basato sul rinforzo.

Nell’apprendimento supervisionato, il modello viene addestrato utilizzando dati etichettati, dove ogni esempio ha un input e un output atteso; nell’apprendimento non supervisionato il modello analizza i dati senza etichette, cercando di scoprire autonomamente pattern e relazioni; l’apprendimento basato sul rinforzo, invece, prevede un sistema di ricompense e penalità che guida il modello verso il raggiungimento di obiettivi specifici.

Il deep learning ha trasformato il modo in cui i computer “pensano” e comprendono il linguaggio. Le reti neurali profonde consentono agli LLM di riconoscere modelli complessi nei dati, generare risposte contestualizzate e persino imitare il comportamento umano in determinati contesti. Questo approccio gerarchico e progressivo rende possibile l’analisi di testi complessi, la generazione di contenuti creativi e la comprensione di linguaggi naturali in modo fluido. Approfondimenti sul deep learning sono disponibili in numerose fonti^[4].

Machine learning e complessità computazionale: i limiti degli LLM

Nonostante i notevoli progressi, gli LLM non hanno modificato i fondamenti della complessità computazionale. La tesi di Church-Turing^[5], che definisce ciò che è calcolabile da una macchina, rimane invariata. Gli LLM non hanno spostato il confine tra problemi trattabili (P) e intrattabili (NP).

In altre parole, i modelli non sono in grado di risolvere problemi computazionalmente complessi che non erano già trattabili prima della loro esistenza. Questo punto è fondamentale per comprendere le loro reali capacità e i loro limiti.^[6].

Dopo l’AI winter,^[7] gli LLM possono migliorare l’efficienza di molte operazioni già fattibili, accelerando processi e offrendo risposte rapide e precise. Tuttavia, non sono in grado di sovvertire la complessità intrinseca dei problemi o di rendere trattabili questioni che non lo erano. La loro forza risiede nella capacità di elaborare rapidamente grandi quantità di dati e di offrire soluzioni pratiche, ma non di superare limiti teorici consolidati.

Il momento in cui un LLM riuscirà a modificare la classe di complessità di un qualsivoglia problema – semmai ci riuscirà – sarà epocale. Sinceramente, sono scettico.

La questione dell’intelligenza: è giusto definire “intelligenti” gli LLM?

La definizione di intelligenza è complessa e spesso soggettiva. Gli LLM possono simulare l’intelligenza umana attraverso risposte coerenti e contestualizzate: ma è corretto definirli realmente intelligenti?

L’intelligenza umana è caratterizzata da creatività, innovazione, capacità di risolvere problemi complessi in modo originale e di generare nuove idee. Gli LLM, invece, si basano su dati esistenti e seguono schemi predeterminati. Possono generare contenuti che sembrano creativi, ma che sono sempre derivati dalle informazioni già disponibili nei dati di addestramento.

Questo non significa che gli LLM siano inutili o privi di valore. Al contrario, rappresentano strumenti estremamente potenti per l’automazione di processi, la generazione di contenuti e l’analisi di dati. Tuttavia, è importante non confondere le loro capacità con quelle di un essere umano.

Gli LLM non hanno coscienza, emozioni o etica. Sono strumenti che seguono logiche e modelli statistici, non entità autonome dotate di capacità decisionali.

• LLM negli attacchi

I cybercriminali possono sfruttare gli LLM per condurre attacchi sofisticati e difficili da rilevare. Le principali aree di applicazione malevola includono:

• Phishing e social engineering

Gli LLM eccellono nella comprensione e generazione di linguaggio naturale, il che li rende strumenti formidabili per orchestrare campagne di phishing altamente personalizzate e difficili da riconoscere. Gli attaccanti possono utilizzare gli LLM per creare e-mail, messaggi di testo e comunicazioni che imitano perfettamente lo stile e il tono di colleghi, superiori o aziende fidate, aumentando notevolmente la probabilità che le vittime si fidino e compiano azioni dannose. Questi attacchi sfruttano la capacità degli LLM di adattarsi al contesto e di utilizzare informazioni pubblicamente disponibili per personalizzare i messaggi, facendo riferimento a eventi o progetti specifici che coinvolgono la vittima.

Ad esempio, un attaccante potrebbe chiedere a un LLM di generare un’e-mail apparentemente inviata dal reparto IT dell’azienda della vittima, in cui si richiede un urgente aggiornamento della password aziendale. L’e-mail include riferimenti a politiche di sicurezza interne e un link a un sito di phishing che replica fedelmente la pagina di accesso dell’azienda, aumentando la possibilità di compromettere l’account della vittima.

• Generazione di codice e malware

Gli LLM possono essere utilizzati per scrivere codice exploit e generare varianti di malware in grado di eludere i sistemi di rilevamento tradizionali. Gli attaccanti possono modificare automaticamente il codice malevolo per renderlo più difficile da identificare attraverso strumenti di sicurezza, come antivirus e sistemi di rilevamento basati su firme. Questo rende gli LLM strumenti preziosi per gli attacchi che richiedono la creazione di varianti sempre nuove di codice dannoso.

Ad esempio, gli LLM possono essere utilizzati per generare malware polimorfico che cambia il proprio codice a ogni esecuzione, eludendo i controlli statici e complicando il lavoro di analisi e rilevamento da parte dei professionisti della sicurezza.

• Deepfake e impersonificazione

Combinando gli LLM con modelli di sintesi vocale e video, gli attaccanti possono creare contenuti deepfake estremamente realistici, utilizzabili per ingannare le vittime e condurle a compiere azioni pericolose. Questo approccio può essere sfruttato per impersonare individui di alto profilo, convincendo le vittime a trasferire fondi, condividere informazioni sensibili o concedere accessi privilegiati.

Un attacco che utilizza un deepfake audio potrebbe ad esempio convincere un dipendente a trasferire fondi aziendali, credendo di ricevere una richiesta urgente dal proprio direttore generale.

• Disinformazione

Gli LLM possono essere utilizzati per automatizzare la creazione di contenuti falsi su larga scala, come post sui social media, articoli e recensioni, con l’obiettivo di influenzare l’opinione pubblica, destabilizzare situazioni sociali o distruggere la reputazione di individui e organizzazioni.

Esempio: un gruppo di attaccanti potrebbe generare migliaia di recensioni negative su prodotti o servizi di una specifica azienda, danneggiandone la reputazione e influenzando negativamente la fiducia dei consumatori.

• Evasione dei sistemi di rilevamento

Gli LLM possono creare varianti di input che eludono i sistemi di rilevamento automatico, modificando leggermente il codice o i dati in modo che risultino “invisibili” agli strumenti di sicurezza. Questi attacchi adversarial^[8] (antagonistici) sono progettati per indurre errori nei modelli di rilevamento basati su machine learning, bypassando le difese con input creati ad arte.

Esempio: un attaccante utilizza un LLM per generare una versione modificata di un codice dannoso che sfugge ai controlli dei sistemi di sicurezza tradizionali.

• LLM nella difesa

Gli LLM non sono solo strumenti di attacco; possono anche rappresentare una risorsa fondamentale per la difesa delle infrastrutture digitali e la protezione dei dati.

• Analisi e rilevamento delle cyber-minacce

Gli LLM possono analizzare grandi volumi di dati e log per identificare comportamenti sospetti, anomalie e potenziali attacchi. La loro capacità di apprendimento consente di rilevare schemi complessi che spesso sfuggono ai sistemi tradizionali.

Esempio: un LLM addestrato per analizzare i log di accesso rileva tentativi di accesso non autorizzati a sistemi critici, segnalando comportamenti che si discostano dalla norma.

• Automazione della risposta a Incidenti

Gli LLM possono essere configurati per rispondere automaticamente agli incidenti di sicurezza, riducendo il tempo di reazione e limitando il danno. Ciò è particolarmente utile per affrontare attacchi in tempo reale.

Esempio: quando un attacco ransomware viene rilevato, un LLM può isolare i sistemi infetti, bloccare i processi malevoli e notificare il personale IT.

• Formazione

Gli LLM possono essere utilizzati per simulare attacchi realistici, addestrando il personale a riconoscere e rispondere efficacemente alle minacce.

Esempio: un’azienda utilizza un LLM per generare scenari di phishing che testano la reattività dei dipendenti e migliorano la loro consapevolezza dei rischi.

• LLM nella prevenzione

Gli LLM possono svolgere un ruolo chiave nella prevenzione, anticipando le minacce e proteggendo le organizzazioni.

• Monitoraggio proattivo

Gli LLM possono analizzare fonti di intelligence per prevedere nuove minacce, offrendo un vantaggio strategico. Un LLM potrebbe monitorare forum e dark web per identificare conversazioni su potenziali attacchi, avvisando in anticipo le aziende a rischio.

• Controllo del codice

Gli sviluppatori possono utilizzare gli LLM per controllare il codice in tempo reale, identificando eventuali vulnerabilità durante la fase di sviluppo. Un LLM potrebbe suggerire correzioni per vulnerabilità di sicurezza mentre lo sviluppatore scrive codice per un’applicazione web.

In modo più generico, sebbene non possano prevedere con esattezza specifici attacchi zero-day^[9], gli LLM possono analizzare una vasta gamma di dati per identificare potenziali vulnerabilità e suggerire contromisure. La loro capacità di sintetizzare informazioni provenienti da diverse fonti li rende strumenti preziosi per i team di sicurezza informatica che cercano di prevenire attacchi complessi e persistenti (APT o Advanced Persistent Threats^[10]).

È chiaro che quanto discusso nel paragrafo 6.1 solleva importanti questioni etiche e di sicurezza, che devono essere affrontate per garantire un utilizzo responsabile di queste tecnologie.

La responsabilità nell’uso degli LLM e il ruolo dell’AI Act

Un elemento cruciale per l’adozione sicura e responsabile degli LLM in Europa è rappresentato dal cosiddetto AI Act,^[11] regolamento dell’Unione Europea mirato a disciplinare l’intelligenza artificiale in tutti i suoi aspetti. L’AI Act mira a creare un quadro normativo che garantisca l’uso sicuro, trasparente e conforme dell’AI, riducendo i rischi e proteggendo i diritti dei cittadini europei.

Gli LLM, essendo strumenti di AI avanzati, rientrano pienamente nell’ambito di applicazione dell’AI Act, che classifica le applicazioni di AI in base al livello di rischio che possono comportare.

Le categorie di rischio sono suddivise in rischio minimo, limitato, alto e inaccettabile. Per gli LLM, il livello di rischio dipende dall’uso specifico e dal contesto di applicazione: ad esempio un LLM utilizzato per automatizzare semplici risposte nelle chat aziendali potrebbe essere considerato a rischio limitato, mentre un LLM utilizzato per valutazioni mediche o giuridiche potrebbe rientrare in una categoria a rischio elevato a causa delle implicazioni etiche e sociali.

Requisiti di conformità e trasparenza

Secondo l’AI Act, le applicazioni di AI ad alto rischio devono soddisfare specifici requisiti di trasparenza, sicurezza e robustezza.

Ciò significa che gli LLM destinati a usi critici devono essere sottoposti a valutazioni rigorose, audit e processi di certificazione per garantire che operino in modo equo e sicuro: per esempio, un LLM utilizzato per prendere decisioni automatizzate in ambito finanziario deve essere trasparente circa il modo in cui elabora i dati e le sue logiche decisionali. Questo implica che i fornitori di LLM devono garantire la tracciabilità dei dati di addestramento, la minimizzazione dei bias e la capacità di spiegare le decisioni prese dal modello.

L’AI Act pone anche l’accento sull’importanza della supervisione umana, che rimane un pilastro fondamentale per l’uso degli LLM. Ciò implica che, anche quando gli LLM vengono utilizzati per automatizzare decisioni complesse, il controllo umano deve essere garantito, specialmente in situazioni che possono avere un impatto significativo sui diritti e sulle libertà delle persone.

La supervisione umana riduce il rischio di decisioni discriminatorie o ingiuste derivanti dall’uso di modelli addestrati su dati potenzialmente distorti o incompleti.

Implicazioni etiche e sociali

L’AI Act non si limita agli aspetti tecnici, affrontando anche le implicazioni etiche dell’uso degli LLM.

Gli LLM possono, infatti, amplificare i bias presenti nei dati di addestramento, influenzare la percezione pubblica attraverso la generazione di contenuti e persino essere utilizzati per manipolare informazioni e disinformare il pubblico. L’AI Act prevede quindi misure per contrastare l’uso malevolo dell’IA e per garantire che gli LLM siano progettati e utilizzati in modo responsabile; ciò include la necessità di valutazioni d’impatto etico, che consentano di identificare e mitigare potenziali effetti negativi sulle persone e sulla società.

Inoltre il regolamento incoraggia la trasparenza nei sistemi di AI, compresi gli LLM, attraverso meccanismi come la spiegabilità degli output generati e la possibilità per gli utenti di essere informati quando interagiscono con un sistema di AI. Questo aspetto è particolarmente rilevante per gli LLM, che spesso operano in contesti dove la trasparenza è cruciale per evitare malintesi o l’attribuzione di un’intelligenza umana a ciò che, in realtà, è un algoritmo avanzato.

Sfide e opportunità legate alla regolamentazione degli LLM

L’AI Act rappresenta una sfida per i fornitori di LLM, che devono adattare i propri modelli per soddisfare i requisiti normativi imposti dall’Unione Europea.

Tuttavia, questa sfida può trasformarsi in un’opportunità per garantire maggiore fiducia e sicurezza nell’uso di questi strumenti: la conformità all’AI Act può spingere gli sviluppatori a migliorare la qualità dei dati utilizzati per l’addestramento, ridurre i bias, aumentare la trasparenza e fornire strumenti di audit che consentano un controllo più efficace delle applicazioni di AI.

Gli utenti finali, sia privati che professionali, possono trarre vantaggio da un contesto regolamentato che garantisce l’affidabilità e la sicurezza degli LLM. Ad esempio, un’azienda che utilizza un LLM conforme alle normative europee può essere più sicura dell’affidabilità delle decisioni automatizzate e ridurre il rischio di esposizione a problemi legali o etici.

La regolamentazione offre anche un quadro di protezione per i consumatori, che possono essere sicuri di non subire discriminazioni o trattamenti ingiusti derivanti da decisioni automatizzate.

Il futuro degli LLM nel contesto dell’AI Act

L’AI Act è destinato a plasmare il futuro degli LLM, promuovendo l’adozione di standard elevati di qualità e sicurezza. Questa regolamentazione potrebbe diventare un modello globale per l’uso etico e responsabile dell’AI, stabilendo una base di fiducia tra i cittadini e le tecnologie che interagiscono quotidianamente con loro. Sebbene possa sembrare una sfida per gli sviluppatori di LLM, l’adozione di pratiche etiche e responsabili può portare a una maggiore accettazione e diffusione di queste tecnologie in ambito commerciale e sociale.

Gli LLM rappresentano una straordinaria opportunità per migliorare la nostra vita personale e professionale, ma devono essere utilizzati nel rispetto di normative e principi etici.

L’AI Act fornisce una cornice solida per garantire che gli LLM siano progettati, sviluppati e utilizzati in modo responsabile, con un’attenzione particolare ai diritti fondamentali e alla sicurezza degli utenti. Questo quadro normativo, se applicato correttamente, contribuirà a creare un ambiente in cui l’innovazione tecnologica e la protezione dei diritti umani possano coesistere in armonia.

In conclusione, i Large Language Models (LLM) offrono straordinarie opportunità per migliorare la nostra vita personale e professionale, grazie alla loro capacità di automatizzare processi, generare contenuti e supportare decisioni complesse. È tuttavia essenziale utilizzare questi strumenti con consapevolezza e responsabilità, tenendo conto delle implicazioni etiche, sociali e normative che il loro impiego comporta.

L’AI Act, creando un quadro regolamentare per garantire trasparenza, sicurezza e supervisione, rappresenta un passo cruciale verso un’adozione etica e responsabile degli LLM. Solo attraverso un approccio equilibrato, che bilanci l’innovazione con la protezione dei diritti e la sicurezza, sarà possibile sfruttare appieno il potenziale di queste tecnologie, creando un impatto positivo e duraturo sulla società.

Non temiamo gli LLM: temiamo invece il loro cattivo impiego da parte umana, capendo quanto possiamo attenderci e – soprattutto – come poterlo prevenire.

Per una comprensione completa delle dinamiche di cyber intelligence e delle applicazioni avanzate degli LLM nel contesto della sicurezza informatica, vi invitiamo a consultare il Quaderni di Cyber Intelligence #7, dove potrete approfondire le metodologie di ricerca, i case study pratici e le prospettive future di questa tecnologia rivoluzionaria.

Articolo a cura di Fabrizio d’Amore – Socint

Note

[1] Un LLM è un’AI basata su reti neurali, addestrata su vasti dataset di testo per comprendere e generare linguaggio naturale, utilizzando miliardi di parametri per eseguire compiti come rispondere a domande, tradurre e scrivere testi.

[2]https://www.sistemapenale.it/it/articolo/amidani-chatgpt-bocciato-allesame-di-diritto-processuale

[3] https://en.wikipedia.org/wiki/Deep_learning

[4] Ad es., https://www.deeplearningbook.org/

[5] https://en.wikipedia.org/wiki/Church%E2%80%93Turing_thesis

[6] In termini colloquiali: possono velocizzare ciò che è già veloce.

[7] https://en.wikipedia.org/wiki/AI_winter

[8]Un attacco adversarial è un tipo di attacco in cui un LLM viene ingannato mediante l’introduzione di piccole e spesso impercettibili perturbazioni o modifiche ai dati di input.

L’obiettivo dell’attaccante è alterare il comportamento del modello, portandolo a fare previsioni errate o a prendere decisioni sbagliate. Ad esempio, nel caso di un sistema di riconoscimento delle immagini, un attacco adversarial potrebbe consistere nel modificare leggermente un’immagine in modo che il sistema non la riconosca correttamente, pur rimanendo quasi identica per l’occhio umano.

Questo tipo di attacco è particolarmente rilevante nei contesti di sicurezza informatica e può essere un problema critico per applicazioni che richiedono alta affidabilità, come l’identificazione facciale, la guida autonoma o la diagnosi medica assistita dall’AI.

[9] https://en.wikipedia.org/wiki/Zero-day_vulnerability

[10] https://en.wikipedia.org/wiki/Advanced_persistent_threat

[11] https://www.artificial-intelligence-act.com/

https://www.ictsecuritymagazine.com/articoli/llm/

La crescente sofisticazione degli attacchi informatici richiede un cambio di paradigma nella sicurezza aziendale, rendendo necessarie tecniche di simulazione avanzate e capacità difensive stratificate.

Nel corso della 13a Cyber Crime Conference gli esperti di BIP CyberSec hanno condiviso la loro visione di una cybersecurity realistica e proattiva, offrendo uno spaccato illuminante sulle sfide attuali e le strategie per affrontarle.

L’evoluzione necessaria della cybersecurity

«Oggi per riuscire ad essere efficaci nel contesto della cybersecurity bisogna sicuramente studiare le normative ed essere esperti di architetture tecnologiche; al contempo, però, bisogna anche imparare a ragionare come i cyber criminali», ha spiegato Claudio De Paoli (Equity Partner e responsabile di BIP CyberSec) in apertura dell’intervento.

Questa necessità di pensare come l’avversario rappresenta un cambiamento fondamentale nell’approccio alla sicurezza informatica.

De Paoli ha raccontato come BIP CyberSec abbia saputo costruire un team di professionisti con competenze diversificate che spaziano dal diritto all’ingegneria, includendo molti giovani appassionati di tecnologie, in grado di intuire e replicare le mosse di potenziali attaccanti.

La diversità di competenze e mentalità è, infatti, essenziale per comprendere e contrastare le minacce multidimensionali che le organizzazioni devono affrontare nel mondo attuale.

Tale approccio multidisciplinare si traduce non solo in servizi di consulenza ma anche nello sviluppo di soluzioni difensive, tra cui spiccano tre prodotti innovativi – dedicati rispettivamente all’AI security, alla compliance e al risk management – per rispondere all’esigenza di colmare un gap di innovazione nel contesto italiano.

L’innovazione è quindi perseguita non solo come obiettivo, ma in quanto necessità imperativa per stare al passo con l’evoluzione delle minacce.

Guarda il video completo dell’intervento di Claudio De Paoli, Equity Partner & Head of BIP CyberSec insieme a Bruno Colella Garofalo, Senior Security Competence Lead di BIP CyberSec:

Le nuove frontiere del testing di sicurezza

Bruno Colella Garofalo (Senior Security Competence Lead di BIP CyberSec) ha approfondito aspetti più tecnici, offrendo una panoramica sui test di sicurezza che vanno oltre gli approcci tradizionali.

«Partiamo prima di tutto da un’overview dei test che le aziende possono svolgere per proteggersi, soffermandoci in particolare su quelli meno “classici”» ha affermato Garofalo, evidenziando l’urgenza di espandere l’orizzonte delle verifiche di sicurezza.

[slide] Tra le aree emergenti figura il testing delle intelligenze artificiali, un ambito completamente nuovo che richiede competenze specifiche: «Sono molto diversi rispetto ai test a cui eravamo abituati in passato, poiché per la prima volta ci troviamo davanti a qualcosa che cambia e non risponde sempre allo stesso modo» ha spiegato Garofalo, sottolineando che la natura dinamica e imprevedibile dei sistemi di AI pone sfide inedite per i test di sicurezza.

L’esperto ha evidenziato anche l’importanza di testare dispositivi come ATM e POS, che costituiscono punti vulnerabili troppo spesso sottovalutati.

«Ci è capitato più volte di parlare con responsabili di queste aree che non consideravano utili i test sugli ATM, ritenendoli già protetti da firewall a livello network; ma questa, purtroppo, non può più essere l’unica misura di sicurezza adottata» ha rivelato il relatore, mettendo in luce la pericolosa tendenza delle aziende a fare affidamento su singole misure di protezione.

Ugualmente critici sono i test sui laptop aziendali, che rappresentano uno dei principali vettori di attacco nelle moderne organizzazioni.

«Abbiamo scoperto che uno dei software di terze parti in uso ai dipendenti di una delle più grandi banche italiane era vulnerabile alla privilege escalation, permettendo a un attaccante di ottenere privilegi amministrativi» ha raccontato Garofalo.

Citando anche la persistente tendenza delle persone ad adottare password deboli, il relatore ha quindi esemplificato come vulnerabilità apparentemente minime possano avere conseguenze devastanti.

Il panorama delle minacce in evoluzione

Il 2024 ha visto un profondo cambiamento nelle tattiche degli attaccanti.

Al riguardo Garofalo ha citato l’aumento significativo degli attacchi manuali, in cui «si punta sempre più ad avere una persona dietro la tastiera che analizza l’ambiente ed effettua attacchi mirati, come dimostra l’aumento dello spear phishing potenziato dall’Intelligenza Artificiale».

Questa personalizzazione degli attacchi rappresenta una sfida significativa per i sistemi di difesa automatizzati, richiedendo risposte altrettanto sofisticate e personalizzate.

Particolarmente preoccupante è la tendenza alla specializzazione nel mondo criminale: «abbiamo attaccanti specializzati sull’Initial Access, che quindi hanno il tempo e le competenze per fare ricerca e sviluppare tecniche nuove. In passato una singola persona svolgeva l’intero attacco, mentre ora gli attaccanti cominciano a dividersi nelle varie fasi», ha spiegato Garofalo.

Una sorta di “industrializzazione” del crimine informatico, basata sulla divisione sempre più marcata dei ruoli, che permette ai criminali informatici di perfezionare le proprie tecniche e aumentare l’efficacia dei loro attacchi.

Per quanto riguarda le motivazioni, il quadro è chiaro: «l’86% degli attacchi è motivato finanziariamente» ha precisato l’esperto, aggiungendo che «questo si sposa molto bene col trend dei ransomware. Un terzo dei breach dello scorso anno erano legati a ransomware; perché, a prescindere dal settore attaccato, è un’ottima tecnica per ottenere un riscontro monetario».

Il ransomware continua quindi a rappresentare una delle principali minacce, proprio per la sua versatilità e la capacità di generare profitti immediati.

Le nuove tecniche di attacco

Garofalo ha delineato un allarmante panorama di tecniche emergenti che sfruttano vulnerabilità sia tecnologiche che umane.

Tra queste, il Supply Chain Attack rappresenta una delle più insidiose: «Sebbene sia il meno innovativo tra gli attacchi, è anche uno dei più pericolosi perché rompe la tradizionale simmetria “un breach, una vittima”. Nel momento in cui un attaccante è in grado di colpire un’azienda di consulenza o un fornitore, riesce infatti a compromettere molteplici obiettivi», ha spiegato.

Questa scalabilità degli attacchi provoca un “effetto domino” che ne amplifica enormemente l’impatto, rendendoli particolarmente insidiosi ed efficaci.

Anche una minaccia tradizionale come il phishing sta mostrando di evolvere rapidamente. «Più che via email, oggi osserviamo che il phishing avviene in misura crescente sui social media (pensiamo a LinkedIn o WhatsApp)», ha osservato Garofalo.

Lo spostamento verso piattaforme percepite come più personali aumenta le probabilità di successo degli attacchi, sfruttando la fiducia che gli utenti ripongono in questi canali e nei contatti da essi veicolati.

Il malvertising rappresenta un’altra tecnica in crescita: «Abbiamo visto attaccanti comprare pubblicità su Google affinché il loro malware fosse il primo risultato delle ricerche», ha raccontato l’esperto; una strategia che sfrutta la fiducia degli utenti nei motori di ricerca al fine di distribuire software malevolo.

Particolarmente allarmante è l’utilizzo di deep fake per infiltrarsi nelle organizzazioni, «facendosi assumere in azienda (o anche solo entrando nel processo di selezione) per cominciare a scambiare documenti e infettare i dispositivi» ha spiegato Garofalo.

Questa tecnica, utilizzata soprattutto da attaccanti nordcoreani, sfrutta tecnologie AI per creare false identità credibili; ciò rappresenta una nuova frontiera dell’infiltrazione, permettendo agli attaccanti di ottenere un accesso privilegiato dall’interno dell’organizzazione.

La simulazione come strategia difensiva

Per fronteggiare questo panorama in continua evoluzione, BIP CyberSec propone un approccio basato sulla simulazione realistica degli attacchi.

Come ha sottolineato Garofalo, se gli attaccanti evolvono «è indispensabile fare ricerca, per essere almeno al loro stesso livello». Questo permette di anticipare le mosse degli avversari, sviluppando contromisure efficaci prima che le nuove tecniche diventino di uso comune [slide].

L’esperto ha insistito sull’importanza di effettuare i test in condizioni reali, senza limitazioni che potrebbero alterare i risultati: «è importante che questi test vengano effettuati in produzione, senza disattivare le misure di sicurezza o introdurre altre varianti che rendano lo scenario non realistico», in quanto solo simulazioni autentiche permettono di valutare l’effettiva resilienza dei sistemi.

In particolare, per quanto riguarda i ransomware, Garofalo ha sottolineato la necessità di verificare anche le tecniche distruttive: «è importante verificare, ovviamente in modo controllato, anche tecniche distruttive (come la cancellazione di file) perché spesso le misure presenti non sono efficaci».

Tale verifica permette di identificare potenziali falle nelle difese prima che le stesse vengano sfruttate in un attacco reale.

L’approccio metodologico di BIP CyberSec

La metodologia di BIP CyberSec per la simulazione degli attacchi si articola in cinque fasi fondamentali, tutte orientate a migliorare concretamente la postura di sicurezza delle organizzazioni.

[slide] Si parte dalla creazione di una campagna personalizzata in base allo specifico threat model del cliente, riconoscendo che ogni organizzazione ha un profilo di rischio unico.

Segue la simulazione delle tecniche di attacco più rilevanti per quel contesto, replicando il più fedelmente possibile le tattiche degli attaccanti reali.

La terza fase prevede una valutazione approfondita delle capacità di detection e risposta dell’organizzazione, identificando punti ciechi e ritardi nella reazione. Questo porta naturalmente alla quarta fase, caratterizzata dalla collaborazione con il blue team interno, condividendo conoscenze e best practice; il processo si conclude con un fine-tuning delle regole e dei sistemi di rilevazione, per affinare la capacità di identificare e bloccare attacchi simili in futuro.

Come esempio concreto dell’efficacia di questo approccio, Garofalo ha citato un test condotto presso una delle principali banche europee. «[Simulando un attacco] siamo riusciti a disattivare e potenzialmente disinstallare degli EDR, il che avrebbe portato il blue team a una totale mancanza di visibilità su quanto stava accadendo».

Un risultato allarmante, che evidenzia come anche le difese più avanzate possano essere compromesse se non adeguatamente testate e aggiornate.

La necessità di un approccio stratificato alla cyber difesa

La conclusione che emerge dall’intervento degli esperti BIP CyberSec è che nessuna soluzione di sicurezza, per quanto sofisticata, può essere considerata infallibile.

«Dobbiamo tenere in conto che queste misure possano fallire e ragionare di conseguenza: quindi avere dei controlli, degli health check, per verificare che tutte le soluzioni di sicurezza stiano effettivamente funzionando e – nel caso falliscano – avere un piano B, un piano C, un piano D…», ha concluso Garofalo.

Questo approccio stratificato alla difesa rappresenta un cambiamento fondamentale nella sicurezza informatica, abbandonando il mito della “soluzione perfetta” in favore di una resilienza costruita su molteplici livelli di protezione.

De Paoli ha ribadito l’importanza di questo approccio approfondito, sottolineando che normative recenti come il regolamento DORA prevedono espressamente attività di breach and attack simulation, nonché penetration test di alto livello; l’allineamento tra best practice tecniche e requisiti normativi rappresenta un’importante evoluzione del settore, nel quale è sempre più riconosciuta la necessità di test realistici e approfonditi.

Il vero beneficio derivante dai test condotti con questo livello di dettaglio è «avere una comprensione molto più chiara di quali potrebbero essere i reali casi di attacco». La conoscenza approfondita degli scenari di rischio permette alle organizzazioni sia di reagire efficacemente agli attacchi sia – soprattutto – di anticiparli, implementando misure preventive mirate e riducendo drasticamente la superficie esposta.

In un panorama di minacce in continua evoluzione, dove gli attaccanti diventano sempre più sofisticati e specializzati, la simulazione realistica e il testing approfondito delle difese si rivelano strumenti indispensabili per costruire una cybersecurity efficace.

Basandosi su ricerca continua, simulazione realistica e collaborazione tra red e blue team, l’approccio proposto da BIP CyberSec rappresenta un modello di sicurezza informatica evoluto, in grado di affrontare le sfide attuali e future del cybercrime.

https://www.ictsecuritymagazine.com/articoli/cybersecurity-bip-cybersec/

L’ecosistema digitale contemporaneo presenta un panorama di minacce informatiche sempre più sofisticate e pervasive, rendendo imperativa l’adozione di strategie difensive multilayer per salvaguardare l’integrità, la confidenzialità e la disponibilità degli asset informazionali aziendali. L’Intelligenza Artificiale generativa è emersa come il principale driver degli investimenti in cybersecurity nel 2025, con il 78% delle organizzazioni che riferisce la necessità di rivedere completamente la propria strategia di sicurezza.

Il mercato globale della cybersecurity è proiettato verso una crescita esponenziale, passando da 215 miliardi di dollari nel 2025 a 697 miliardi entro il 2035, con un CAGR dell’11,3%. Questa espansione riflette l’urgenza crescente delle organizzazioni di proteggersi contro un threat landscape in continua evoluzione, caratterizzato dall’emergere di attacchi multi-vettoriali, dall’integrazione di AI nelle tecniche offensive e dall’espansione delle superfici di attacco derivanti dalla trasformazione digitale.

Secondo l’ultimo ENISA Threat Landscape Report, sono state identificate sette minacce primarie: attacchi contro la disponibilità, ransomware, minacce ai dati, malware, social engineering, manipolazione dell’informazione e interferenze, e attacchi alla supply chain. L’approccio alla cybersecurity aziendale deve necessariamente abbracciare una filosofia olistica, integrando componenti tecnologiche, procedurali e umane in un framework coerente e dinamicamente adattabile alle evoluzioni del threat landscape.

Migliori pratiche di sicurezza di rete per PMI

Le piccole e medie imprese costituiscono il tessuto connettivo dell’economia moderna, rappresentando simultaneamente obiettivi privilegiati per i cyber-criminali data la frequente inadeguatezza delle loro difese perimetrali. CompTIA’s 2025 State of Cybersecurity report evidenzia come la cybersecurity sia diventata un imperativo business con considerazioni che coinvolgono tutti i livelli organizzativi.

La definizione di una security policy aziendale rappresenta il prerequisito fondamentale per qualsiasi iniziativa di hardening infrastrutturale. Tale documento deve articolare chiaramente ruoli, responsabilità e procedure operative, stabilendo parametri di accesso granulari e protocolli di gestione degli incidenti. L’adozione del principio del “least privilege” costituisce il cardine dell’architettura autorizzativa, limitando sistematicamente i permessi utente al minimo indispensabile per l’espletamento delle funzioni lavorative.

L’architettura Zero Trust sta guadagnando slancio significativo, con l’81% delle organizzazioni che pianifica di implementarla entro il 2026, spinta da un mercato che dovrebbe raggiungere i 38,37 miliardi di dollari nel 2025. L’autenticazione multi-fattoriale emerge quale baluardo imprescindibile contro le compromissioni credenziali, implementando meccanismi di verifica stratificati che combinano elementi di conoscenza, possesso e inerenza biometrica.

La formazione del personale rappresenta un pilastro strategico spesso sottovalutato, considerando che l’errore umano costituisce il vettore primario di compromissione organizzativa. Con oltre 989.000 attacchi di phishing riportati nel solo Q4 del 2024, i programmi di security awareness mirati devono affrontare tecniche di social engineering avanzate, incluse quelle potenziate dall’AI.

L’implementazione di backup incrementali automatizzati, con replica geograficamente distribuita e test periodici di ripristino, garantisce continuità operativa anche in scenari di compromissione catastrofica. La strategia “3-2-1” (tre copie dei dati, su due supporti diversi, con una conservata offline) rappresenta il gold standard per la protezione informazionale, mitigando efficacemente rischi ransomware e disastri naturali.

Firewall e sistemi di rilevamento delle intrusioni: protezione della rete aziendale avanzata

L’architettura perimetrale moderna trascende il paradigma tradizionale del firewall statico, abbracciando soluzioni Next-Generation Firewall (NGFW) che integrano funzionalità di deep packet inspection, prevenzione delle intrusioni e intelligence sulle minacce. Le organizzazioni stanno adottando sempre più browser sicuri come componente essenziale della loro strategia di sicurezza, con il 2025 identificato come l’anno di adozione su larga scala.

I sistemi di rilevamento delle intrusioni (IDS) e prevenzione (IPS) costituiscono complementi imprescindibili dell’ecosistema difensivo, monitorando continuamente il traffico di rete per identificare pattern anomali e attività malevole. L’approccio ibrido che combina detection basata su signature e analisi comportamentale massimizza l’efficacia rilevativa, riducendo simultaneamente il tasso di falsi positivi attraverso correlazione contestuale degli eventi.

Un trend emergente significativo è l’aumento degli attacchi multi-vettoriali e multi-stage, che rappresentano una delle tendenze più allarmanti nel panorama cybersecurity del 2025. L’implementazione di Web Application Firewall (WAF) specializzati protegge specificamente le applicazioni web-facing da vulnerabilità OWASP Top 10, includendo SQL injection, cross-site scripting e attacchi di inclusion remota.

La gestione centralizzata delle policy attraverso Security Information and Event Management (SIEM) platforms facilita la correlazione cross-platform degli eventi di sicurezza, abilitando risposta automatizzata agli incidenti e forensics post-breach. L’integrazione con threat intelligence feeds arricchisce la capacità predittiva del sistema, anticipando campagne malevole emergenti attraverso indicatori di compromissione aggiornati in tempo reale.

Evoluzione delle minacce post-quantum: L’emergere della crittografia post-quantum comporterà un incremento degli attacchi PQC incorporati nel traffico web criptato, poiché molti prodotti di sicurezza di rete non sono ancora in grado di ispezionare tale traffico. Le organizzazioni devono prepararsi implementando soluzioni in grado di identificare, bloccare e decrittare gli algoritmi post-quantum.

Segmentazione della rete per una maggiore sicurezza

La micro-segmentazione rappresenta l’evoluzione dell’approccio perimetrale tradizionale, implementando controlli granulari di accesso all’interno dell’infrastruttura di rete attraverso Virtual LAN (VLAN), Software-Defined Networking (SDN) e zero-trust architecture. L’architettura zero-trust elimina il concetto di “trusted network”, richiedendo autenticazione e autorizzazione esplicite per ogni richiesta di accesso alle risorse.

Il 2025 vedrà l’adozione diffusa di soluzioni SASE (Secure Access Service Edge) single-vendor, che offrono alle organizzazioni la possibilità di accedere alle applicazioni SaaS fino a 5 volte più velocemente rispetto all’accesso diretto via internet. L’implementazione di Identity and Access Management (IAM) centralizzato facilita l’enforcement di policy granulari, integrando attributi utente, dispositivo e contestuali nella determinazione autorizzativa.

La definizione di zone di sicurezza differenziate attraverso criteri funzionali, di criticità e di conformità regolatoria ottimizza l’allocazione delle risorse protettive. La segregazione del traffico guest, IoT e amministrativo mediante VLAN dedicate e Access Control List (ACL) specifiche minimizza l’esposizione reciproca tra segmenti eterogenei.

Sicurezza delle reti 5G e Edge Computing: Con il continuo rollout delle reti 5G nel 2025, si introducono nuove sfide di cybersecurity caratterizzate da superfici di attacco ampliate, rischi di intercettazione dati e vulnerabilità infrastrutturali. Le organizzazioni devono prioritizzare crittografia robusta, protocolli di autenticazione forti e strumenti di monitoraggio di rete in tempo reale.

L’implementazione di Network Access Control (NAC) automatizza l’applicazione di policy di segmentazione dinamica, quarantenando dispositivi non conformi agli standard di sicurezza aziendale e applicando remediation automatizzata quando possibile. L’integrazione con sistemi di Mobile Device Management (MDM) estende i controlli ai dispositivi BYOD, garantendo compliance continuativa.

Aggiornamenti e patch di sicurezza: come gestirli

La gestione sistematica degli aggiornamenti software rappresenta un aspetto critico della postura di sicurezza aziendale, richiedendo bilanciamento tra urgenza security e stabilità operativa. NIST ha recentemente aggiornato il Privacy Framework 1.1, mantenendo l’allineamento con il Cybersecurity Framework (CSF) 2.0 rilasciato nel febbraio 2024.

Il CSF 2.0 è ora organizzato attorno a sei funzioni chiave: Identify, Protect, Detect, Respond, Recover, e la nuova funzione Govern, che enfatizza la cybersecurity come fonte primaria di rischio aziendale. L’implementazione di Patch Management frameworks strutturati garantisce applicazione tempestiva delle correzioni critiche minimizzando disruption dei servizi business-critical.

La classificazione delle vulnerabilità secondo framework standardizzati (CVSS, EPSS) prioritizza l’intervento correttivo basandosi su exploitability, impatto potenziale e contesto ambientale specifico. L’integrazione con vulnerability scanners automatizzati facilita l’identificazione proattiva delle esposizioni, correlando inventory asset con database di vulnerabilità aggiornati continuamente.

Trend emergenti nel vulnerability management: L’avvento del quantum computing rappresenta una minaccia a lungo termine ma critica, con il 95% dei professionisti che considera l’impatto sui sistemi crittografici come “molto alto”, nonostante solo il 25% delle aziende abbia integrato questa minaccia nella propria strategia di risk management.

L’orchestrazione del deployment attraverso strumenti di Configuration Management (Ansible, Puppet, Chef) garantisce consistenza applicativa across l’infrastruttura eterogenea, riducendo errori manuali e accelerando time-to-remediation. L’implementazione di rollback procedures automatizzate mitiga rischi di instabilità indotta da patch problematiche.

Analisi delle minacce emergenti e trend 2025

Ransomware Evolution e Statistics: Gli attacchi ransomware negli Stati Uniti hanno subito un’impennata drammatica del 149% nei primi cinque settimande del 2025 rispetto allo stesso periodo del 2024, passando da 152 a 378 attacchi documentati. A livello globale, gli attacchi ransomware sono aumentati del 126% nel primo trimestre 2025, con il Nord America che rappresenta il 62% di tutti gli incidenti riportati.

Le tendenze attuali mostrano l’emergere di “EDR killers”, strumenti specificamente progettati per terminare software difensivi, e una crescente cooperazione tra attori nation-state nordcoreani e gruppi ransomware. I pagamenti medi dei riscatti sono aumentati del 500%, passando da 400.000 dollari nel 2023 a 2 milioni nel 2024.

Supply Chain Security: Gli attacchi alla supply chain stanno guadagnando prominenza, con il 15% delle violazioni dei dati nel 2023 che ha coinvolto terze parti o fornitori. L’attacco a Blue Yonder nel 2024, che ha colpito clienti importanti come Starbucks e Morrisons, evidenzia l’effetto moltiplicatore di questi attacchi.

Artificial Intelligence Security: L’AI generativa è diventata la principale preoccupazione percepita tra il 28% dei professionisti della cybersecurity, con l’80% che riporta discussioni regolari sull’AI a livello di board. Gli strumenti AI come ChatGPT possono ora imitare lo stile di scrittura aziendale così accuratamente da rendere difficile distinguere email fraudolente da comunicazioni legittime.

Post-Quantum Cryptography: Mentre MITRE stima che un computer quantistico capace di rompere la crittografia RSA-2048 sia improbabile prima del 2055-2060, l’urgenza della migrazione alla crittografia post-quantum è sottolineata dalle scadenze governative che vanno dal 2025 al 2035. Il World Economic Forum ha sviluppato un framework di governance per i computer quantistici per aiutare le organizzazioni nella transizione verso un’economia quantum-safe.

Multi-Cloud Security Challenges: Gli ambienti multi-cloud complessi, che tipicamente operano attraverso AWS, Azure, GCP e data center privati, complicano la visibilità uniforme delle minacce a causa di configurazioni, log e framework di policy unici per ogni piattaforma.

Raccomandazioni strategiche per il 2025

Implementazione di Cybersecurity-as-a-Service (CaaS): Nel 2025, più aziende si rivolgeranno al CaaS per gestire la crescente complessità della sicurezza interna, evidenziando la necessità di soluzioni scalabili e on-demand per combattere le minacce in evoluzione.

Convergenza IT-OT Security: L’integrazione dei domini di tecnologia operativa (OT) tradizionalmente air-gapped con le reti IT nel contesto dell’Industria 4.0 espone nuove vulnerabilità che richiedono soluzioni specializzate per il monitoraggio end-to-end.

Workforce Management: La carenza di professionisti qualificati rimane una sfida critica, con la forte domanda e i requisiti specialistici che rendono difficile per le aziende riempire ruoli critici in cybersecurity. Nel 2025, più donne entreranno nel campo della cybersecurity, portando nuove prospettive ed esperienze per guidare il cambiamento.

Regulatory Compliance Evolution: NIST ha recentemente pubblicato Special Publication 800-61r3, che fornisce raccomandazioni per l’incident response integrate con il CSF 2.0, e continua a sviluppare profile specifici per settori come la manifattura di semiconduttori.

La governance del processo richiede metriche quantitative di performance (Mean Time To Patch, Patch Coverage Ratio) e reportistica executiva che evidenzi l’evoluzione della postura di sicurezza nel tempo. L’integrazione con risk management frameworks aziendali quantifica l’esposizione residua e guida gli investimenti in cybersecurity verso le aree di maggiore impatto, considerando le minacce emergenti e le tecnologie disruptive che caratterizzeranno il panorama della sicurezza informatica nei prossimi anni.

Fonti

https://www.ictsecuritymagazine.com/articoli/rete-aziendale/

I sistemi IoT rappresentano oggi una delle sfide cybersicurezza più critiche, con oltre 75 miliardi di dispositivi connessi previsti entro il 2025. La proliferazione massiva di questi dispositivi eterogenei ha creato una superficie d’attacco espansa, dove il 50% presenta vulnerabilità immediatamente sfruttabili. Questo articolo analizza le strategie di protezione avanzate per ecosistemi IoT, dall’hardening dei dispositivi alla segmentazione zero-trust, fornendo un framework completo per implementare una sicurezza stratificata efficace nell’era della trasformazione digitale.

L’Internet delle Cose (IoT) ha rivoluzionato paradigmaticamente l’architettura tecnologica contemporanea, introducendo un ecosistema eterogeneo di dispositivi interconnessi che permeano ogni settore dell’attività umana. Il National Institute of Standards and Technology (NIST) ha identificato nella proliferazione massiva dei dispositivi IoT – stimata in 75 miliardi di unità entro il 2025 – una delle sfide cybersicurezze più critiche del prossimo decennio. L’escalation delle vulnerabilità è documentata da statistiche allarmanti: oltre il 50% dei dispositivi IoT presenta vulnerabilità critiche immediatamente sfruttabili, mentre il 60% delle violazioni della sicurezza IoT deriva da firmware non aggiornato.

La complessità intrinseca dell’ecosistema IoT risiede nell’eterogeneità architecturale dei dispositivi, caratterizzati da vincoli computazionali stringenti, protocolli di comunicazione diversificati e cicli di vita prolungati in ambienti spesso inaccessibili per la manutenzione fisica. Questa configurazione crea una superficie d’attacco espansa, dove dispositivi progettati con considerazioni minimali per la sicurezza diventano vettori privilegiati per infiltrazioni non autorizzate e propagazione laterale di minacce.

Il framework cybersicurezza NIST per l’IoT definisce sei attività tecniche fondamentali e tre attività di supporto che devono essere considerate durante l’intero lifecycle della sicurezza del dispositivo: sviluppo software sicuro, identificazione e configurazione del dispositivo, accesso logico alle interfacce, configurazione e gestione del dispositivo, comunicazione sicura e gestione delle vulnerabilità.

Protezione dispositivi IoT: consigli pratici

L’implementazione di una strategia di protezione efficace per i dispositivi IoT richiede l’adozione di un approccio stratificato che integri misure tecniche, organizzative e procedurali. L’hardening dei dispositivi costituisce il primo bastione difensivo, implementando configurazioni sicure note attraverso la disabilitazione di funzionalità e comunicazioni non necessarie.

Configurazione sicura e gestione delle credenziali

La compromissione delle credenziali rappresenta il vettore d’attacco predominante, con un dispositivo IoT su cinque che utilizza ancora password predefinite. Le organizzazioni che implementano autenticazione forte registrano una riduzione del 90% degli incidenti di sicurezza correlati all’IoT. La configurazione sicura deve includere:

• Autenticazione Multifatore (MFA): Implementazione obbligatoria per tutti i dispositivi che supportano tale funzionalità
• Gestione Crittografica delle Identità: Utilizzo di certificati X.509, Trusted Platform Modules (TPM) o identità basate su Hardware Security Module (HSM) per garantire identità uniche, immutabili e crittograficamente verificabili
• Rotazione Automatizzata delle Credenziali: Implementazione di meccanismi di rotazione programmata per prevenire l’utilizzo prolungato di credenziali compromesse

Crittografia e protezione dei dati

La mancanza di crittografia espone i dati sensibili trasmessi dai dispositivi IoT, con le organizzazioni che implementano crittografia end-to-end che riducono i costi delle violazioni in media di 1,4 milioni di dollari. L’implementazione deve contemplare:

• Crittografia in Transito: Utilizzo di protocolli TLS 1.3 per tutte le comunicazioni di rete
• Crittografia a Riposo: Protezione dei dati memorizzati sui dispositivi mediante algoritmi AES-256
• Secure Boot e Attestazione: Validazione dell’integrità del firmware all’avvio mediante meccanismi di secure boot e attestazione del dispositivo

Hardening fisico e ambientale

L’hardening degli endpoint richiede la protezione delle vulnerabilità nelle porte ad alto rischio, come TCP e UDP, nelle connessioni wireless e nelle comunicazioni non crittografate, oltre alla protezione contro l’iniezione di codice malevolo. Le misure includono:

• Sigillatura tamper-evident per prevenire accessi fisici non autorizzati
• Implementazione di sensori ambientali per rilevare alterazioni delle condizioni operative
• Configurazione di meccanismi di auto-distruzione in caso di tentativi di manomissione

Aggiornamenti di sicurezza per dispositivi IoT

La gestione efficace degli aggiornamenti costituisce uno dei pilastri fondamentali della sicurezza IoT, considerando che il firmware non aggiornato rappresenta il 60% delle violazioni della sicurezza IoT secondo il rapporto della IoT Security Foundation.

Architettura Over-The-Air (OTA)

Gli aggiornamenti Over-The-Air rappresentano la metodologia predominante per la distribuzione sicura di aggiornamenti firmware, eliminando la necessità di interventi fisici e garantendo che i dispositivi IoT operino sempre con il software più recente e sicuro. L’implementazione OTA deve includere:

Meccanismi di Sicurezza Crittografica:

• Firma crittografica del firmware per garantire autenticità e integrità degli aggiornamenti
• Protezione anti-rollback per prevenire il downgrade a versioni vulnerabili
• Canali di aggiornamento crittografati con TLS 1.3 per proteggere dalla manipolazione durante il trasferimento

Gestione degli Aggiornamenti Graduali:

• Implementazione di rollout graduali e meccanismi di rollback per minimizzare i fallimenti e prevenire recall costosi
• Validazione dell’integrità post-installazione mediante verifiche hash crittografiche
• Sistema di telemetria per monitorare il successo degli aggiornamenti

Automazione e orchestrazione

L’automazione degli aggiornamenti firmware per dispositivi IoT fornisce sicurezza migliorata garantendo che tutti i dispositivi siano aggiornati con le patch più recenti per vulnerabilità note, riducendo anche i costi operativi e i tempi di inattività associati agli aggiornamenti manuali. I benefici dell’automazione includono:

• Eliminazione dell’errore umano nei processi di aggiornamento
• Riduzione drastica dei tempi di risposta alle vulnerabilità critiche
• Supervisione completa del processo e validazione degli aggiornamenti

Gestione del lifecycle del firmware

Una politica ben strutturata per gli aggiornamenti firmware può fare la differenza nella gestione degli aggiornamenti IoT, delineando regole e procedure volte a garantire che ogni dispositivo IoT sia aggiornato e sicuro. Gli elementi chiave includono:

• Assessment Organizzativo: Catalogazione completa dei dispositivi IoT, dei loro ruoli e della loro criticità operativa
• Definizione degli SLA: Stabilimento di tempi di risposta differenziati basati sulla criticità delle vulnerabilità
• Testing Pre-Produzione: Test degli aggiornamenti in ambiente controllato per rilevare problemi senza compromettere l’intera rete

Segmentazione della rete per isolare i dispositivi IoT La segmentazione di rete costituisce una misura chiave per la sicurezza IoT, con previsioni che indicano una crescita da 7 miliardi di dispositivi IoT nel 2018 a 75 miliardi entro il 2025. L’isolamento strategico dei dispositivi IoT mediante segmentazione previene la propagazione laterale delle minacce e limita l’impatto delle compromissioni.

Architetture di segmentazione avanzate

La microsegmentazione isola dispositivi e applicazioni per prevenire che attaccanti o malware si diffondano attraverso la rete. Molte aziende utilizzano strumenti Network Access Control (NAC) per implementare politiche di sicurezza zero-trust attraverso le loro reti.

Segmentazione basata su VLAN:

• Implementazione di VLAN separate per il traffico IoT (ad esempio, telecamere di sorveglianza, HVAC, dispositivi medici)
• Configurazione di firewall con controllo east-west per limitare l’accesso laterale
• Deployment di Software-Defined Networking (SDN) per segmentazione dinamica basata su postura di rischio e contesto

Modello Purdue per ambienti industriali:

• Applicazione della segmentazione del Modello Purdue (Livelli 0-5) con DMZ e diodi dati negli ambienti ICS/OT
• Isolamento rigoroso tra reti IT e OT con controlli di accesso unidirezionali

Segmentazione Zero-Trust

La segmentazione zero-trust agentless elimina il rischio di movimento laterale all’interno degli ambienti industriali isolando linee di produzione ed endpoint individuali senza aggiungere software. I principi includono:

• Isolamento per Dispositivo: Isolamento di ogni dispositivo in un segmento di uno (utilizzando /32)
• Raggruppamento Automatico: Raggruppamento automatico di dispositivi, utenti e applicazioni per l’enforcement delle politiche
• Controllo Dinamico: Enforcement di politiche dinamiche per il traffico east-west e separazione dei layer IT/OT e Purdue

Segmentazione Targeted per IoT

La segmentazione targeted è una tecnica di segmentazione di rete che utilizza vettori di exploit per raggruppare dispositivi IoT. La segmentazione targeted aggrega per tipo di dispositivo e profilo di rischio della configurazione, consentendo all’organizzazione di implementare mitigazioni del rischio di sicurezza attraverso più tipi di dispositivi e produttori. Questo approccio permette:

• Applicazione precisa di rimedi di sicurezza basati su vettori di attacco comuni
• Monitoraggio focalizzato delle minacce specifiche per categoria di dispositivi
• Riduzione dei costi rispetto alla microsegmentazione tradizionale

Monitoraggio continuo della sicurezza dei dispositivi IoT

Il monitoraggio continuo è essenziale per la cybersicurezza, particolarmente negli ambienti IoT, per identificare e mitigare prontamente le minacce, aiutando a prevenire danni finanziari e reputazionali significativi. Il monitoraggio IoT è definito come la raccolta, strutturazione, analisi e gestione di dispositivi e reti IoT, assicurando sicurezza, prestazioni ed efficienza continua.

Visibilità e Discovery degli Asset

La sicurezza inizia con la visibilità. Gli strumenti NAC tradizionali potrebbero non rilevare dispositivi IoT non standard o headless. L’implementazione deve includere:

Discovery passivo avanzato:

• Implementazione di discovery passivo utilizzando analisi del traffico di rete (Deep Packet Inspection)
• Correlazione con log DHCP, DNS e ARP per costruire mappe dinamiche degli asset
• Utilizzo di machine learning per identificare tipi di dispositivi basati su signature comportamentali

Inventario dinamico:

Mantenimento di un inventario real-time arricchito con metadati dei dispositivi (vendor, OS, versione firmware, protocollo di comunicazione, MAC OUI)

Classificazione e categorizzazione dei dispositivi IoT senza installazione di agenti

Monitoraggio comportamentale e anomalie

Il monitoraggio comportamentale è critico, poiché la rilevazione basata su signature spesso fallisce in ambienti IoT dinamici. L’approccio deve contemplare:

Baseline comportamentale:

• Utilizzo di strumenti NDR consapevoli dell’IoT capaci di analizzare protocolli industriali e proprietari
• Definizione del comportamento normale dei dispositivi (telemetria periodica, intervalli di aggiornamento, chiamate API)
• Rilevazione di deviazioni come richieste DNS anomale, tentativi di esfiltrazione dati o aggiornamenti firmware non autorizzati

Integrazione SIEM/SOAR:

• Integrazione degli alert in pipeline SIEM/SOAR centralizzate per risposta agli incidenti correlata
• Vantaggi del servizio MDR per IoT includono decoder di protocollo per Modbus, BACnet, OPC UA, Zigbee e altro

Threat Intelligence e Detection

Gli strumenti di monitoraggio efficaci dovrebbero fornire osservazione continua di reti ed endpoint per rilevare prontamente le minacce cyber. Sfruttando il machine learning, possono adattarsi a nuove minacce identificando pattern nei dati. Le capacità avanzate includono:

Rilevazione delle minacce real-time:

• Identificazione e gestione immediata degli incidenti di sicurezza mentre si verificano, riducendo drasticamente i danni potenziali
• Supporto per manutenzione predittiva e rilevazione automatizzata dei guasti
• Monitoraggio continuo dei dati delle prestazioni per prevedere e affrontare proattivamente potenziali guasti

Analytics avanzate:

• Applicazione di data analytics per identificare inefficienze e automatizzare aggiustamenti a velocità delle macchine, umidità o workflow
• Implementazione di algoritmi di anomaly detection basati su AI per identificare pattern di attacco sofisticati
• Monitoraggio di tecniche di manipolazione dati, che rappresentano la metodologia d’attacco più comunemente rilevata negli ambienti dei clienti – 3 volte più spesso delle successive minacce più rilevate

Compliance e Reporting

Con regolamentazioni come l’U.S. IoT Cybersecurity Improvement Act e l’EU Cyber Resilience Act, la sicurezza delle reti IoT è un imperativo legale e operativo per le aziende nel 2025. Il monitoraggio deve supportare:

• Audit Trail Completi: Registrazione dettagliata di tutte le interazioni dei dispositivi e flussi dati
• Metriche SLA: Tracciamento di tempi di attività e metriche chiave del servizio
• Reporting Automatizzato: Generazione automatica di report di compliance audit-ready

Conclusioni e prospettive future

La gestione delle vulnerabilità nei sistemi IoT rappresenta una sfida multidimensionale che richiede un approccio olistico e metodologicamente rigoroso. L’efficacia delle misure di sicurezza IoT dipende dall’implementazione di una strategia di sicurezza stratificata radicata in controlli tecnici, architettura risk-driven e monitoraggio continuo.

Le organizzazioni devono adottare framework di sicurezza consolidati, implementare segmentazione di rete avanzata, gestire aggiornamenti firmware in modo automatizzato e implementare monitoraggio comportamentale continuo. Le organizzazioni che implementano framework di sicurezza IoT riducono i rischi di cyberattacco del 60%, mentre quelle che utilizzano segmentazione di rete riducono i costi delle violazioni del 35%.

L’evoluzione tecnologica verso reti 5G e l’integrazione crescente di intelligenza artificiale negli ecosistemi IoT introdurranno nuove opportunità ma anche sfide di sicurezza inedite. IDC prevede circa 41,6 miliardi di dispositivi IoT connessi entro il 2025, e GSMA prevede che il 20% delle connessioni sarà 5G entro lo stesso anno. Questa trasformazione richiederà una continua evoluzione delle strategie di sicurezza, con particolare enfasi su architetture zero-trust native e sistemi di threat intelligence basati su AI.

La sicurezza IoT non rappresenta più un optional tecnologico, ma un imperativo strategico per la continuità operativa e la competitività organizzativa nell’era della trasformazione digitale.

Fonti e riferimenti

https://www.ictsecuritymagazine.com/articoli/sistemi-iot/

L’evoluzione della minaccia cibernetica, unita alla complessità degli attacchi, richiede un approccio sempre più complesso e mutevole.

La necessità di correlare dati e informazioni è divenuta fondamentale per identificare e contrastare rapidamente le attività malevole: in questo contesto, l’Intelligenza Artificiale (AI) emerge come una tecnologia abilitante in grado di ottimizzare la velocità e l’efficacia delle risposte.

La correlazione di dati e informazioni è la base dell’Intelligence, anche nel mondo cibernetico.

Come noto a tutti gli operatori del settore, la Cyber Intelligence si basa sulla correlazione di dati e informazioni provenienti da fonti diverse. Ad esempio il rilevamento di piccoli cambiamenti o anomalie nei dati di rete potrebbe segnalare attività sospette che, se prese singolarmente, potrebbero non avere particolare significato.

Tale correlazione consente di individuare minacce nascoste, spesso dissimulate tra normali flussi di dati. Questo tipo di attività, se affidata all’essere umano, richiede esperienza per entrare nel merito di ogni singolo evento, nonché capacità di rilevare scostamenti minimi negli indicatori. Tutto questo richiede innanzitutto una formazione molto ampia su tematiche che vanno dai processi alle tecnologie e, successivamente, un addestramento continuo nel rilevare anomalie rispetto alle condizioni di funzionamento normalmente chiamate “Standard” o “Regolari”.

Un esempio pratico è il supporto alla ricostruzione in diagrammi della sequenza di azioni eseguite da un programma (aka “file eseguibile”) e di come quest’ultimo si comporti.

I produttori di cybersecurity a livello internazionale stanno sempre più integrando la capacità di reagire dei singoli software antimalware installati su PC e server con i firewall che, a loro volta, cambiano dinamicamente la loro configurazione per bloccare, anche dal punto di vista della rete, le connessioni generate da questi file pericolosi.

Questo tipo di approccio sta diventando sempre di più l’unico vero modello di risposta alla minaccia cibernetica incombente.

Gartner, nota azienda statunitense di analisi strategiche, ha individuato in aziende internazionali come Sophos, Crowdstrike, PaloAlto Networks, SentinelOne e TrendMicro i leader di riferimento nel mercato delle tecnologie di cybersecurity. Ognuna di loro fa uso di Intelligenza Artificiale ormai da qualche anno, partendo dal Machine Learning fino alla Intelligenza Artificiale Generativa. Analizzando questi aspetti anche dal punto di vista dell’Intelligence cibernetica, è chiaro il motivo per il quale i maggiori player siano tutti provenienti dagli Stati Uniti o dai loro alleati.

Attori cinesi di una certa rilevanza, come Sangfor, stanno prendendo piede anche in Italia in quanto la validità tecnologica dei prodotti, unita a prezzi estremamente competitivi, fa sì che i timori dello spionaggio cinese vengano superati dalla necessità di dotarsi di tecnologie valide ed economicamente convenienti.

Nel 2024, Gartner ha pubblicato un’analisi in cui include questo produttore tra le aziende rappresentative nel mercato della Network Detection and Response (NDR).

Un altro caso di interesse per comprendere questo mercato è l’acquisizione da parte di Thoma Bravo (fondo di investimento), per un valore di 5.3 miliardi di dollari, dell’azienda Darktrace, leader nella ricerca di minacce cibernetiche mediante analisi del traffico con AI.

Interazione Intuitiva: parlare all’intelligenza artificiale come a un collega

Un aspetto particolarmente interessante è l’evoluzione dell’AI verso un’interazione quasi “umana”. I professionisti della sicurezza possono fare domande dirette al sistema, simulando un’interazione naturale che facilita il recupero delle informazioni critiche in tempi più rapidi. Questo aumenta la produttività e permette di concentrare l’attenzione su decisioni strategiche, lasciando all’AI il compito di fornire dati accurati e risposte rapide.

Oggi, sapere scrivere dei “prompt” – ovvero porre le domande in modo corretto all’AI – è diventato essenziale: fornire le informazioni di contesto rilevantipuò veramente cambiare la correttezza e la precisione della risposta che otterremo.

L’accelerazione dell’analisi grazie all’ AI permette di reperire nuove nozioni o tecniche rispetto a cui l’operatore di SOC potrebbe non essere ancora perfettamente informato o addestrato a gestire. Ad esempio, in commercio si trovano sempre più soluzioni che permettono di fare intelligence partendo semplicemente da un indirizzo email, un dominio aziendale o un indirizzo IP pubblico, a partire dai quali la moderna AI è in grado di reperire e arricchire informazioni, fornendo un quadro della situazione ad una velocità che un essere umano non potrebbe mai raggiungere.

Questo oggi succede grazie allo sviluppo dei sistemi linguistici di grandi dimensioni, chiamati comunemente Large Language Models o LLM.

I modelli linguistici di grandi dimensioni (LLM) sono una categoria di modelli di fondazione addestrati su immense quantità di dati, capaci di comprendere e generare linguaggio naturale e altri tipi di contenuti per eseguire una vasta gamma di attività.

Gli LLM si sono diffusi grazie al loro ruolo nel portare l’AI generativa all’attenzione pubblica e rappresentano una soluzione che le organizzazioni stanno adottando per varie funzioni e casi d’uso.

Al di fuori del contesto aziendale gli LLM possono essere percepiti come una novità, in parallelo ai recenti sviluppi dell’AI generativa. Aziende come IBM hanno impiegato anni a sviluppare gli LLM per migliorare la comprensione e l’elaborazione del linguaggio naturale (NLU e NLP), sfruttando i progressi nel machine learning, negli algoritmi, nelle reti neurali e nei modelli di trasformazione.

Nel 2023, IBM ha condiviso sul proprio sito il lancio di un fondo da 500 milioni di dollari destinato a startup attive nello sviluppo dell’AI.

Questo tipo di esperienza basata sul linguaggio naturale oggi è alla portata di tutti grazie agli imponenti investimenti nel settore: OpenAI ha ricevuto un miliardo di dollari solo da Microsoft nel 2019, mentre nel 2024 ha completato la raccolta fondi per un valore di 150 miliardi di dollari, come riportato da Business Insider.

Meta (che controlla Facebook, Instagram e Whatsapp) ha dichiarato al mercato che continuerà ad investire nell’AI cifre tra i 35 e 40 miliardi di dollari, come riportato dal quotidiano francese Le Monde il 26 aprile 2024.

Il Fattore Tempo: una risorsa chiave

Chi si occupa di cybersecurity sa bene che il fattore più cruciale in assoluto è uno: il tempo. Spesso, la differenza tra il rilevamento di un’anomalia e la risposta adeguata può essere misurata in frazioni di secondo. Essere tempestivi nel riconoscere e agire su eventi sospetti è essenziale per ridurre l’impatto degli attacchi.

L’AI, con le sue capacità di elaborazione e analisi in tempo reale, può accelerare questo processo fornendo ai professionisti della sicurezza informazioni tempestive e dettagliate. Prima che l’AI si diffondesse così massicciamente, gli operatori dovevano essere focalizzati esclusivamente nel rilevare queste anomalie, oltre ad avere un’elevata preparazione per saper interpretare il significato di ogni singolo evento (e che tipo di rischio questo potesse comportare).

Identificare una minaccia, infatti, può derivare dall’osservazione di elementi non sempre correlati. Il rilevamento di variazioni numeriche anomale – come improvvisi picchi di traffico, accessi inusuali o cambiamenti nella configurazione dei sistemi – potrebbe indicare un potenziale rischio. Se un fenomeno isolato può sembrare insignificante, la sua ripetizione in un breve lasso di tempo può rappresentare una minaccia; paragonandolo alla salute umana, prendere un’aspirina due volte al giorno è sicuro ma dieci volte in un’ora diventa tossico. Lo stesso vale per la cybersecurity: l’AI consente di rilevare schemi ripetitivi che possono segnalare attacchi informatici in corso.

Uno studio condotto dalla School of Computer and Information Sciences presso la University of the Cumberlands, Kentucky (USA) dai professori Meraj Farheen Ansari, Bibhu Dash, Pawankumar Sharma e Nikhitha Yathiraju, pubblicato nel 2022, ha evidenziato come l’AI abbia portato vantaggi importanti nel rilevamento di quanto sopra esposto; ma ha anche introdotto i rischi che devono essere considerati dagli stakeholder, oltre ai costi di sviluppo e mantenimento o al rischio di perdita di posti di lavoro, evidenziando in particolare il rischio di campagne di disinformazione allo scopo di manipolare l’AI Generativa.

D’altra parte, però, rinunciarvi è impossibile. Analizzando i dati pubblicati nel rapporto Clusit 2023, la quantità di attacchi informatici andati a buon fine è senza precedenti: 2.779 incidenti gravi a livello mondiale, con un aumento del 12% rispetto all’anno precedente. In Italia gli attacchi gravi sono stati 310, rappresentando l’11% del totale globale e segnando una crescita del 65% rispetto al 2022. Il rapporto sottolinea che l’81% degli attacchi globali ha avuto una gravità elevata o critica. In Italia, oltre la metà degli attacchi (56%) ha avuto conseguenze di gravità critica o elevata. Rispetto agli ultimi cinque anni, oltre il 47% degli attacchi totali censiti in Italia si è verificato nel 2023.

La guerra ibrida e l’intelligence cibernetica rimangono quindi al centro della scena, obbligando tutti – soggetti pubblici e privati – a dirottare risorse per prevenire le azioni ostili la cui portata è stata appena descritta.

Gli effetti sul mercato

Quanto sinora esposto spiega il motivo dietro agli imponenti investimenti nel settore dell’AI. Il Wall Street Journal ha pubblicato il 19 aprile 2024 dati da cui risulta una crescita del 69% nel primo trimestre del 2024 rispetto a quello precedente, per un totale di 2.7 miliardi.

MarketWatch ha riportato, il 12 settembre 2024, che Mastercard ha annunciato l’acquisizione di Recorded Future per 2.65 miliardi di dollari, con l’obiettivo di migliorare la propria cybersecurity tramite l’AI per prevenire frodi.

Guardando invece all’Italia, nel 2023 il mercato della cybersecurity ha raggiunto un valore record di 2.15 miliardi di euro, con un incremento del 16% rispetto all’anno precedente, come riportato dall’Osservatorio del Politecnico di Milano.

Per i Security Operation Center, l’arricchimento delle informazioni a mezzo AI è un elemento essenziale. Per arricchimento si intende l’individuazione e la raccolta di tutti quei dati strutturati e non disponibili su fonti aperte, che fanno riferimento a uno o più elementi coinvolti nell’oggetto dell’analisi.

Quando un evento sospetto emerge, l’AI può generare approfondimenti e correlazioni su larga scala in tempi record, di fatto agevolando il processo decisionale e la tempestiva risposta a uno o più incidenti simultaneamente. Tutte le tecnologie a cui si è accennato in precedenza forniscono supporto per fare arricchimento delle informazioni.

Inutile dire come lo scambio di informazioni tra pubblico e privato, supportato dall’AI, diventerà ancora più efficace nel campo dell‘Incident Response. Piattaforme note di Open Source Threat Intelligence, come il MISP, supportano la condivisione di queste informazioni di intelligence.

Gli operatori di Cyber Intelligence saranno anche chiamati a trovare il giusto equilibrio per soddisfare quanto previsto dal Regolamento Europeo 1689/2024, noto come AI Act.

Il nuovo AI Act prevede una valutazione del sistema di AI in base ai rischi che esso comporta per la libertà e la dignità delle persone,articolati su quattro livelli:

• Rischio inaccettabile – ad esempio, una “situazione in cui si rende possibile il social scoring di un individuo”;
• Rischio elevato – applicato agli ambiti in cui si devono garantire trasparenza e affidabilità, come il settore sanitario o dell’istruzione;
• Rischio limitato – per i sistemi di AI che potrebbero influire sui diritti degli utenti, sono richieste specifiche misure di trasparenza (ad esempio, i chatbot devono dichiarare chiaramente che sono macchine e non umani);
• Rischio minimo – per i sistemi considerati a basso rischio, come i filtri anti-spam, il regolamento impone poche restrizioni.

Essendo la sicurezza cibernetica un processo trasversale, si prevede che un gran lavoro dovrà essere fatto per limitare i possibili tipi di aggregazione di informazioni, proprio per rendere i sistemi utilizzabili come previsto dalla norma.

Difendersi dall’Adversarial Machine Learning e dalle campagne di disinformazione

L’AI, tuttavia, deve essere impiegata in modo razionale e ponderato per il rischio di Adversary Attack, ovvero veri e propri sabotaggi all’AI.

La capacità di discernere tra informazioni accurate e ingannevoli è cruciale, poiché non sempre le informazioni a disposizione sono al 100% accurate. Questa vera e propria scienza è da tempo oggetto di studio da parte del mondo accademico, per poterne capire in modo profondo i fenomeni e studiare i possibili rimedi. In base a tali studi, il processo di apprendimento risulta oggi essere la parte più vulnerabile.

La buona notizia è che esiste la possibilità di importare nei propri data center reti neurali già addestrate e non soggette a questo genere di attacchi, perché non necessitano di ulteriore addestramento. Le reti neurali di questo tipo non hanno le stesse performance di quelle online, ma sicuramente sono un eccellente supporto in molti processi aziendali.

È tuttavia molto importante evidenziare che in letteratura è già ampiamente documentato come sia possibile svolgere questo tipo di attacchi.

Tra gli attacchi più temuti alle AI figurano Data Poisoning e Data Slow Poisoning: il dott. Johannes Ullrich, ricercatore SANS, nel suo Keynote speech alla conferenza RSA 2021 ha esposto quale sarebbe stato il pericolo per le moderne AI e ML di cui oggi facciamo un massiccio utilizzo.

Il tema è talmente sentito che ci sono corsi universitari dedicati anche in Italia, come quello del prof. Stefano Tomasin, docente all’Università di Padova presso il Dipartimento dell’Ingegneria dell’Informazione. Lo studio delle metodologie di Machine Learning e delle relative tecniche di attacco (Adversarial Machine Learning) permettono di comprendere come, ad esempio nell’esame delle immagini, continui inserimenti di variazioni minime nel modello di apprendimento possano completamente distorcere la capacità di riconoscimento di un sistema.

Il dott. Alex della Vakanski Idaho University espone come le Deep Neural Networks (alla base dell’AI) possano raggiungere risultati eccezionali, ma contestualmente rimangano vulnerabili all’inserimento di piccole perturbazioni che possono stravolgere completamente i risultati. Un esempio di perturbazione è qui sotto riportata:

L’AI come acceleratore di reazione, ma la decisione spetta alle persone

In sintesi, l’AI nella cybersecurity rappresenta un elemento incredibilmente abilitante per la velocità di analisi e reazione. Tuttavia, la decisione ultima spetta sempre all’essere umano. L’AI fornisce dati, analisi e raccomandazioni; ma è il professionista della sicurezza a valutare la situazione nel contesto specifico e a prendere le decisioni finali.

Sarebbe opportuno considerare l’AI come un supporto, le cui informazioni – per quanto possibile – vanno sempre verificate e valutate.

Al fine di poter valorizzare questo progresso tecnologico così importante, sarà sempre più cruciale formare professionisti abili a individuare attacchi di Adversarial AI, prevedendo tutti gli effetti malevoli che ne possono conseguire.

Con i dati attualmente in nostro possesso è più che probabile che continueranno gli investimenti in questo settore, specificamente mirati al campo della Cyber Intelligence e della cybersecurity basata sull’AI.

Per un’analisi completa e dettagliata di tutte le implicazioni, sfide e opportunità dell’intelligenza artificiale applicata alla cyber intelligence, ti invitiamo a consultare il Quaderni di Cyber Intelligence #7, dove potrai trovare approfondimenti tecnici, case study e best practice per implementare efficacemente l’AI nella tua strategia di cybersecurity.

https://www.ictsecuritymagazine.com/articoli/intelligenza-artificiale-cybersecurity/

La vulnerabilità Zip Slip, una minaccia tanto sottile quanto devastante che ha colpito giganti tecnologici come Oracle, Amazon, Google, LinkedIn e Twitter.

Un nemico silenzioso nel mondo digitale

Pensate a quante volte al giorno scaricate, aprite o condividete file ZIP. Documenti di lavoro, foto delle vacanze, software, backup: gli archivi compressi sono diventati parte integrante della nostra vita digitale. Ma cosa succederebbe se vi dicessi che dietro quella innocua icona di una cartella compressa si può nascondere una delle minacce informatiche più subdole e devastanti degli ultimi anni?

La storia che sto per raccontarvi inizia nel 2018, quando un gruppo di ricercatori della società di cybersecurity Snyk ha fatto una scoperta che ha letteralmente scosso il mondo della tecnologia. Hanno identificato una vulnerabilità così semplice nel suo funzionamento, eppure così devastante nelle sue conseguenze, da aver colpito migliaia di progetti software utilizzati quotidianamente da miliardi di persone in tutto il mondo.

Questa vulnerabilità ha un nome che suona quasi innocuo: Zip Slip. Ma non lasciatevi ingannare dalla semplicità del nome. Zip Slip ha la capacità di trasformare un normale file ZIP in uno strumento che può permettere a un attaccante di prendere completamente il controllo del vostro computer, rubare i vostri dati più sensibili o utilizzare il vostro sistema come trampolino di lancio per attacchi ancora più devastanti.

Il meccanismo dell’inganno: come funziona Zip Slip

Per capire come funziona Zip Slip, dobbiamo prima comprendere cosa succede normalmente quando il vostro computer apre un file ZIP. Immaginate il vostro sistema operativo come una grande biblioteca con scaffali ben organizzati. Quando decomprimete un archivio, è come se steste prendendo una scatola di libri e li steste sistemando sullo scaffale giusto.

Normalmente, se la scatola contiene un libro chiamato “Ricette della Nonna”, questo finirà nella sezione cucina della vostra biblioteca digitale.

Ma cosa succederebbe se qualcuno riuscisse a etichettare quel libro in modo ingannevole? Invece di chiamarlo semplicemente “Ricette della Nonna”, lo etichettasse come “../../Sistema/Password/Ricette della Nonna”? Il vostro bibliotecario digitale, seguendo ciecamente l’etichetta, non metterebbe il libro nella sezione cucina, ma seguirebbe il percorso indicato: uscirebbe dalla sezione attuale, risalirebbe di due livelli nella gerarchia della biblioteca, entrerebbe nella sezione Sistema e poi in quella Password, sistemando il libro (che in realtà contiene codice malevolo) in un luogo dove non dovrebbe mai trovarsi.

Questo è esattamente ciò che accade con Zip Slip. Gli attaccanti creano archivi ZIP che contengono file con nomi speciali, che includono quelle che tecnicamente vengono chiamate “sequenze di attraversamento delle directory”. Questi nomi di file contengono simboli come “../” che dicono al sistema operativo: “non mettere questo file dove dovrebbe andare normalmente, ma seguimi mentre navigo fuori dalla cartella sicura verso zone molto più sensibili del sistema”.

Una volta che un file malevolo è riuscito a “scappare” dalla sua opportuna destinazione e a finire in una posizione critica del sistema – come le cartelle che contengono le password degli utenti, i programmi che si avviano automaticamente all’accensione del computer, o i file di configurazione dei servizi più importanti – l’attaccante ha essenzialmente vinto la partita.

La grande rivelazione del 2018: un terremoto nel mondo della tecnologia

Quando i ricercatori di Snyk hanno reso pubblica la loro scoperta il 5 giugno 2018, l’industria tecnologica si è trovata di fronte a una verità sconcertante. Non si trattava di una vulnerabilità che colpiva un singolo software o una specifica azienda. Era un problema sistemico che attraversava praticamente tutto l’ecosistema software moderno.

L’elenco delle aziende e dei progetti colpiti leggeva come un “chi è chi” della tecnologia mondiale. Oracle, il gigante dei database enterprise utilizzati da migliaia di aziende in tutto il mondo, doveva fare i conti con software vulnerabile. Amazon, con la sua vasta infrastruttura cloud che supporta una parte significativa di Internet, aveva componenti a rischio. Google, dalle cui applicazioni dipendono miliardi di utenti quotidianamente, aveva prodotti che necessitavano di correzioni urgenti.

Ma non erano solo i colossi tecnologici a essere colpiti. LinkedIn, dove professionisti di tutto il mondo condividono informazioni sensibili sulla loro carriera, aveva vulnerabilità da correggere. Twitter, la piattaforma dove si svolgono dibattiti globali e si condividono notizie in tempo reale, doveva mettere in sicurezza i suoi sistemi. Anche Alibaba, il gigante dell’e-commerce che gestisce transazioni per miliardi di dollari, si è trovata a dover affrontare il problema.

Quello che rendeva la situazione ancora più preoccupante era la diversità dei contesti colpiti. Non si trattava solo di applicazioni web o software desktop. La vulnerabilità Zip Slip poteva manifestarsi ovunque venissero gestiti archivi compressi: dalle app per smartphone ai sistemi di backup enterprise, dai tool di sviluppo software ai sistemi di gestione dei contenuti.

L’aspetto forse più inquietante di tutta la vicenda era quanto fosse stata sottovalutata questa classe di vulnerabilità. Mentre l’industria si concentrava su minacce più “spettacolari” come gli attacchi di phishing elaborati o i ransomware che cifravano interi data center, Zip Slip operava nell’ombra, sfruttando una funzionalità basilare.

I casi che hanno fatto storia: quando la teoria diventa realtà

JFrog Artifactory: il cuore pulsante dello sviluppo software sotto attacco

Nel 2021, tre anni dopo la grande rivelazione iniziale, il mondo della cybersecurity ha ricevuto un’altra scossa quando il ricercatore italiano Egidio Romano ha scoperto una nuova manifestazione di Zip Slip in un luogo particolarmente critico: JFrog Artifactory.

Per chi non è del settore, Artifactory potrebbe sembrare solo un altro software aziendale, ma in realtà è molto di più. È il sistema che migliaia di aziende utilizzano per gestire e distribuire i componenti software che formano le fondamenta delle applicazioni moderne. È come il deposito centrale di una catena di montaggio globale: se viene compromesso, l’effetto si propaga a cascata su tutto ciò che da esso dipende.

La scoperta di Romano è stata particolarmente elegante dal punto di vista tecnico. Aveva identificato che quando Artifactory processava certi tipi di pacchetti software (chiamati “Bower packages”), non validava correttamente i percorsi dei file contenuti negli archivi. Un attaccante poteva creare un pacchetto malevolo che, una volta processato da Artifactory, avrebbe scritto file in posizioni arbitrarie del server, potenzialmente ottenendo il controllo completo del sistema.

OpenRefine: quando gli strumenti di pulizia hanno bisogno di essere puliti

Nel 2023, un altro caso ha catturato l’attenzione della comunità di cybersecurity, questa volta per le sue implicazioni ironiche. OpenRefine, uno strumento open-source utilizzato da data scientist e analisti per “pulire” e trasformare dataset disordinati, si è rivelato esso stesso bisognoso di una bella pulizia.

La vulnerabilità, catalogata come CVE-2023-37476 con un punteggio di gravità di 7.8 su 10, permetteva agli attaccanti di sfruttare la funzionalità di importazione progetti di OpenRefine per eseguire codice arbitrario sui sistemi delle vittime. L’ironia era palpabile, uno strumento progettato per mettere ordine nei dati poteva essere utilizzato per creare il caos completo nei sistemi che lo ospitavano.

Quello che rendeva questo caso particolarmente preoccupante era il contesto d’uso di OpenRefine. Essendo uno strumento utilizzato principalmente per analizzare dati sensibili – spesso informazioni personali, dati finanziari o intelligence aziendale – una compromissione attraverso Zip Slip poteva avere conseguenze devastanti non solo per il sistema colpito, ma anche per la privacy e la sicurezza dei dati analizzati.

MobSF: il paradosso del guardiano vulnerabile

Il 2024 ha portato con sé quello che molti esperti hanno definito il caso più ironico nella storia delle vulnerabilità Zip Slip. Il Mobile Security Framework (MobSF), uno strumento specializzato nell’identificare vulnerabilità di sicurezza nelle applicazioni mobile, si è rivelato esso stesso vulnerabile a un attacco Zip Slip di gravità critica, con un punteggio CVSS di 9.8 su 10.

L’ironia della situazione era quasi surreale. Immaginate di scoprire che l’allarme antifurto della vostra casa ha una falla che permette ai ladri di disattivarlo facilmente. MobSF era utilizzato da professionisti della cybersecurity, aziende di sviluppo software e ricercatori di sicurezza per analizzare le app mobile e identificare esattamente il tipo di vulnerabilità di cui esso stesso soffriva.

La vulnerabilità permetteva agli attaccanti di creare file di progetto malevoli che, quando importati in MobSF per l’analisi, potevano sovrascrivere file critici del sistema, incluso il database stesso di MobSF, rendendolo inutilizzabile. Ma le possibilità erano molto più sinistre, un attaccante sufficientemente abile poteva utilizzare questa falla per ottenere l’esecuzione completa di codice sui sistemi utilizzati per l’analisi di sicurezza, potenzialmente compromettendo non solo lo strumento, ma anche tutti i dati sensibili delle app analizzate.

HashiCorp go-slug: l’Infrastruttura cloud nel mirino

Il 2025 si è aperto con quella che molti considerano la scoperta più preoccupante degli ultimi anni nel panorama Zip Slip. Il 21 gennaio, HashiCorp ha annunciato la CVE-2025-0377, una vulnerabilità Zip Slip nella loro libreria go-slug, un componente critico dell’ecosistema Terraform utilizzato per gestire l’infrastruttura cloud di migliaia di organizzazioni in tutto il mondo.

Per comprendere la portata di questa scoperta, bisogna capire cosa rappresenta HashiCorp nel panorama tecnologico moderno. Se il cloud computing è il sistema nervoso dell’economia digitale contemporanea, HashiCorp fornisce alcuni dei tool più critici per costruire e gestire questo sistema nervoso. Terraform, il loro prodotto di punta, viene utilizzato da aziende di ogni dimensione per automatizzare la creazione e gestione di infrastrutture cloud complesse.

La libreria go-slug colpita dalla vulnerabilità è responsabile di impacchettare e decomprimere i “slugs”, archivi compressi che contengono le configurazioni Terraform. Quando un’organizzazione distribuisce la propria infrastruttura cloud attraverso Terraform Enterprise, questi slugs viaggiano attraverso la rete, vengono archiviati sui server e poi decompressi per essere processati.

La vulnerabilità permetteva a un attaccante di creare slug malevoli che, quando decompressi, potevano scrivere file in posizioni arbitrarie del sistema, potenzialmente compromettendo non solo il server Terraform, ma anche l’intera infrastruttura cloud che da esso dipendeva. Considerando che una singola installazione Terraform può gestire infrastrutture del valore di milioni di dollari, servendo milioni di utenti, le implicazioni di questa vulnerabilità erano terrificanti.

HashiCorp ha reagito rapidamente, rilasciando la versione corretta 0.16.3 della libreria go-slug, ma il caso ha servito come un potente promemoria di quanto possa essere delicato l’equilibrio su cui si basa la nostra infrastruttura digitale moderna.

Le conseguenze: un effetto a cascata globale

L’impatto immediato: quando i sistemi crollano

Le conseguenze immediate di un attacco Zip Slip possono essere devastanti e multiformi. A differenza di altri tipi di attacchi informatici che spesso hanno obiettivi specifici, Zip Slip offre agli attaccanti una flessibilità terrificante nella scelta di come e dove colpire.

Uno degli scenari più comuni e devastanti è la sovrascrittura di file di sistema critici. Immaginate un attaccante che riesce a sostituire il file che contiene tutte le password degli utenti di un sistema (il famoso file /etc/passwd nei sistemi Unix), oppure che modifica i file di avvio del sistema operativo per eseguire codice malevolo ogni volta che la macchina si riaccende. In alcuni casi documentati, gli attaccanti hanno utilizzato Zip Slip per installare “cron jobs”, compiti automatizzati che il sistema esegue a intervalli regolari, trasformando il computer della vittima in una macchina zombie che esegue silenziosamente le loro istruzioni.

Ma forse ancora più insidioso è l’uso di Zip Slip per compromettere le chiavi SSH, i “pass di accesso” che permettono la connessione remota sicura ai server. Sostituendo o modificando queste chiavi, un attaccante può garantirsi un accesso permanente e difficilmente rilevabile ai sistemi colpiti, creando quello che in gergo viene chiamato un “persistent backdoor”.

L’effetto domino nell’industria software

La rivelazione della vulnerabilità Zip Slip ha scatenato quello che può essere descritto solo come un effetto domino globale nell’industria software. Non si è trattato di correggere singole applicazioni o di aggiornare specifici server. È stata necessaria una revisione sistemica di migliaia di progetti software, molti dei quali erano alla base di sistemi critici utilizzati quotidianamente da milioni di persone.

Le aziende hanno dovuto mobilitare team di sviluppatori per esaminare manualmente il codice legacy, spesso scritto anni prima quando la consapevolezza di questo tipo di vulnerabilità era limitata. Alcune organizzazioni hanno dovuto sospendere temporaneamente servizi per implementare correzioni d’emergenza. Altre hanno dovuto riscrivere completamente intere sezioni di codice che gestivano l’estrazione di archivi.

L’impatto è stato particolarmente severo nell’ecosistema Java, dove la mancanza di una libreria standard sicura per la gestione degli archivi aveva portato alla proliferazione di soluzioni artigianali, molte delle quali vulnerabili. Migliaia di sviluppatori avevano copiato e incollato snippet di codice da forum come StackOverflow senza rendersi conto che stavano introducendo vulnerabilità critiche nei loro progetti.

Il costo economico della negligenza

Anche se è difficile quantificare con precisione l’impatto economico totale di Zip Slip, le stime parlano di centinaia di milioni di dollari in costi diretti e indiretti. Questi includono non solo i costi immediati per correggere la vulnerabilità, come stipendi per sviluppatori, consulenti di sicurezza, testing aggiuntivo, ma anche i costi meno visibili ma spesso più significativi.

Molte aziende hanno dovuto estendere i cicli di sviluppo dei loro prodotti per implementare controlli di sicurezza aggiuntivi. Alcune hanno perso contratti importanti quando i clienti hanno scoperto che i loro sistemi erano vulnerabili. Altre hanno dovuto aumentare significativamente i loro budget per la cybersecurity e stipulare polizze assicurative più costose.

Ma forse il costo più significativo è stato quello reputazionale. In un’era in cui la fiducia digitale è diventata una valuta critica, le aziende che sono state colpite o che hanno tardato a correggere le vulnerabilità hanno visto danneggiata la loro reputazione presso clienti e partner. Alcune hanno perso posizioni competitive che hanno impiegato anni a ricostruire.

L’evoluzione della difesa: come la tecnologia trasforma la sicurezza informatica

La rivoluzione dell’intelligenza artificiale nella cybersecurity

Una delle risposte più innovative alla sfida posta da Zip Slip è arrivata dall’integrazione dell’intelligenza artificiale nei sistemi di sicurezza. Nel 2024 e 2025, abbiamo assistito a un vero e proprio salto quantico nell’efficacia degli strumenti di rilevazione automatica, con sistemi AI che hanno raggiunto un’accuratezza del 98% nell’identificazione delle vulnerabilità di sicurezza.

Questi sistemi non si limitano a cercare pattern conosciuti di codice vulnerabile, ma utilizzano tecniche di machine learning per identificare comportamenti anomali e pattern sospetti che potrebbero indicare tentativi di sfruttamento di Zip Slip. Sono in grado di analizzare in tempo reale il contenuto di archivi compressi, identificando file con nomi sospetti o pattern di directory traversal prima che possano causare danni.

Un esempio particolarmente innovativo è Vulnhuntr, sviluppato da Protect AI utilizzando il large language model Claude 3.5 Sonnet di Anthropic. Questo strumento è stato specificamente progettato per identificare vulnerabilità zero-day nel codice, incluse nuove varianti di Zip Slip che potrebbero sfuggire ai sistemi di rilevazione tradizionali. In test reali, Vulnhuntr ha già identificato vulnerabilità in progetti GitHub che utilizzano API di grandi aziende tecnologiche, dimostrando l’efficacia dell’approccio basato su AI.

L’approccio della containerizzazione e del sandboxing

Un’altra strategia che ha guadagnato popolarità è l’uso di tecnologie di containerizzazione e sandboxing per isolare i processi di estrazione di archivi. Invece di permettere ai programmi di decomprimere direttamente file sul sistema principale, questi vengono eseguiti in ambienti isolati – “sandbox” digitali – dove eventuali tentativi di scrivere file in posizioni non autorizzate vengono bloccati automaticamente.

Docker e altre tecnologie di containerizzazione sono diventate sempre più popolari proprio per questa capacità di creare ambienti isolati. Quando un’applicazione deve processare un archivio potenzialmente pericoloso, viene eseguita all’interno di un container che ha accesso solo alle risorse strettamente necessarie. Anche se un attacco Zip Slip ha successo, il danno rimane confinato all’interno del container, proteggendo il sistema host.

Lo sviluppo di librerie sicure e standardizzate

Una delle lezioni più importanti apprese dalla crisi Zip Slip è stata la necessità di sviluppare e adottare librerie standardizzate e sicure per la gestione degli archivi. Invece di lasciare che ogni sviluppatore reinventi la ruota, l’industria ha iniziato a convergere verso soluzioni centralizzate che incorporano le migliori pratiche di sicurezza.

Queste librerie implementano automaticamente tutti i controlli necessari per prevenire attacchi di path traversal, liberando gli sviluppatori dalla necessità di implementare e mantenere codice di sicurezza complesso. Molte di queste librerie sono ora sottoposte a audit di sicurezza regolari e a testing automatizzato continuo per garantire che rimangano sicure anche di fronte a new varianti di attacco.

Zip Slip nell’era del cloud e dell’AI: nuove sfide, nuove opportunità

La trasformazione del panorama delle minacce

Con la massiccia migrazione verso il cloud computing e l’adozione diffusa di architetture basate su microservizi, la vulnerabilità Zip Slip ha assunto nuove dimensioni e complessità. I sistemi cloud moderni spesso processano migliaia di archivi al minuto, gestendo tutto dai deployment di applicazioni ai backup automatizzati, dalla distribuzione di contenuti multimediali alla sincronizzazione di dati tra data center geograficamente distribuiti.

Questa scala e velocità creano opportunità uniche per gli attaccanti. Un singolo archivio malevolo può essere replicato automaticamente attraverso sistemi di distribuzione globali, potenzialmente compromettendo infrastrutture in continenti diversi in questione di minuti. Allo stesso tempo, la natura effimera di molti servizi cloud – dove server vengono creati e distrutti automaticamente secondo necessità – può rendere difficile rilevare e tracciare attacchi Zip Slip.

L’integrazione con attacchi Multi-Stage

Gli attaccanti moderni raramente utilizzano Zip Slip come attacco isolato. Invece, lo integrano in quello che vengono chiamate “kill chain” o catene di attacco multi-stage. Un attacco tipico potrebbe iniziare con una campagna di phishing che distribuisce archivi compressi malevoli. Una volta che Zip Slip permette l’accesso iniziale al sistema, gli attaccanti utilizzano questo punto d’appoggio per muoversi lateralmente nella rete, escalare privilegi, e infine raggiungere i loro obiettivi principali.

Questa evoluzione ha reso la difesa ancora più complessa, perché non è sufficiente proteggere contro Zip Slip in isolamento. Le organizzazioni devono pensare in termini di difesa in profondità, implementando controlli a multiple livelli che possano rilevare e bloccare attacchi anche quando uno dei livelli viene superato.

La preparazione per l’era quantistica

Guardando al futuro, c’è una dimensione ancora più preoccupante da considerare. Con l’avvicinarsi dell’era dei computer quantistici, che promettono di rendere obsoleti molti degli algoritmi crittografici attuali, vulnerabilità come Zip Slip potrebbero diventare ancora più pericolose.

Gli esperti di sicurezza hanno iniziato a parlare di attacchi “harvest now, decrypt later” – dove gli attaccanti raccolgono oggi dati crittografati con l’intenzione di decifrarli in futuro quando i computer quantistici saranno disponibili. In questo contesto, Zip Slip potrebbe essere utilizzato non solo per compromissioni immediate, ma anche per installare meccanismi di raccolta dati dormienti che potrebbero rimanere nascosti per anni, raccogliendo silenziosamente informazioni che diventeranno vulnerabili nell’era quantistica.

Lezioni apprese e raccomandazioni per il futuro

Per le organizzazioni: la sicurezza come processo continuo

La storia di Zip Slip insegna alle organizzazioni che la sicurezza non può essere vista come un progetto con un inizio e una fine, ma deve essere integrata come un processo continuo in tutte le operazioni IT. Questo significa implementare quello che viene chiamato un “Security Development Lifecycle” (SDLC), dove considerazioni di sicurezza sono integrate in ogni fase dello sviluppo software.

Le organizzazioni più mature hanno iniziato a implementare quello che viene chiamato “shift-left security”, spostando i controlli di sicurezza il più a sinistra possibile nel ciclo di sviluppo. Invece di testare la sicurezza solo prima del deployment, questi controlli vengono integrati negli IDE degli sviluppatori, nei sistemi di controllo versione, nelle pipeline di integrazione continua, e in ogni altro punto dove il codice viene creato o modificato.

Per gli sviluppatori: l’Importanza della formazione continua

Per gli sviluppatori, Zip Slip rappresenta un promemoria potente dell’importanza di rimanere aggiornati sulle minacce di sicurezza e le migliori pratiche. Non è sufficiente sapere come scrivere codice funzionale; nel mondo moderno, ogni sviluppatore deve anche essere un mini-esperto di sicurezza, capace di riconoscere e prevenire vulnerabilità comuni.

Questo richiede un investimento continuo in formazione e aggiornamento. Molte aziende hanno iniziato a richiedere certificazioni di sicurezza per i loro sviluppatori, mentre altre hanno implementato programmi di formazione interni che coprono regolarmente le minacce emergenti e le tecniche di difesa.

Per l’industria: la necessità di collaborazione

A livello industriale, Zip Slip ha evidenziato l’importanza della collaborazione nella cybersecurity. Le minacce moderne sono troppo complesse e sofisticate per essere affrontate da singole organizzazioni operando in isolamento. La condivisione di informazioni sulle minacce, la collaborazione nello sviluppo di standard di sicurezza, e l’investimento collettivo in ricerca e sviluppo di nuove tecnologie di difesa sono diventati non solo vantaggiosi, ma essenziali per la sopravvivenza.

Iniziative come il repository GitHub mantenuto da Snyk, che documenta tutte le librerie e i progetti vulnerabili a Zip Slip, rappresentano esempi eccellenti di come la condivisione aperta di informazioni possa beneficiare l’intera comunità. Questo tipo di trasparenza e collaborazione deve essere espanso e istituzionalizzato per affrontare efficacemente le minacce future.

Riflessioni finali: il futuro della sicurezza in un mondo interconnesso

Mentre guardiamo al futuro, la storia di Zip Slip ci offre lezioni preziose che vanno ben oltre la specifica vulnerabilità tecnica. Ci ricorda che in un mondo sempre più interconnesso e digitale, la sicurezza non è un lusso o un’aggiunta opzionale, ma una necessità fondamentale che deve essere integrata nel DNA di ogni sistema tecnologico.

La persistenza di questa vulnerabilità attraverso gli anni – dalla sua scoperta iniziale nel 2018 fino alle manifestazioni più recenti del 2025 – dimostra che la sicurezza informatica è una sfida in continua evoluzione. Non esistono soluzioni definitive o stati di sicurezza permanenti. Ogni nuovo software, ogni nuova tecnologia, ogni nuovo modo di utilizzare strumenti esistenti può introdurre nuove vulnerabilità o rivelare nuovi modi di sfruttare debolezze già conosciute.

Ma la storia di Zip Slip è anche una storia di resilienza e innovazione. L’industria ha risposto alla sfida con creatività e determinazione, sviluppando nuovi strumenti, nuove metodologie, e nuovi approcci alla sicurezza. L’integrazione dell’intelligenza artificiale nella cybersecurity, lo sviluppo di tecnologie di containerizzazione più sofisticate, e l’evoluzione verso architetture di sicurezza più robuste sono tutte conseguenze positive della lezione imparata da Zip Slip.

Mentre ci muoviamo verso un futuro che includerà computer quantistici, intelligenza artificiale ancora più avanzata, e livelli di interconnessione digitale che oggi possiamo solo immaginare, le lezioni fondamentali di Zip Slip rimangono valide: la semplicità può essere devastante, la vigilanza deve essere costante, e la sicurezza è responsabilità di tutti.

Ogni volta che scarichiamo un file ZIP, ogni volta che un’applicazione processa un archivio, ogni volta che un sistema automatizzato gestisce contenuti compressi, c’è un momento di potenziale vulnerabilità. La differenza tra sicurezza e compromissione spesso risiede in dettagli apparentemente insignificanti, una validazione di percorso non implementata, un controllo di sicurezza saltato per risparmiare tempo, una libreria non aggiornata perché “funzionava già bene così”.

Zip Slip ci insegna che nella cybersecurity, come nella vita, spesso sono le minacce che non vediamo arrivare quelle che possono farci più male. Ma ci insegna anche che con la giusta attenzione, le giuste conoscenze, e il giusto impegno collettivo, anche le minacce più subdole possono essere identificate, comprese, e sconfitte.

La prossima volta che vedrete l’icona di un file ZIP, ricordatevi di questa storia. Quel piccolo simbolo innocuo rappresenta non solo la convenienza della compressione digitale, ma anche la complessità e la responsabilità che vengono con la vita nel mondo digitale moderno. E forse, con questa consapevolezza, saremo tutti un po’ più sicuri.

Fonti:

• Snyk Security Team. “Zip Slip Vulnerability.” Snyk Vulnerability Database, 2018. [Online]. Available: https://security.snyk.io/research/zip-slip-vulnerability. [Accessed: May 2025].
• Snyk Security Team. “Zip Slip Vulnerability – Arbitrary file write through archive extraction.” GitHub Repository, 2018. [Online]. Available: https://github.com/snyk/zip-slip-vulnerability.
• MITRE Corporation. “CWE-22: Improper Limitation of a Pathname to a Restricted Directory (‘Path Traversal’).” Common Weakness Enumeration, 2025. [Online]. Available: https://cwe.mitre.org/data/definitions/22.html.
• National Institute of Standards and Technology. “National Vulnerability Database.” NIST, U.S. Department of Commerce, 2025. [Online]. Available: https://nvd.nist.gov/.
• HashiCorp Inc. “HCSEC-2025-01 – HashiCorp go-slug Vulnerable to Zip Slip Attack.” HashiCorp Security Advisory, Jan. 21, 2025. [Online]. Available: https://discuss.hashicorp.com/t/hcsec-2025-01-hashicorp-go-slug-vulnerable-to-zip-slip-attack/72719.
• GitHub Advisory Database. “HashiCorp go-slug Vulnerable to Zip Slip Attack – CVE-2025-0377.” GitHub Security Advisories, Jan. 28, 2025. [Online]. Available: https://github.com/advisories/GHSA-wpfp-cm49-9m9q.
• SecurityOnline.info. “CVE-2024-43399: Critical Zip Slip Vulnerability Discovered in Mobile Security Framework (MobSF).” Security Online, Aug. 26, 2024. [Online]. Available: https://securityonline.info/cve-2024-43399-critical-zip-slip-vulnerability-discovered-in-mobile-security-framework-mobsf/.
• Guru Baran. “New Zip Slip vulnerability Let Attackers Execute Arbitrary Code Via Path Traversal.” Cybersecurity News, Jun. 25, 2024. [Online]. Available: https://cybersecuritynews.com/new-zip-slip-vulnerability/.
• The Hacker News. “OpenRefine’s Zip Slip Vulnerability Could Let Attackers Execute Malicious Code.” Oct. 2, 2023. [Online]. Available: https://thehackernews.com/2023/10/openrefines-zip-slip-vulnerability.html.
• OWASP Foundation. “Path Traversal.” OWASP Community Pages, 2025. [Online]. Available: https://owasp.org/www-community/attacks/Path_Traversal.
• OWASP Foundation. “16.2 Safe from path traversal.” OWASP Application Security Verification Standard v3.0.0, 2025. [Online]. Available: https://owasp-aasvs.readthedocs.io/en/latest/requirement-16.2.html.
• Google LLC. “Arbitrary file access during archive extraction (Zip Slip) – CodeQL query help.” GitHub CodeQL, 2025. [Online]. Available: https://codeql.github.com/codeql-query-help/go/go-zipslip/.
• Cybersecurity and Infrastructure Security Agency. “Pilot for Artificial Intelligence Enabled Vulnerability Detection.” CISA Resources, 2024. [Online]. Available: https://www.cisa.gov/resources-tools/resources/pilot-artificial-intelligence-enabled-vulnerability-detection.
• Akshaya Asokan. “Researchers Debut AI Tool That Helps Detect Zero-Days.” Bank Info Security, Oct. 21, 2024. [Online]. Available: https://www.bankinfosecurity.com/researchers-debut-ai-tool-that-helps-detect-zero-days-a-26575.
• AnyAPI Team. “AI Cybersecurity in 2025: From Threat Detection to Automated Response.” AnyAPI Blog, Feb. 12, 2025. [Online]. Available: https://anyapi.io/blog/AI-Cybersecurity-in-2025-From-Threat-Detection-to-Automated-Response.
• The Hacker News. “159 CVEs Exploited in Q1 2025 — 28.3% Within 24 Hours of Disclosure.” Apr. 24, 2025. [Online]. Available: https://thehackernews.com/2025/04/159-cves-exploited-in-q1-2025-283.html.
• Google LLC. “Zip Path Traversal.” Android Developers – Privacy and Security, 2023. [Online]. Available: https://developer.android.com/privacy-and-security/risks/zip-path-traversal.
• Go Security Team. “Vulnerability Reports.” Go Packages, 2025. [Online]. Available: https://pkg.go.dev/vuln/list.
• The Hacker News. “‘Zip Slip’ Vulnerability Affects Thousands of Projects Across Many Ecosystems.” Jun. 5, 2018. [Online]. Available: https://thehackernews.com/2018/06/zipslip-vulnerability.html.
• Catalin Cimpanu. “Zip Slip Vulnerability Affects Thousands of Projects Across Multiple Ecosystems.” Bleeping Computer, Jul. 16, 2021. [Online]. Available: https://www.bleepingcomputer.com/news/security/zip-slip-vulnerability-affects-thousands-of-projects-across-multiple-ecosystems/.
• Help Net Security. “Zip Slip vulnerability affects thousands of projects.” Jun. 7, 2018. [Online]. Available: https://www.helpnetsecurity.com/2018/06/05/zip-slip-vulnerability/.
• OX Security. “A Guide to Protect You Against the Zip Slip Attack.” Sep. 30, 2024. [Online]. Available: https://www.ox.security/protecting-against-the-zip-slip-vulnerability-attack/.
• INE Security. “The Zip Slip Vulnerability: Zip Files Slipping under Your Nose!” INE Blog, 2024. [Online]. Available: https://ine.com/blog/the-zip-slip-vulnerability.
• GBHackers. “Zip Slip Vulnerability Let Attacker Import Malicious Code and Execute Arbitrary Code.” Sep. 2, 2024. [Online]. Available: https://gbhackers.com/zip-slip-vulnerability/.
• CVE Program. “CVE – Common Vulnerabilities and Exposures.” MITRE Corporation, sponsored by CISA, 2025. [Online]. Available: https://cve.mitre.org/.

https://www.ictsecuritymagazine.com/articoli/zip-slip-vulnerability/

I ministri delle Comunicazioni dell’Unione europea hanno adottato l’Eu Cyber Blueprint, un nuovo piano per la gestione delle crisi informatiche che fornisce indicazioni per una risposta coordinata a incidenti e attacchi informatici su larga scala, chiarendo ruoli e responsabilità e indicando i criteri per attivare il quadro di gestione delle crisi informatiche a livello Ue. Lo annuncia il Consiglio dell’Unione europea, che riunisce i ministri Ue, in un comunicato.

“Sebbene spetti principalmente agli Stati membri la gestione degli incidenti e delle crisi informatiche, eventi su larga scala possono provocare un livello di discontinuità tale da superare la capacità di risposta nazionale, oppure avere ripercussioni su più Paesi contemporaneamente” e “degenerare in crisi vere e proprie, con effetti sul funzionamento del mercato interno dell’Ue o rischi gravi per la sicurezza pubblica”, sottolinea il documento, evidenziando la necessità di una cooperazione tecnica, operativa e politica per una gestione efficace delle emergenze.

Collaborazione più stretta con la NATO

L’Unione Europea lavorerà in modo più stringente e unito con le forze armate nazionali e l’alleanza difensiva della NATO per rispondere ad attacchi cyber su ampia scala. Lo hanno stabilito i ministri delle telecomunicazioni Ue che si sono riuniti oggi in Lussemburgo per approvare un piano condiviso per la gestione di crisi informatiche mettendo così le basi per una risposta comune e condivisa a grosse minacce cyber.

Dariusz Standerski, ministro polacco per gli affari digitali che ha presieduto la riunione odierna, ha dichiarato a Politico.eu che il suo Paese si trova ad affrontare circa 700 incidenti informatici al giorno. “La Polonia è il Paese più attaccato nell’ambito informatico dell’UE. Tuttavia, non possiamo garantire che gli altri Stati membri non saranno i principali avversari nel prossimo anno. Ecco perché dobbiamo essere preparati insieme”, ha detto.

Il nuovo documento programmatico chiarisce quali istituzioni – a livello tecnico, operativo e politico – reagirebbero ad attacchi su larga scala. Richiede inoltre una maggiore cooperazione con la NATO attraverso l’istituzione di “punti di contatto” in caso di crisi informatica.

“L’aumento delle tensioni geopolitiche, dei conflitti e della rivalità strategica si riflette nell’impatto, nel volume e nella sofisticatezza delle attività informatiche illecite”, si legge nel documento programmatico.

Esercitazioni informatiche a rotazione nella Ue

L’UE ha reso noto che avvierà esercitazioni informatiche a rotazione per addestrare alle simulazioni di crisi, la prima a partire da giugno 2026. Si prevede che queste includeranno il settore privato e la NATO, e potrebbero persino coinvolgere funzionari dei paesi dei Balcani occidentali, della Moldavia e dell’Ucraina.

La risposta dell’Europa alle minacce informatiche “deve … includere un più stretto coordinamento tra attori civili e militari e un ampio approccio orizzontale alla sicurezza informatica”, ha affermato il Ministro danese per la Sicurezza Interna e la Preparazione alle Emergenze, Torsten Schack Pedersen.

Tali attacchi informatici e aggressioni “possono far parte di campagne ibride o operazioni militari. Possono anche avere un impatto diretto sulla sicurezza, l’economia e la società dell’Unione”, secondo il documento programmatico. “Inoltre, presentano un potenziale di ricaduta, in particolare quando queste attività sono rivolte a paesi partner strategici internazionali, come i paesi candidati o quelli limitrofi”, si legge nel documento.

Il documento affronta anche il tema della sicurezza delle comunicazioni, chiedendo alla Commissione europea di proporre una soluzione entro la fine del 2026 e all’UE e ai governi nazionali di elaborare un piano di emergenza per le crisi in cui i normali canali di comunicazione vengono interrotti.

L’aggiornamento del documento, richiesto dalle capitali nazionali nel maggio 2024, era stato originariamente proposto dalla Commissione europea.

Chi fa cosa in caso di crisi su ampia scala

Per identificare concretamente cosa siano gli incidenti su larga scala o le crisi informatiche a livello di Unione, il piano Ue fornisce una chiara spiegazione di quando debba essere attivato il quadro di crisi e quali siano i ruoli delle reti pertinenti a livello di Unione, dei suoi attori e meccanismi (come l’Enisa, l’Agenzia dell’Ue per la sicurezza informatica, o EU-CyCLONe, la rete europea di collegamento per le crisi informatiche). Il testo sottolinea inoltre l’importanza del coordinamento della comunicazione pubblica prima, durante e dopo gli incidenti di crisi. Il piano sottolinea infine l’importanza della cooperazione civile-militare nel contesto della gestione delle crisi informatiche, anche con la Nato, attraverso meccanismi di condivisione delle informazioni potenziati ove possibile e quando necessario.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/cybersecurity-ministri-ue-adottano-piano-comune-per-gestire-attacchi-cyber/534146/

• Il primo azionista di Ferretti è il gigante cinese Weichai. Nel 2024 cimici e materiale per l’intercettazione ambientale trovato negli uffici di tre manager cinesi a Milano. La loro denuncia in Procura
• La conferma della società: noi parte lesa. Il nodo golden power e le presunte tensioni tra manager italiani e cinesi
  Questa è una storia di spionaggio e finanza internazionale che ha coinvolto una delle più importanti aziende al mondo di yacht di lusso, l’Italiana Ferretti, e il suo primo azionista, il gigante industriale cinese Weichai. Una storia che Bloomberg è in grado di raccontare in esclusiva dopo un’indagine giornalistica durata quasi due mesi, basata su fonti qualificate.

Milano centro, inizio Aprile 2024, via Manzoni. Dall’androne di un palazzo elegante un uomo guadagna veloce l’uscita. Si chiama Xu Xinyu ed è uno dei top manager della Ferretti, società quotata a Milano e Hong Kong, che proprio qui ha i suoi uffici meneghini.

Xu è spaventato. Dall’altro lato della strada c’è ancora lo stesso SUV nero con dentro gli stessi uomini che da alcuni giorni sostano davanti al civico della Ferretti. Xu è convinto che qualcuno lo stia controllando. I sospetti diventano realtà quando, pochi giorni dopo, arruolerà un’azienda di contro-sorveglianza per bonificare il suo ufficio, così come le stanze del segretario del consiglio di amministrazione della Ferretti e del traduttore del gruppo. Tutti manager di nazionalità cinese.

Nascoste nella sua scrivania e nelle prese della corrente dei loro uffici verranno trovate cimici per l’intercettazione ambientale, insieme con un router wi-fi e molto altro materiale per “spiare”. Chi c’era dall’altro capo del “filo”? Chi voleva ascoltare i tre manager cinesi della Ferretti?

La conferma di Ferretti a Bloomberg sul caso di spionaggio, con una nuova denuncia alla Procura nel gennaio 2025. “Noi parte lesa,” dice un portavoce. Sullo sfondo le presunte tensioni tra i consiglieri cinesi di Ferretti e l’amministratore delegato Alberto Galassi. Che replica, insieme al nuovo presidente cinese: “Nessuna tensione, rapporti sempre sereni”.

Una storia scritta da Daniele Lepido con l’editing di Peter Guest, che ha visto la collaborazione in Italia di Chiara Albanese e Tommaso Ebhard, di Edward Evans da Londra e Zachary Mider da New York.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/italia-cina-caso-di-spionaggio-per-gli-yacht-ferretti/534123/