Nel cuore dell’innovazione tecnologica europea, la Quantum Cybersecurity emerge come elemento cruciale per proteggere le infrastrutture digitali del continente dalle minacce dei computer quantistici, capaci di decifrare i sistemi crittografici tradizionali e compromettere la sicurezza dei dati sensibili.

La rapida evoluzione delle tecnologie quantistiche stanno creando nuove sfide significative per la sicurezza delle comunicazioni digitali. In particolare, l’avvento dei computer quantistici minaccia di compromettere i sistemi crittografici attualmente in uso, rendendo vulnerabili dati sensibili e infrastrutture critiche. Un recente studio suggerisce che entro il 2026 esiste una probabilità del 14% che i computer quantistici riescano a violare i sistemi crittografici più diffusi, percentuale che potrebbe salire al 50% entro il 2031, con implicazioni devastanti per la sicurezza informatica.

L’impatto rivoluzionario della computazione quantistica sulla sicurezza digitale

Nel panorama delle minacce alla cybersecurity, la computazione quantistica rappresenta una sfida unica e particolarmente insidiosa. A differenza dei tradizionali attacchi informatici, dove le vulnerabilità scoperte possono essere corrette con patch o aggiornamenti, l’impatto del quantum computing sulla crittografia è fondamentale e richiede anni di preparazione per implementare contromisure efficaci. La peculiarità dei computer quantistici risiede nella loro capacità di manipolare bit quantistici (qubit) che possono esistere simultaneamente in stati 0 e 1, permettendo di esplorare molteplici configurazioni contemporaneamente.

Questa caratteristica rivoluzionaria non rappresenta semplicemente un incremento di velocità computazionale, ma un cambio di paradigma che richiede lo sviluppo di una nuova “immunità cibernetica” basata su crittografia quantum-safe e protocolli di comunicazione quantistica. La sfida non è solo tecnologica ma anche organizzativa: le aziende devono valutare attentamente la “shelf-life” delle informazioni sensibili, considerando che i dati crittografati oggi potrebbero essere decifrati in futuro da computer quantistici sufficientemente potenti.

Una delle preoccupazioni più urgenti riguarda i cosiddetti attacchi “harvest now, decrypt later“, in cui gli aggressori raccolgono oggi informazioni crittografate per decifrarle in futuro quando avranno accesso a computer quantistici sufficientemente potenti. Questa minaccia è particolarmente rilevante per documenti classificati europei che seguono regole di declassificazione dopo 20-50 anni. Un avversario dotato di capacità quantistiche potrebbe potenzialmente accedere a questi contenuti sensibili molto prima della loro naturale declassificazione, compromettendo seriamente la sicurezza nazionale e degli interessi strategici europei.

Il divario strategico nella sicurezza quantistica tra USA e UE

Gli Stati Uniti hanno assunto un ruolo guida nella transizione verso la crittografia post-quantum. Dal 2016, il National Institute of Standards and Technology (NIST) ha avviato un processo di standardizzazione degli algoritmi crittografici resistenti agli attacchi quantistici, con l’obiettivo di completare gli standard entro il 2024. Inoltre, gli USA hanno implementato politiche concrete come il Quantum Cybersecurity Preparedness Act del 2022 e hanno incluso la protezione dagli attacchi quantistici come obiettivo strategico nella National Cybersecurity Strategy del 2023.

L’approccio europeo, invece, si è concentrato principalmente sulla distribuzione quantistica delle chiavi (QKD) attraverso il progetto EuroQCI, che mira a creare una rete di comunicazione quantistica sicura entro il 2027. Questo progetto ha visto nel 2021 la prima comunicazione quantistica interstatale tra Trieste, Lubiana e Zagabria, coprendo una distanza di 100,5 km. Tuttavia, questa focalizzazione rischia di trascurare le minacce immediate come gli attacchi “harvest now, decrypt later“. È significativo notare che 13 dei 19 ricercatori coinvolti negli algoritmi selezionati dal NIST sono affiliati a istituzioni di ricerca europee, evidenziando il paradosso di un’Europa leader nella ricerca ma in ritardo nell’implementazione pratica.

Quantum Cybersecurity: l’urgenza di una risposta europea coordinata

Per affrontare queste sfide, l’Europa necessita di un Piano d’Azione Coordinato che definisca obiettivi chiari e tempistiche per la migrazione verso sistemi crittografici post-quantum. Tale piano dovrebbe colmare il divario tra l’obiettivo a lungo termine di EuroQCI e le esigenze immediate di sicurezza, considerando anche le significative disparità tra gli Stati membri in termini di risorse e competenze nel campo della Quantum Cybersecurity.

L’UE potrebbe facilitare il coordinamento sia a livello tecnico che politico. Sul fronte tecnico, è necessario affrontare le lacune nella ricerca sulle tecnologie quantum-safe, come lo sviluppo di nodi quantistici per connessioni a lungo raggio. A livello politico, l’UE dovrebbe promuovere una transizione armonizzata verso la crittografia post-quantum, supportando gli Stati membri nella creazione di inventari crittografici e nell’identificazione delle priorità di migrazione.

Implementazione e prospettive future

La creazione di un nuovo gruppo di esperti all’interno dell’ENISA, con esperti nazionali distaccati, potrebbe facilitare lo scambio di buone pratiche e stimolare l’elaborazione di piani di migrazione nazionali. Inoltre, l’esplorazione di sandbox per accelerare lo sviluppo di applicazioni quantum-safe potrebbe seguire l’esempio americano, adattandolo alle esigenze europee.

Il programma IRIS2, parte dell’infrastruttura GOVSATCOM, rappresenta un passo importante verso la realizzazione di una rete di comunicazione quantistica spaziale, che potrebbe diventare un programma spaziale di punta insieme a Copernico e Galileo. Tuttavia, la sua efficacia dipenderà dalla capacità dell’UE di integrare queste tecnologie con soluzioni di crittografia post-quantum.

Le sfide poste dal computing quantistico alla cybersecurity europea richiederanno un approccio multiforme che combini innovazione tecnologica, coordinamento politico e cooperazione internazionale. Solo attraverso un’azione tempestiva e coordinata l’Europa potrà mantenere la sua sovranità digitale e proteggere efficacemente i suoi interessi strategici nell’era quantistica.

https://www.ictsecuritymagazine.com/articoli/quantum-cybersecurity-europa/

L’European Chips Act rappresenta una delle iniziative strategiche più ambiziose dell’Unione Europea per rafforzare la competitività tecnologica e ridurre la dipendenza da fornitori extra-UE nel settore dei semiconduttori.

I chip, conosciuti infatti anche come semiconduttori, rappresentano il cuore pulsante di tutti i dispositivi elettronici. Rivestono un ruolo fondamentale nelle economie moderne e influenzano ogni aspetto della nostra vita quotidiana. Sono alla base della trasformazione digitale e risultano indispensabili per una vasta gamma di settori, tra cui l’automotive, le telecomunicazioni, l’elaborazione dei dati, l’industria spaziale, la difesa, i dispositivi intelligenti e il settore del gaming.

La recente crisi globale nella fornitura di semiconduttori ha avuto un impatto significativo sulle catene di approvvigionamento, provocando carenze di prodotti che spaziano dalle automobili ai dispositivi medici, arrivando in alcuni casi a determinare la chiusura temporanea di stabilimenti produttivi. Il piano mira quindi a posizionare l’Europa come leader globale nella produzione di chip avanzati, garantendo una maggiore resilienza tecnologica e strategica. Vediamo allora insieme, quali sono le caratteristiche principali, le conseguenze e gli interrogativi che ruotano attorno al Chips Act.

Caratteristiche e articolazioni dell’European Chips Act

1. Piano di investimenti per 43 miliardi di euro

L’European Chips Act è il pacchetto legislativo europeo sui semiconduttori, approvato l’8 febbraio 2022 dalla Commissione Europea ed entrato in vigore il 21 settembre 2023, prevede un imponente piano di investimenti pari a 43 miliardi di euro, suddivisi tra fondi pubblici e privati. Questo capitale sarà destinato principalmente a:

• Costruzione di infrastrutture produttive
• Ricerca e sviluppo (R&D)
• Supporto alle start-up e piccole imprese innovative
• Creazione di un ecosistema industriale integrato per semiconduttori

L’obiettivo è creare le condizioni per un ecosistema europeo robusto e capace di competere con i giganti mondiali come Stati Uniti, Taiwan e Corea del Sud. L’Unione Europea si propone di raggiungere una quota del 20% nella produzione globale di semiconduttori entro il 2030, raddoppiando il livello attuale.

Gli investimenti non si limiteranno alla costruzione di infrastrutture, ma comprenderanno anche incentivi fiscali e agevolazioni per le aziende high-tech e programmi di formazione avanzata in cybersecurity hardware. Accanto agli investimenti infrastrutturali, infatti il Chips Act pone un forte accento sullo sviluppo delle competenze necessarie per sostenere la crescita del settore. Verranno avviati quindi programmi di formazione avanzata in collaborazione con università e centri di ricerca, al fine di formare una nuova generazione di ingegneri e tecnici specializzati. Questa iniziativa mira non solo a colmare il gap di competenze tecnologiche attualmente presente nel mercato europeo, ma anche a stimolare l’innovazione in ambiti critici come l’intelligenza artificiale, la sicurezza informatica e la sostenibilità energetica.

2. Creazione di foundry avanzate in UE

Uno degli elementi chiave della legislazione industriale europea qui presa in esame, è la creazione di foundry avanzate per la produzione di semiconduttori di nuova generazione. Queste strutture permetteranno di:

• Ridurre la dipendenza da fornitori esterni.
• Produrre chip ad alte prestazioni per settori critici come automotive, aerospaziale, telecomunicazioni e difesa.

La presenza di fabbriche avanzate all’interno dell’UE consentirà di rispondere rapidamente alle esigenze del mercato interno e di affrontare eventuali crisi globali della supply chain. Tra i paesi già candidati per ospitare questi stabilimenti ci sono Germania, Francia e Paesi Bassi, già noti per la loro capacità produttiva nel settore tecnologico.

Inoltre, saranno adottate pratiche di produzione sostenibile per ridurre l’impatto ambientale del settore, promuovendo il riciclo dei materiali e l’efficienza energetica.

3. Sviluppo di competenze e talenti nel settore

Un aspetto fondamentale del Chips Act come sopra accennato, è lo sviluppo delle competenze necessarie per sostenere la crescita del settore dei semiconduttori. Verranno infatti avviati programmi di formazione e collaborazioni con università e centri di ricerca per:

• Formare una nuova generazione di ingegneri specializzati.
• Promuovere l’innovazione attraverso progetti di ricerca congiunti.
• Colmare il gap di competenze tecnologiche attualmente presente nel mercato europeo.

Iniziative come la creazione di accademie europee per i semiconduttori e centri di eccellenza per la cybersecurity hardware contribuiranno a diffondere la conoscenza delle tecnologie avanzate e a incentivare la mobilità dei talenti tra i vari Stati membri.

4. Framework per la gestione delle crisi di approvvigionamento

L’European Chips Act introduce un framework strutturato per la gestione delle crisi di approvvigionamento, che comprende:

• Sistemi di monitoraggio dei mercati globali dei semiconduttori.
• Procedure di emergenza per garantire la continuità produttiva delle industrie strategiche.
• Collaborazione tra Stati membri per l’ottimizzazione delle risorse durante le crisi.

Sarà inoltre istituito un meccanismo di risposta rapida per le crisi geopolitiche, volto a ridurre la vulnerabilità in scenari di instabilità internazionale.

Gli Stati membri avranno infatti il compito di censire le imprese del settore dei semiconduttori a livello nazionale e di comunicare l’elenco alla Commissione Europea, monitorando costantemente gli indicatori di rischio e la disponibilità di beni e servizi. Sarà loro responsabilità mantenere aggiornato il Consiglio Europeo per i Semiconduttori (ESB) sullo stato del settore. Quest’ultimo fornirà supporto e consulenza alla Commissione nell’implementazione del Chips Act.

Qualora emergano segnali di fluttuazione nella domanda di chip, gli Stati dovranno informare la Commissione, che potrà convocare l’ESB per valutare l’attivazione dello stato di crisi e coordinare eventuali misure di approvvigionamento tra i Paesi membri. In situazioni di crisi, la Commissione potrà adottare per un periodo limitato interventi straordinari, come l’imposizione di ordini prioritari, l’organizzazione di acquisti congiunti o l’attuazione di esportazioni comuni.

Questa misura mira a evitare scenari di blocco della produzione come quelli vissuti durante la pandemia. Attraverso una maggiore trasparenza e un coordinamento efficiente, l’UE sarà in grado di intervenire tempestivamente per garantire l’approvvigionamento di componenti critici.

5. Supporto a R&D per semiconduttori avanzati

Un forte impulso sarà dato alla ricerca e sviluppo di tecnologie avanzate per i semiconduttori. Tra le aree di maggiore interesse ci sono:

• Chip a bassissimo consumo energetico
• Soluzioni per l’Intelligenza Artificiale e l’IoT
• Materiali innovativi per semiconduttori

Un focus particolare sarà dedicato allo sviluppo di tecnologie “secure by design”, integrate direttamente nei processi di progettazione dei chip per garantire la sicurezza informatica a livello hardware.

L’investimento in R&D sarà essenziale per mantenere la competitività tecnologica dell’Europa nei prossimi decenni. L’obiettivo è anche quello di stimolare collaborazioni pubblico-private per accelerare l’adozione di nuove tecnologie.

Come il Chips Act trasformerà l’Industria europea dei semiconduttori

La realizzazione del Chips Act avrà numerose conseguenze positive per l’Europa. Tra le tante si segnalano:

1. Riduzione della dipendenza da fornitori extra-UE

Uno degli obiettivi primari dell’European Chips Act è come già affermato, quello di ridurre la dipendenza dell’Europa da fornitori extra-UE, come Taiwan e Corea del Sud. La creazione di foundry avanzate come sopra anticipato, garantirà una maggiore autonomia produttiva, aumentando la resilienza del continente di fronte a crisi geopolitiche.

2. Impatto sulla supply chain dei dispositivi critici

La realizzazione di una catena di approvvigionamento europea integrata per i semiconduttori avrà un impatto significativo sui settori industriali che dipendono fortemente da questi componenti, tra cui:

• Automotive: riduzione dei tempi di attesa per la produzione di veicoli.
• Telecomunicazioni: supporto all’espansione delle reti 5G.
• Industria sanitaria: sviluppo di dispositivi medici avanzati.

Un ecosistema produttivo europeo forte ridurrà il rischio di interruzioni nella produzione di dispositivi critici, garantendo una maggiore stabilità economica. Inoltre, l’integrazione verticale delle filiere ridurrà i rischi di dipendenza da fornitori critici e aumenterà la tracciabilità dei componenti.

3. Sviluppo di nuove competenze in cybersecurity hardware

L’aumento della produzione di chip in Europa favorirà anche lo sviluppo di competenze nel campo della cybersecurity hardware, essenziale per proteggere dispositivi e infrastrutture critiche da minacce informatiche. Per l’industria nazionale dei semiconduttori, l’iniziativa rappresenta un’importante opportunità di crescita. Le aziende avranno la possibilità di partecipare a progetti europei di grande portata e di entrare in nuovi mercati. Questa dinamica stimolerà anche la crescita delle PMI e delle start-up innovative, favorendo la creazione di sinergie strategiche con grandi aziende europee e internazionali

I nuovi chip europei, quindi, integreranno funzionalità di sicurezza avanzate, come moduli di crittografia hardware e protezioni contro attacchi side-channel, per prevenire attacchi hardware e garantire l’integrità dei dati.

4. Evoluzione della trusted supply chain

Il Chips Act porterà a una catena di approvvigionamento più sicura e controllata, la creazione di un ecosistema produttivo europeo garantirà una maggiore trasparenza e fiducia lungo tutta la filiera.

5. Opportunità per l’industria nazionale dei semiconduttori

Le aziende nazionali avranno l’opportunità di entrare in nuovi mercati e partecipare a progetti europei di grande portata. Questo stimolerà anche la crescita delle PMI e delle start-up innovative nel settore tecnologico. La possibilità di collaborare con grandi aziende europee e internazionali favorirà la creazione di sinergie strategiche.

Sicurezza e semiconduttori: le sfide del Chips Act

Nonostante i numerosi benefici previsti, l’implementazione del Chips Act solleva però diverse questioni. Una delle più rilevanti riguarda la sicurezza, in particolare:

1. Sicurezza della supply chain hardware

Con l’espansione della produzione di semiconduttori in Europa, cresce la necessità di garantire la sicurezza della catena di approvvigionamento hardware. Al fine di garantire la sicurezza dell’intera filiera produttiva, sarà fondamentale implementare controlli rigorosi per prevenire vulnerabilità.

2. Implementazione di controlli di sicurezza nativi

Gli esperti sottolineano l’importanza di integrare controlli di sicurezza nativi direttamente nei chip. Questo approccio consentirà di:

• Proteggere i dispositivi da attacchi hardware.
• Proteggere le infrastrutture critiche da minacce avanzate.

3. Certificazione dei componenti critici

Un altro tema centrale riguarda la certificazione dei componenti critici. La creazione di standard europei per la certificazione dei semiconduttori garantirà una maggiore fiducia nei prodotti sviluppati all’interno dell’UE.

4. Verifica indipendente dei componenti

L’implementazione di capacità di verifica indipendente sarà cruciale per assicurare che i chip prodotti rispettino gli standard di sicurezza e affidabilità. Questo favorirà anche la creazione di centri di eccellenza per la verifica hardware. I centri di verifica indipendente potranno collaborare con istituzioni accademiche e laboratori di ricerca per garantire l’affidabilità dei componenti prodotti.

5. Gestione del rischio geopolitico

• Valutazione delle vulnerabilità legata alla dipendenza da materie prime critiche provenienti da paesi terzi;
• Rischio di frammentazione tra Stati membri nella competizione per attrarre investimenti.

Conclusioni

L’European Chips Act rappresenta una svolta strategica per l’Europa, che mira a rafforzare la propria posizione nel mercato globale dei semiconduttori e a garantire una maggiore resilienza della supply chain tecnologica. Con un piano di investimenti ambizioso e un focus sulla ricerca, sulla creazione di foundry avanzate e sullo sviluppo delle competenze, l’iniziativa offre un’opportunità unica per l’industria europea.

Tuttavia, per garantire il successo del progetto, sarà fondamentale affrontare le sfide legate alla sicurezza della supply chain, alla certificazione dei componenti e alla gestione dei rischi hardware. Solo attraverso una collaborazione stretta tra Stati membri, industria e istituzioni europee si potrà realizzare l’ambizione di un’Europa tecnologicamente autonoma e competitiva.

https://www.ictsecuritymagazine.com/articoli/european-chips-act-sec/

Questo articolo fa parte di una serie dedicata all’esplorazione approfondita della Generative Artificial Intelligence (GenAI), una tecnologia rivoluzionaria che sta ridefinendo il panorama digitale. Attraverso un’analisi dettagliata, ripercorreremo la storia, esamineremo il funzionamento e valuteremo l’impatto di questa tecnologia che, secondo le previsioni di Gartner, sarà implementata dall’80% delle organizzazioni entro il 2026.

La Generative AI, talvolta chiamata GenAI, è un tipo di intelligenza artificiale (AI) in grado di creare contenuti originali, come testi, immagini, video, audio o codice software, in risposta al prompt o alla richiesta di un utente. Per rispondere a queste richieste, la GenAI utilizza sofisticati modelli di machine learning, chiamati modelli di deep learning, ovvero algoritmi in grado di simulare i processi di apprendimento e decisionale del cervello umano. Questi si basano sull’identificazione e la codifica di modelli e relazioni in enormi quantità di dati, che sono utilizzati per comprendere le richieste o le domande in linguaggio naturale degli utenti e rispondere con nuovi contenuti pertinenti.

L’AI ha rappresentato uno dei principali argomenti tecnologici degli ultimi dieci anni, ma l’AI generativa, e in particolare l’avvento di ChatGPT nel 2022, ha portato l’AI alla portata di tutti e ha lanciato un’ondata di innovazione senza precedenti. L’AI generativa offre enormi vantaggi in termini di produttività per tutti, individui e organizzazioni, e, sebbene presenti anche sfide e rischi sostanziali, la ricerca continua a esplorare i modi in cui questa tecnologia può migliorare i workflow, potenziare i prodotti e ottimizzare i servizi.

Secondo una ricerca realizzata nel 2023 da McKinsey, un terzo delle organizzazioni utilizza regolarmente l’AI generativa in almeno una funzione aziendale [1]. Gartner prevede che entro il 2026 oltre l’80% delle organizzazioni avrà implementato applicazioni di AI generativa oppure utilizzerà interfacce di programmazione delle applicazioni (API) di AI generativa [2].

Excursus Storico della Generative AI: Dall’Origine ai Moderni Foundation Model

Il termine Intelligenza Artificiale Generativa è divenuto popolare negli ultimi anni, ma l’intelligenza artificiale fa parte della quotidianità da decenni e la tecnologia di AI generativa di oggi si basa sulle scoperte dell’apprendimento automatico risalenti all’inizio del XX secolo. Cerchiamo di comprendere le tappe fondamentali:

• 1964: Joseph Weizenbaum, ricercatore-informatico del MIT, sviluppa ELIZA, un’applicazione di elaborazione del linguaggio naturale basata su testo. ELIZA, è stato sostanzialmente il primo chatbot (all’epoca chiamato “chatterbot”) basato su uno script di pattern-matching in grado di rispondere agli input, forniti sottoforma di testo in linguaggio naturale, con risposte testuali empatiche.
• 1999: Nvidia lancia GeoForce, la prima unità di elaborazione grafica. Originariamente sviluppata per fornire una grafica in movimento fluida per i videogiochi, le GPU sono diventate di fatto la piattaforma per lo sviluppo di modelli AI e il mining di criptovalute.
• 2004: Google lancia la funzione di completamento automatico, che si attiva quando gli utenti inseriscono i termini di ricerca, in grado di generare potenziali parole o frasi successive. L’algoritmo è basato su una catena Markov, un modello matematico sviluppato nel 1906.
• 2013: Compaiono i primi “Variational Autoencoders” (VAE), dei modelli di reti neurali che permettono di implementare un modello generativo.
• 2014: Ian Goodfellow, ricercatore presso l’Università di Montreal, introduce le prime “Generative Adversarial Networks” (GAN) e i “Diffusion Models” [3], due architetture per addestrare un modello generativo di AI.
• 2017: Un gruppo di ricerca formato da Ashish Vaswani, un team di Google Brain e un gruppo della University of Toronto pubblicano “Attention is All You Need [4]”, un documento che illustra i principi dei modelli di trasformazione (c.d. “Transformer”) in grado di abilitare i potenti “foundation model” e strumenti di AI generativa attuali.
• 2019: OpenAI implementa i suoi modelli linguistici di grandi dimensioni GPT (Generative Pretrained Transformer), GPT-2 e GPT-3.
• 2022: OpenAI presenta ChatGPT, un front-end di GPT-3 che genera frasi complesse, coerenti e contestualizzate, e contenuti in risposta ai prompt degli utenti finali.

La notorietà e la popolarità acquisite da ChatGPT ha dato il via ad una serie di progetti finalizzati allo sviluppo di altre AI generative e il rilascio di prodotti a un ritmo incalzante, fino a giungere alle attuali release di Google Bard (ora Gemini), Microsoft Copilot, Bedrock di Amazon, Ernie Bit di Baidu, Pangu-Σ di Huawei, Claude di Anthropic, xAI di Elon Musk, Jais in lingua araba, Poe di Quora, IBM watsonx.ai, e ai modelli linguistici di grandi dimensioni (LLM) open source come Llama-2, di Meta, o Dolly 2.0 di Databricks e OpenChat AI GitHub.

Come Opera la Generative AI: Architetture, Processi e Metodologie di Apprendimento

Normalmente il ciclo di vita della Generative AI si sviluppa in tre fasi:

• Formazione: la fase in cui si crea un “foundation model” [5] che possa servire come base per più applicazioni di AI di nuova generazione.
• Ottimizzazione: la fase in cui si adatta il foundation model a una specifica applicazione AI di nuova generazione.
• Generazione, valutazione e improvement: la fase in cui si valutano i risultati dell’applicazione della GenAI per migliorarne la qualità e l’accuratezza.

Formazione

La GenAI si fonda su un foundation model, un modello di deep learning che funge da schema per diversi tipi di applicazioni di AI generativa. I foundation model più comuni sono i modelli linguistici di grandi dimensioni (LLM), sfruttati nelle applicazioni per generare testo, ma esistono foundation model per generare immagini, video, audio e musica, oltre a foundation model multimodali in grado di supportare simultaneamente diversi tipi di contenuti.

Per realizzare un foundation model occorre addestrare un algoritmo di deep learning su enormi volumi di dati grezzi, non strutturati e non etichettati, spesso raccolti dalla rete internet o da altre fonti di dati. Durante la fase di training, l’algoritmo esegue e valuta milioni di test c.d.”fill in the blank” (riempimento dello spazio), cercando di prevedere l’elemento successivo in una determinata sequenza, per esempio la parola successiva in una frase, l’elemento successivo in un’immagine, il comando successivo in una riga di codice, e, contestualmente, effettua un auto-tuning per ridurre al minimo la differenza tra le previsioni e i dati reali (o il risultato “corretto”).

Il risultato di questo ciclo di training è una rete neurale di parametri, ovvero una serie di rappresentazioni codificate di entità, pattern e relazioni nei dati, in grado di generare contenuti in modo autonomo in risposta agli input o ai prompt ricevuti.

Questo processo si caratterizza per l’alta intensità di calcolo, un elevato dispendio in termini di tempo e costi: infatti richiede la presenza di migliaia di unità di elaborazione grafica (GPU) sottoforma di cluster e settimane di elaborazione. Fortunatamente sono disponibili progetti di foundation model open source, come Llama-2 di Meta, che consentono agli sviluppatori di GenAI di saltare questo passaggio e i relativi costi.

Ottimizzazione

Un foundation model è generalista, ovvero sa molte cose su molti tipi di contenuti, ma spesso non è in grado di generare tipi specifici di output con la precisione o la qualità desiderate. Per questo motivo è opportuno che il modello debba essere ottimizzato seguendo un’attività di generazione dei contenuti specifica. Questo obiettivo può essere raggiunto in vari modi:

• attraverso una messa a punto del modello. Questa metodologia comporta l’alimentazione del modello con dati specifici dell’applicazione di generazione di contenuti, cioè, deve comprendere le domande o i prompt che molto probabilmente l’applicazione riceverà e le corrispondenti risposte corrette nel formato desiderato. Per esempio, se un team di sviluppo sta tentando di creare un customer service chatbot, creerà centinaia o migliaia di documenti contenenti domande etichettate sul servizio clienti con le risposte corrette e li invierà al modello.
• tramite un apprendimento di rinforzo con feedback umano (RLHF). La metodologia di RLHF (Reinforcement Learning from Human Feedback) prevede che gli utenti umani rispondano ai contenuti generati con valutazioni che, successivamente, il modello utilizza per aggiornare sé stesso e ottenere maggiore precisione o rilevanza.

Generazione, valutazione e improvement

Di norma, sia gli sviluppatori che gli utenti valutano continuamente i risultati delle app di GenAI che utilizzano e, di conseguenza, ottimizzano ulteriormente il modello per ottenere una maggiore precisione o pertinenza.

Esiste un’altra alternativa per ottimizzare le prestazioni di un’applicazione di AI: la “retrieval augmented generation” (RAG). La RAG è un framework in grado di estendere il foundation model al fine di utilizzare un set di fonti rilevanti, al di fuori dei dati utilizzati nel training, capaci di integrare e perfezionare i parametri o le rappresentazioni nel modello originale. A riguardo, la RAG garantisce che un’app di AI generativa abbia sempre accesso alle informazioni più aggiornate e contestualizzate. Inoltre, le fonti aggiuntive a cui si accede tramite RAG, a differenza dei dataset del foundation model originale, sono trasparenti e verificabili.

Architetture dei Modelli di Generative AI: Tecnologie che Abilitano la Creatività Artificiale

Dal 2013 abbiamo assistito allo sviluppo di modelli di AI veramente generativa, ovvero modelli di “deep learning” in grado di creare autonomamente contenuti su richiesta. Le principali architetture evolute durante questo periodo includono:

• Variational Autoencoders (VAE): rappresentano modelli che hanno consentito di effettuare scoperte rivoluzionarie nel riconoscimento delle immagini, nell’elaborazione del linguaggio naturale e nel rilevamento delle anomalie.
• Generative Adversarial Networks (GAN) & Diffusion Models: sono architetture che hanno migliorato l’accuratezza delle applicazioni precedenti e hanno reso possibile le prime applicazioni di AI per la generazione di immagini da foto reali.
• Transformers: rappresentano l’architettura dei modelli di deep learning alla base dei principali foundation model e delle soluzioni di AI generativa di oggi.

Variational Autoencoder

Un “autoencoder” è un modello di deep learning composto da due reti neurali connesse tra loro: una che codifica (o comprime) un’enorme quantità di dati, non strutturati e non etichettati, in parametri per il training e un’altra che decodifica tali parametri per ricostruire il contenuto. Tecnicamente, gli autoencoder sono in grado di generare nuovi contenuti, ma sono utilizzati prevalentemente per la codifica, l’archiviazione o il trasferimento dei dati e, infine, per la decodifica degli stessi e la generazione di contenuti di alta qualità.

Nel 2013 sono stati introdotti i “Variational Autoencoder” (VAE) che, oltre a codificare i dati come un autoencoder, sono in grado di decodificare i dati in diverse varianti di contenuto. Questa peculiarità ha permesso di addestrare i VAE a generare varianti per raggiungere un particolare obiettivo e, al contempo, consentire di ottenere nel tempo contenuti più accurati e ad alta fedeltà. Le prime applicazioni dei VAE includevano il rilevamento delle anomalie (per esempio, nella diagnostica per immagini) e la generazione del linguaggio naturale.

Generative Adversarial Network

Anche le “Generative Adversarial Network” (GAN), introdotte nel 2014, comprendono due reti neurali: una denominata Generatore, adibita a generare nuovi contenuti, e una Discriminatore, destinata a valutare l’accuratezza e la qualità dei dati generati. Questi algoritmi antagonisti inducono il modello a generare output di qualità sempre più elevata.

Solitamente le GAN vengono utilizzate per generare immagini e video, ma sono in grado di originare contenuti realistici e di alta qualità anche in altri domini. Si sono dimostrate particolarmente efficaci in determinate attività, come il trasferimento di stile (per esempio la modifica dello stile di un’immagine: da una foto a uno schizzo a matita) e l’aumento dei dati (creazione di nuovi dati per aumentare le dimensioni e la diversità di un data set di training).

Diffusion Model

Un “Diffusion Model”, anch’essi introdotti nel 2014, funziona in maniera differente. Questo modello, prima di realizzare il training, aggiunge rumore ai dati per renderli casuali e irriconoscibili, successivamente, addestra l’algoritmo a disperdere iterativamente il rumore per rivelare l’output desiderato.

I Diffusion Models richiedono più tempo per l’addestramento rispetto ai VAE o alle GAN, ma offrono un controllo dell’output più preciso; infatti, sono particolarmente sfruttati negli strumenti di generazione di immagini di alta qualità. DALL-E, lo strumento di generazione di immagini di Open AI, è guidato da un diffusion model.

Transformer

I “Transformer”, documentati per la prima volta in un articolo del 2017 pubblicato da Ashish Vaswani e altri, trasformano il paradigma encoder-decoder per realizzarne un’evoluzione, da un lato, del modo in cui i foundation model vengono addestrati e, dall’altro, nella qualità e nella gamma di contenuti che possono produrre. Questi modelli sono alla base dei principali strumenti di AI generativa, tra cui ChatGPT e GPT-4, Copilot, BERT, Bard e Midjourney.

Per determinare quali dati, all’interno di una sequenza, sono più importanti e su quali occorre concentrarsi, i transformer utilizzano un concetto chiamato “attention” in grado di:

• elaborare contemporaneamente intere sequenze di dati (ad es. frasi invece di parole singole);
• acquisire il contesto dei dati all’interno della sequenza;
• codificare i dati di training in incorporamenti (denominati anche iperparametri) che rappresentano i dati e il loro contesto.

Oltre a consentire un addestramento più rapido, i transformer sono performanti nel l’elaborazione del linguaggio naturale (“Natural Language Processing”, NLP) e nella sua comprensione (“Natural Language Understanding”, NLU) e sono in grado di generare sequenze di dati più lunghe (ad esempio, non solo risposte a domande, ma anche poesie, articoli o documenti) con maggiore precisione e qualità rispetto ad altri modelli di AI generativa. I modelli transformer possono essere addestrati o ottimizzati anche per l’uso di tools, ad esempio un’applicazione di fogli di calcolo, un programma di disegno, o per generare contenuti in un formato particolare.

Peculiarità della Generative AI

L’AI generativa può essere utilizzata per creare molti tipi di contenuti in domini diversi.

• Testo: I modelli generativi, soprattutto quelli basati sui trasformer, possono generare testi coerenti e contestualmente rilevanti, come delle istruzioni, della documentazione, una brochure, un’e-mail, dei testi per siti web, blog, articoli, delle relazioni, dei documenti e, persino, contenuti creativi. Possono eseguire compiti di scrittura ripetitivi o noiosi (per esempio, la stesura di riassunti di documenti o meta descrizioni di pagine web), consentendo agli editor di dedicarsi a lavori più creativi e di maggior valore.
• Immagini e video: La generazione di immagini, come DALL-E, Midjourney e Stable Diffusion, può realizzare immagini realistiche, oppure opere d’arte originali, ed eseguire il trasferimento di stili, la traduzione image-to-image e altre attività di modifica o miglioramento delle immagini. Gli strumenti GenAI video possono creare animazioni a partire da istruzioni di testo e possono applicare effetti speciali a video esistenti in maniera più rapida ed economica rispetto ai metodi tradizionali.
• Suono, parole e musica: I modelli generativi possono sintetizzare contenuti vocali e audio per farli sembrare reali alle chatbot e agli assistenti digitali a comando vocale, consentire la narrazione degli audiolibri e di altre applicazioni basate sull’audio. La stessa tecnologia può generare musica originale in grado di imitare la struttura e l’audio delle composizioni professionali.
• Codice software: La GenAI può generare codice di programmazione originale, effettuare il completamento automatico dei frammenti di codice, tradurre tra diversi linguaggi di programmazione e riassumere le funzionalità del codice. Consente di ottenere prototipi, eseguire rapidamente il debug delle applicazioni e realizzare sessioni di testing, offrendo al contempo un’interfaccia in linguaggio naturale.
• Design e arte: I modelli di AI generativa possono generare opere d’arte digitali e di design uniche o assistere nella progettazione grafica. Le applicazioni includono la generazione dinamica di ambienti, personaggi o avatar ed effetti speciali per realizzare simulazioni virtuali e videogiochi.
• Simulazioni e artefatti: I modelli di AI generativa possono essere addestrati per generare dati o strutture basate su dati reali o virtuali. Per esempio, l’AI generativa viene applicata nella scoperta di farmaci per generare strutture molecolari con le proprietà desiderate, contribuendo alla progettazione di nuovi composti farmaceutici.

Quali sono i Vantaggi?

Il principale beneficio, e forse quello più scontato, dell’AI generativa è la maggiore efficienza. La sua capacità di generare contenuti e risposte alle domande consente di accelerare o automatizzare le attività ad alta intensità di lavoro, ridurre i costi e guadagnare tempo da dedicare ad attività di maggior valore.

L’AI generativa offre ulteriori vantaggi in questi ambiti:

• Creatività migliorata: Gli strumenti di Gen AI possono ispirare la creatività attraverso il brainstorming automatizzato, perché gli consente di generare più versioni inedite dei contenuti. Queste varianti possono servire come punti di partenza o riferimenti per superare il blocco creativo di scrittori, artisti, designer e altri tipi di creatori.
• Processo decisionale migliorato (e più rapido): L’AI generativa è predominante nell’analisi di grandi insiemi di dati, nell’identificazione degli schemi e nell’estrazione di insight significativi, per poi generare ipotesi e suggerimenti basati su questi insight e supportare i dirigenti, gli analisti, i ricercatori e tutti gli altri professionisti, nel prendere decisioni più corrette e basate sui dati.
• Personalizzazione dinamica: L’AI generativa può analizzare le preferenze e la cronologia degli utenti per creare contenuti personalizzati in tempo reale, rendendo l’esperienza dell’utente più personalizzata e coinvolgente.
• Disponibilità continua: L’AI generativa funziona in maniera costante e fornisce una disponibilità continua per le attività come le chatbots utilizzate per erogare l’assistenza ai clienti e le risposte automatiche.

Casi d’uso

Di seguito sono riportati, solo a titolo esemplificativo, alcuni casi d’uso dell’AI nel settore business, per comprendere quali benefici possono portare nel breve periodo. In tal senso, man mano che le tecnologie si svilupperanno ulteriormente e le organizzazioni incorporeranno questi tools nei loro workflow, assisteremo alla scoperta di nuove e altrettante applicazioni.

• User experience (UX): Il settore marketing delle aziende può trarre grossi benefici, in termini di tempo e quantità di contenuti, utilizzando strumenti di AI per redigere i testi dei blog, delle pagine web, della documentazione, dell’e-mail e altro ancora. Inoltre, le soluzioni di AI generativa sono in grado di produrre testi e immagini fortemente personalizzate e in tempo reale, in base a quando, dove e a chi deve essere erogato l’annuncio. Inoltre, può alimentare le chatbots e gli agent virtuali per fornire risposte personalizzate e, persino, avviare attività per conto del cliente. Tutto ciò rappresenta un avanzamento significativo rispetto alla precedente generazione di modelli di AI conversazionali formati su dati limitati e sfruttati per attività molto specifiche.
• Sviluppo software e aggiornamento delle applicazioni: Gli strumenti per la generazione del codice basati sull’AI generativa sono in grado di automatizzare e accelerare il processo di scrittura di nuovo codice. Questa caratteristica può essere sfruttata anche per accelerare drasticamente l’aggiornamento delle applicazioni, perché consentirebbe di automatizzare gran parte della codifica ripetitiva necessaria per rinnovare le applicazioni legacy e distribuire in ambienti di cloud ibrido.
• Attività digitale: L’AI generativa è in grado di redigere o rivedere rapidamente contratti, fatture, bollette e altri documenti digitali, in modo tale che i dipendenti, che la utilizzano o la gestiscono, possano concentrarsi su attività di concetto.
• Scienza, ingegneria e ricerca: I modelli di AI possono aiutare i ricercatori e gli ingegneri a proporre nuove soluzioni per problemi complessi. Nel settore sanitario, ad esempio, i modelli generativi possono essere applicati per sintetizzare le nuove molecole o migliorare la lettura delle immagini degli esami.

Nel prossimo articolo della serie, approfondiremo un aspetto cruciale della Generative AI: la sicurezza e la protezione. Esploreremo le sfide, i rischi e le migliori pratiche per implementare soluzioni di GenAI in modo sicuro e responsabile, analizzando i protocolli di sicurezza e le strategie di protezione necessarie per un utilizzo consapevole di questa potente tecnologia. Per approfondire queste tematiche è possibile scaricare gratuitamente il white paper completo “Generative Artificial Intelligence: Punti di forza, rischi e contromisure”.

Note bibliografiche

[1] AA.VV., The state of AI in 2023: Generative AI’s breakout year, https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-2023-generative-ais-breakout-year, McKinsey, 2023

[2] Gartner Says More Than 80% of Enterprises Will Have Used Generative AI APIs or Deployed Generative AI-Enabled Applications by 2026, https://www.gartner.com/en/newsroom/press-releases/2023-10-11-gartner-says-more-than-80-percent-of-enterprises-will-have-used-generative-ai-apis-or-deployed-generative-ai-enabled-applications-by-2026, Gartner, 2024

[3] AA.VV., Generative Adversarial Networks, https://arxiv.org/abs/1406.2661, Universite de Montreal, 2014

[4] AA.VV., Attention Is All You Need, https://arxiv.org/abs/1706.03762, Google, 2017

[5] Foundation model: Nell’ambito dell’Intelligenza Artificiale, il termine modello identifica un insieme strutturato di algoritmi e parametri che permettono di eseguire specifici compiti di apprendimento automatico. I modelli sono addestrati tramite l’analisi e l’elaborazione di dati, al fine di identificare e apprendere schemi o relazioni tra di essi.

Un foundation model rappresenta un tipo specifico e avanzato di modello di Intelligenza Artificiale. Mentre i modelli generici sono progettati e addestrati per svolgere compiti specifici e ben definiti e possono essere addestrati su set di dati di dimensioni variabili, a seconda del compito che dovranno svolgere; i foundation models, invece, sono addestrati su enormi quantità di dati e con moltissimi parametri. Ciò permette loro di svolgere una varietà di compiti più ampia rispetto ai modelli tradizionali.

Profilo Autore

È laureato in Ingegneria Informatica ed in Sicurezza Informatica presso le Università di Roma La Sapienza e di Milano. Ha indirizzato la sua formazione nei settori della Cyber Security e Digital Forensics ottenendo i diplomi di perfezionamento in Data Protection e Data Governance; Criminalità Informatica e Investigazioni Digitali e Big Data, Artificial Intelligence.

Ha, altresì, conseguito l’Advanced Cybersecurity Graduate Certificate alla School of Engineering della Stanford University; Professional Certificates in Information Security; Incident Response Process; Digital Forensics e Cybersecurity Engineering and Software Assurance presso il Software Engineering Institute della Carnegie Mellon University.

Dal 1992 è nei ruoli del Ministero dell’Interno ove ricopre lincarico di Funzionario alla Sicurezza CIS. In tale veste contribuisce alla valutazione dei rischi cyber, all’implementazione delle misure di sicurezza e la risoluzione di incidenti informatici. Inoltre, offre consulenza tecnica nel campo della Digital Forensics per l’Autorità giudiziaria, la Polizia giudiziaria e gli Studi legali.

Dal 2017 è Professore a contratto di Tecnologie per la Sicurezza Informatica presso alcune Università ove sviluppa le tematiche di Attack and Defense Strategies quali il penetration testing, la risk analysis, l’information security assessment, l’incident response e la digital forensics. Infine, è Autore di alcuni articoli e saggi sui temi della Sicurezza Informatica e
dell’Informatica Giuridica consultabili su https://www.vincenzocalabro.it

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

Currently, Aaron predicts that Nepenthes might be most attractive to rights holders who want AI companies to pay to scrape their data. And many people seem enthusiastic about using it to reinforce robots.txt. But “some of the most exciting people are in the ‘let it burn’ category,” Aaron said. These people are drawn to tools like Nepenthes as an act of rebellion against AI making the Internet less useful and enjoyable for users.

Geuter told Ars that he considers Nepenthes “more of a sociopolitical statement than really a technological solution (because the problem it’s trying to address isn’t purely technical, it’s social, political, legal, and needs way bigger levers).”

To Geuter, a computer scientist who has been writing about the social, political, and structural impact of tech for two decades, AI is the “most aggressive” example of “technologies that are not done ‘for us’ but ‘to us.'”

“It feels a bit like the social contract that society and the tech sector/engineering have had (you build useful things, and we’re OK with you being well-off) has been canceled from one side,” Geuter said. “And that side now wants to have its toy eat the world. People feel threatened and want the threats to stop.”

As AI evolves, so do attacks, with one 2021 study showing that increasingly stronger data poisoning attacks, for example, were able to break data sanitization defenses. Whether these attacks can ever do meaningful destruction or not, Geuter sees tarpits as a “powerful symbol” of the resistance that Aaron and Nagy readily joined.

“It’s a great sign to see that people are challenging the notion that we all have to do AI now,” Geuter said. “Because we don’t. It’s a choice. A choice that mostly benefits monopolists.”

Tarpit creators like Nagy will likely be watching to see if poisoning attacks continue growing in sophistication. On the Iocaine site—which, yes, is protected from scraping by Iocaine—he posted this call to action: “Let’s make AI poisoning the norm. If we all do it, they won’t have anything to crawl.”

https://arstechnica.com/tech-policy/2025/01/ai-haters-build-tarpits-to-trap-and-trick-ai-scrapers-that-ignore-robots-txt/

Cyberattacco su larga scala contro DeepSeek R1

Il modello di intelligenza artificiale (AI) cinese DeepSeek R1 ha determinato un terremoto tecnologico che ha attraversato in poche ore tutto il pianeta e ora deve fare i conti con un’ondata di cyber attacchi su larga scala.

Il risultato è che nessun nuovo utente può da ieri registrarsi alla sua piattaforma, mentre per chi era già registrato non sembra ci siano problemi gravi al momento.

La startup con sede nella città di Hangzhou, capoluogo della provincia cinese di Zhejiang, ha fatto sapere che “il problema è stato individuato” e che al momento “è in fase di risoluzione”.

Le registrazioni sono quindi “temporaneamente limitate”, sia per monitorare la qualità del servizio, sia per garantire la sua continuità per chi lo sta già impiegando.

Il sistema regge, ma ci sono rallentamenti di funzionalità

Al momento, quindi, nonostante il cyber attacco, DeepSeek sta offrendo “funzionalità ridotte”, ma il sistema regge.

Chi era già registrato lo sta quindi utilizzando regolarmente, ma in alcuni casi si lamentano rallentamenti nelle risposte del chatbot.

Inizialmente, già ieri, si segnalava un elevato traffico indirizzato verso DeepSeek, con il risultato di una evidente difficoltà ad accogliere tutte le domande e un peggioramento delle performance generali. In realtà è molto probabile si trattasse già dei primi effetti degli attacchi alla piattaforma e delle prime misure di contenimento messe in campo.

Le accuse di minaccia alla sicurezza e alla privacy

L’incidente arriva pochi giorni dopo che l’app del chatbot DeepSeek AI ha raggiunto il primo posto tra le app gratuite più scaricate sull’App Store di Apple negli Stati Uniti, superando i concorrenti americani.

Al momento la startup cinese non ha fornito dettagli sul cyberattacco a cui è sottoposta. Di certo ha attirato l’attenzione di tutti, anche di cracker e cyber criminali di varia origine. Senza contare che DeepSeek ha causato danni finanziari enormi al mercato dell’intelligenza artificiale soprattutto occidentale, mandando in poche ore in fumo centinaia di miliardi di dollari e mandando nel panico gli investitori di mezzo mondo.

Dagli Stati Uniti sono subito arrivate critiche pesanti al modello cinese, accusandolo di mettere in pericolo la sicurezza degli utenti e di violare sistematicamente ogni legge sul trattamento dei dati personali e in generale più sensibili (soprattutto pensando alle imprese).

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/deepseek-sotto-attacco-stop-alle-nuove-registrazioni-e-sistema-rallentato/519481/

Protezione multi-dominio delle infrastrutture critiche sottomarine: dall’integrità fisica alla cyber resilience – Analisi delle minacce ibride, strategie di mitigazione e modelli emergenti di business continuity nel contesto geopolitico mediterraneo.

Alla luce dei recenti sabotaggi alle infrastrutture critiche sottomarine, possiamo ancora considerare sicura la backbone in fibra ottica per le telecomunicazioni e l’instradamento globale dei dati internet? La sicurezza di tale infrastruttura sembra apparire fragile e inadeguata rispetto alla crescente materializzazione della minaccia ibrida. L’analisi delle sue criticità richiede un approccio olistico incentrato sul concetto multispaziale di rappresentazione del cyberspazio, inteso come un insieme di livelli (fisico, logico, software/dispositivi utenti e cognitivo/semantico) interconnessi, interdipendenti e interagenti fra loro. Quali tipologie di misure occorre implementare per aumentarne la resilienza e la business continuity?

Il ruolo cruciale delle dorsali sottomarine

Le infrastrutture sottomarine in fibra ottica costituiscono la spina dorsale della rete internet, attraverso cui transita il 95% del traffico digitale mondiale. Tale rete tuttavia presenta numerose vulnerabilità di natura fisica e logica, in grado di inficiare seriamente sia la connettività sia la confidenzialità dei dati trasmessi.

Vulnerabilità delle infrastrutture critiche sottomarine

Dal punto di vista “fisico”, la vulnerabilità dei cavi è dovuta all’esposizione a danni involontari, causati dai morsi di pescecane o dal transito di navi nelle zone di ancoraggio, inclusi quelli generati da eventi naturali, come per esempio gli tsunami, le eruzioni vulcaniche e i terremoti sottomarini. Le aziende produttrici pertanto realizzano una duplice protezione in acciaio e kevlar intorno al cavo per aumentarne la resilienza fisica. Le dorsali sottomarine inoltre sono facilmente individuabili e più esposte a potenziali atti di sabotaggio, compiuti intenzionalmente, da parte di competitor o entità filo-governative ostili, per impedirne il normale funzionamento.

Un ulteriore elemento critico della rete sottomarina è l’infrastruttura di approdo dei cavi alla terra ferma, ovvero i “porti digitali” dove entrano ed escono i dati. Tali porti fungono da punto di approdo e di stazione di terminazione dei cavi, inclusa quella di hub per ulteriori instradamenti verso le rotte terrestri in fibra ottica, i terminali terrestri SatCom e i data center locali (inclusi i relativi ecosistemi cloud).

L’infrastruttura ibrida delle comunicazioni

L’infrastruttura ibrida della rete internet schematizzata nella figura sottostante è il frutto della fusione di diverse tipologie di connettività in fibra ottica (cavi sottomarini e terrestri) e di collegamenti elettromagnetici (wireless e SatCom). Un elemento importante di questa infrastruttura è il cosiddetto hub, a cui convergono le reti internet, le dorsali internazionali (backbone) e quelle nazionali per la successiva distribuzione verso l’utente.

Minacce emergenti e sicurezza nazionale

L’ascesa del livello della minaccia ibrida globale ha evidenziato le vulnerabilità delle infrastrutture critiche, specialmente quelle legate al settore della connettività digitale. Il danneggiamento dei punti nevralgici delle dorsali sottomarine in fibra ottica può interrompere le comunicazioni digitali tra continenti e interdire quasi la totalità delle transizioni finanziarie che regolano il mercato mondiale.

La Sicurezza Nazionale ha posto la luce dei riflettori sulle infrastrutture sottomarine (Underwater). Nella recente Relazione dell’intelligence viene focalizzata l’attenzione anche sulle infrastrutture critiche sottomarine che insistono nel Mediterraneo. La spettacolare infografica ne facilita la comprensione evidenziandone chiaramente l’importante valenza strategica.

“Il territorio italiano è parte di un’articolata rete infrastrutturale sottomarina composta da cavi per le telecomunicazioni, gasdotti ed elettrodotti la cui tutela costituisce una priorità per la sicurezza nazionale, anche in considerazione della posizione strategica del nostro Paese nell’area mediterranea”, spiega la Relazione annuale 2023 sulla politica dell’informazione per la sicurezza.

Il globo è sempre più interconnesso e interdipendente. Le reti di trasporto e distribuzione dell’energia, del gas naturale, del petrolio e, naturalmente, dei dati Internet, si basano sulle infrastrutture critiche sottomarine. Viene facile pensare che un attacco a un’infrastruttura, in un determinato Paese, possa avere conseguenze in un altro, in una regione e in modo più allargato ancora, innescando una sorta di reazione a catena (effetto domino).

Senza alcun dubbio, le reti sottomarine sono infrastrutture critiche altamente vulnerabili. I precedenti sabotaggi dei due gasdotti Nord Stream nel mar Baltico e del cavo sottomarino che collega la Norvegia alle isole Svalbard avevano già sollevato serie preoccupazioni in merito alla reale fragilità del groviglio di cavi che connette il mondo a internet. Nel natale del 2024 l’area del Baltico è stata teatro di ulteriori quattro danneggiamenti di cavi per le telecomunicazioni, nello specifico tre fra Finlandia ed Estonia e uno fra Germania e Finlandia.

Data l’importanza, la sicurezza delle infrastrutture critiche sottomarine è diventata una questione di sicurezza globale, che richiede un impegno collettivo e partecipato da parte di tutti gli stakeholder coinvolti.

Strategie per la resilienza delle infrastrutture critiche sottomarine

Si ritiene utile sottolineare l’importanza delle varie iniziative internazionali per lo sviluppo di reti di monitoraggio e sorveglianza ad ampio raggio d’azione, realizzate “ad hoc” per tale esigenza, capaci di monitorare i segmenti nevralgici e rilevare anticipatamente la materializzazione delle prefate minacce, allo scopo di salvaguardare non solo l’integrità fisica dei cavi, ma anche l’eventuale compromissione della confidenzialità delle informazioni in transito, attivando celermente le misure di mitigazione e assicurare la core business continuity.

Infine, si ritiene opportuno ancora una volta evidenziare la necessità di implementare ai massimi livelli il concetto di “ridondanza” e “diversità”, allo scopo di assicurare la core business continuity, attraverso la disponibilità non solo di collegamenti ridondanti (), ma anche di back-up basati sulla tecnologia spaziale (SatCom) con bassissima latenza, per l’instradamento del traffico internet prioritario.

Potete trovare tante altre riflessioni e approfondimenti nel recente saggio dell’Autore intitolato “SPAZIO & CYBER. Interconnessioni, convergenze e scenari emergenti”.

ISBN-13: ‎ 979-1222715544

Profilo Autore

Calogero Vinciguerra è un esperto nazionale distaccato presso il Servizio europeo per l’azione esterna (SEAE) di Bruxelles, dove si occupa di politiche di sicurezza spaziale dell’Unione europea. È laureato in Scienze Politiche e delle Relazioni Internazionali e ha conseguito il Master Universitario in Cyber-security. Nel corso degli anni ha maturato molteplici esperienze sia nel campo addestrativo e operativo, sia in ambito nazionale e internazionale. Ha pubblicato numerosi saggi tra cui: Intelligence e sicurezza del cyberspazio (2022), Intelligence e competitività economica (2024) e SPAZIO & CYBER – intersezioni, convergenze e scenari emergenti (2024).

https://www.ictsecuritymagazine.com/articoli/infrastrutture-critiche-sottomarine/

È con grande entusiasmo che annunciamo le date dei due eventi Cybersecurity 2025 più attesi nel panorama italiano: la 13a Edizione Cyber Crime Conference e il 23° Forum ICT Security.

Eventi Cybersecurity 2025: Il futuro della sicurezza digitale ti aspetta

Segna in agenda le seguenti date:

Cyber Crime Conference – “Oltre le minacce: plasmare la resilienza digitale”

16 e 17 aprile 2025, Roma – Auditorium della Tecnica, zona EUR

Preparatevi a due giorni intensi dedicati alle ultime frontiere del cybercrime e alle strategie di difesa più innovative. Quest’anno, la conferenza si focalizzerà sulle minacce emergenti nel panorama della sicurezza e sulle contromisure necessarie per proteggere aziende, organizzazioni e infrastrutture critiche.

Forum ICT Security – “Innovazione e Sicurezza: un binomio inscindibile”

19 e 20 novembre 2025, Roma – Auditorium della Tecnica, zona EUR

Il più importante evento italiano dedicato alla sicurezza informatica torna con un’edizione che promette di superare ogni aspettativa. Due giornate immersive dove innovazione tecnologica e sicurezza si fondono per delineare il futuro della protezione digitale.

Highlights degli eventi:

• Keynote speech di esperti nazionali internazionali
• Tavole rotonde dei CISO italiani
• Case study di successo presentati dai protagonisti del settore
• Networking con i maggiori esperti del settore
• Area espositiva con le ultime soluzioni tecnologiche

Non perdete l’opportunità di partecipare a questi eventi fondamentali per tutti i professionisti della sicurezza informatica.

Per maggiori informazioni e aggiornamenti, iscriviti alla newsletter di ICT Security Magazine: https://www.ictsecuritymagazine.com/newsletter/

La sede di entrambi gli eventi sarà l’Auditorium della Tecnica, Viale Umberto Tupini, 65, 00144 Roma RM

La sicurezza digitale non è solo una sfida, è il nostro futuro. Ti aspettiamo!

https://www.ictsecuritymagazine.com/notizie/eventi-cybersecurity-2025-il-futuro-della-sicurezza-digitale/

Nel panorama attuale della sicurezza informatica, la rilevazione delle anomalie (anomaly detection) rappresenta una componente fondamentale per proteggere le infrastrutture digitali moderne. L’evoluzione delle minacce informatiche ha reso necessario lo sviluppo di sistemi sempre più sofisticati in grado di identificare comportamenti anomali e potenziali rischi per la sicurezza. In questo contesto, l’utilizzo di tecniche basate su neural networks ha dimostrato una notevole efficacia, offrendo soluzioni innovative e potenti per l’identificazione di pattern anomali e la prevenzione di attacchi.

Le principali Architetture di Reti Neurali

Nel campo dell’anomaly detection, diverse architetture di reti neurali hanno dimostrato la loro efficacia, ciascuna con caratteristiche e applicazioni specifiche. Le Deep Neural Networks (DNN) costituiscono l’architettura fondamentale per la rilevazione delle anomalie. Queste reti complesse sono organizzate in una struttura gerarchica che parte da un layer di input, deputato all’acquisizione dei dati grezzi, prosegue attraverso molteplici hidden layers che elaborano progressivamente l’informazione, e culmina in un layer di output che produce la classificazione finale. Il processo di addestramento delle DNN si concentra sull’apprendimento dei pattern normali del sistema, permettendo successivamente di identificare come anomalie le deviazioni significative da questi pattern durante la fase di inferenza.

Le Convolutional Neural Networks (CNN) rappresentano un’evoluzione specializzata particolarmente efficace nell’analisi di dati strutturati come i log di rete e le serie temporali. La loro architettura distintiva, basata su layer convolutivi, eccelle nell’estrazione di feature spaziali e temporali dai dati, nell’identificazione di pattern ricorrenti e nella riduzione intelligente della dimensionalità, preservando al contempo le informazioni cruciali per l’analisi.

Un’altra architettura fondamentale è rappresentata dalle Recurrent Neural Networks (RNN), insieme alle loro varianti evolute come le Long Short-Term Memory (LSTM) e le Gated Recurrent Units (GRU). Queste reti sono state specificamente progettate per l’analisi di sequenze temporali, caratteristica che le rende particolarmente adatte per l’analisi di log di sistema e traffico di rete. La loro capacità di mantenere una memoria interna permette di modellare efficacemente le dipendenze temporali nei dati, tracciando pattern complessi che si sviluppano nel tempo e identificando anomalie in sequenze di eventi correlati.

L’efficacia di queste architetture è ulteriormente potenziata dalla loro capacità di adattarsi a diversi contesti e tipologie di dati, rendendo possibile la creazione di sistemi di anomaly detection robusti e versatili. La scelta dell’architettura più appropriata dipende dalle specifiche esigenze del contesto applicativo, dalla natura dei dati da analizzare e dal tipo di anomalie da rilevare.

Approcci Metodologici nell’Anomaly Detection

Nel contesto dell’anomaly detection basata su neural networks, si sono sviluppati tre principali approcci metodologici, ciascuno con caratteristiche e applicazioni distintive che rispondono a diverse esigenze e scenari operativi.

Il supervised learning rappresenta l’approccio più tradizionale e strutturato, basandosi su dataset che contengono esempi esplicitamente etichettati di comportamenti sia normali che anomali. Questo metodo offre notevoli vantaggi in termini di accuratezza nella detection e nella capacità di identificare con precisione specifiche classi di anomalie. L’addestramento supervisionato permette infatti alla rete di apprendere caratteristiche distintive molto specifiche delle diverse tipologie di attacco. Tuttavia, questo approccio presenta alcune limitazioni significative: la necessità di disporre di dataset accuratamente etichettati, processo spesso costoso e time-consuming, e il rischio di overfitting sulle anomalie note, che può compromettere la capacità del sistema di rilevare nuove tipologie di attacchi.

L’unsupervised learning si pone come alternativa più flessibile, operando senza la necessità di esempi etichettati. Questo approccio si basa su tecniche sofisticate come gli autoencoders, che apprendono rappresentazioni compresse dei dati normali, e i modelli generativi come le Generative Adversarial Networks (GAN), che possono modellare la distribuzione dei dati normali. Le tecniche di clustering e outlier detection vengono impiegate per identificare pattern che deviano significativamente dal comportamento normale appreso. L’approccio non supervisionato offre il vantaggio significativo di poter operare su dati grezzi non etichettati, rendendolo particolarmente adatto per scenari reali dove l’etichettatura completa dei dati non è praticabile.

Il semi-supervised learning emerge come soluzione intermedia particolarmente promettente, combinando i punti di forza degli approcci precedenti. Questo metodo si basa principalmente sull’addestramento su dati normali etichettati, utilizzando poi questa conoscenza per identificare le anomalie come deviazioni significative dal comportamento normale appreso. L’approccio semi-supervisionato si è dimostrato particolarmente efficace nella capacità di generalizzare a nuove tipologie di attacco, mantenendo al contempo una buona robustezza nella detection. La sua flessibilità lo rende particolarmente adatto per sistemi di sicurezza che devono evolversi continuamente per far fronte a nuove minacce.

L’efficacia di questi approcci metodologici può essere ulteriormente potenziata attraverso tecniche di ensemble learning, che combinano multiple istanze di modelli per ottenere risultati più robusti e affidabili. Inoltre, l’integrazione di conoscenza di dominio specifica nel processo di addestramento può migliorare significativamente le prestazioni dei sistemi di anomaly detection, indipendentemente dall’approccio metodologico scelto.

Metriche di Valutazione nei Sistemi di Anomaly Detection

La valutazione dell’efficacia dei sistemi di anomaly detection basati su neural networks richiede un’analisi approfondita attraverso metriche specifiche che permettono di quantificare diversi aspetti delle prestazioni del sistema. Queste metriche sono fondamentali non solo per valutare l’efficacia complessiva del sistema, ma anche per confrontare diverse soluzioni e guidare il processo di ottimizzazione dei modelli.

La precision rappresenta una delle metriche fondamentali e misura l’accuratezza del sistema nella rilevazione delle vere anomalie. In termini pratici, indica la proporzione di anomalie correttamente identificate rispetto al totale delle segnalazioni generate dal sistema. Un’alta precision indica che il sistema è affidabile nelle sue segnalazioni, minimizzando i falsi allarmi che potrebbero sovraccaricare gli analisti di sicurezza.

Il recall, noto anche come sensitivity, valuta invece la capacità del sistema di identificare tutte le anomalie effettivamente presenti nei dati. Questa metrica è particolarmente critica in contesti di sicurezza, dove la mancata identificazione di un’anomalia potrebbe avere conseguenze gravi. Un elevato recall indica che il sistema è efficace nel rilevare la maggior parte delle minacce, minimizzando il rischio di lasciare vulnerabilità non identificate.

L’F1-score fornisce una misura bilanciata delle prestazioni del sistema, combinando precision e recall attraverso una media armonica. Questa metrica è particolarmente utile quando è necessario trovare un equilibrio ottimale tra la capacità di rilevare le anomalie e la minimizzazione dei falsi allarmi. L’F1-score risulta particolarmente significativo in scenari dove sia i falsi positivi che i falsi negativi hanno un impatto significativo sulle operazioni di sicurezza.

Il False Alarm Rate (FAR) misura la frequenza con cui il sistema genera falsi allarmi, ovvero segnala come anomalie comportamenti che in realtà sono normali. Questa metrica è cruciale per valutare l’usabilità pratica del sistema: un FAR troppo elevato può portare a quello che viene definito “alarm fatigue”, rendendo il sistema meno efficace nella pratica nonostante potenziali alte prestazioni in altre metriche.

Oltre a queste metriche principali, altri indicatori importanti includono il True Positive Rate (TPR), che misura la proporzione di anomalie correttamente identificate, e il True Negative Rate (TNR), che valuta la capacità del sistema di classificare correttamente i comportamenti normali. L’Area Under the Curve (AUC) della curva ROC (Receiver Operating Characteristic) fornisce invece una misura complessiva delle prestazioni del sistema attraverso diverse soglie di decisione.

La scelta delle metriche più appropriate per valutare un sistema di anomaly detection dipende fortemente dal contesto applicativo e dai requisiti specifici del sistema di sicurezza. In ambiti critici, potrebbe essere necessario privilegiare un alto recall anche a costo di un maggior numero di falsi positivi, mentre in altri contesti potrebbe essere più importante mantenere un basso FAR per garantire l’efficienza operativa del sistema.

L’analisi combinata di queste metriche permette di ottenere una comprensione approfondita delle prestazioni del sistema e di identificare aree di possibile miglioramento. È importante notare che queste metriche dovrebbero essere valutate su diversi set di dati e in diverse condizioni operative per garantire una valutazione robusta e affidabile delle prestazioni del sistema.

Sfide Aperte nell’Anomaly Detection

Nel campo dell’anomaly detection basata su neural networks, diverse sfide significative rimangono ancora aperte e rappresentano importanti aree di ricerca e sviluppo. Queste sfide richiedono un approccio multidisciplinare che combina competenze in machine learning, sicurezza informatica e analisi dei dati.

La riduzione dei falsi positivi rimane una delle sfide più critiche. Nonostante i significativi progressi nelle tecniche di deep learning, i sistemi di anomaly detection continuano a generare un numero significativo di falsi allarmi. Questo problema non è solo una questione tecnica, ma ha importanti implicazioni pratiche: un elevato tasso di falsi positivi può portare alla cosiddetta “alert fatigue“, riducendo l’efficacia complessiva del sistema di sicurezza. La ricerca si sta concentrando sullo sviluppo di nuovi algoritmi e architetture che possano migliorare la precisione della detection mantenendo al contempo un’alta sensibilità nella rilevazione delle vere anomalie.

La robustness rispetto al rumore nei dati rappresenta un’altra sfida fondamentale. I sistemi di anomaly detection devono operare in ambienti reali dove i dati sono spesso imperfetti, incompleti o disturbati. La capacità di mantenere prestazioni affidabili in presenza di rumore è cruciale per l’applicabilità pratica di questi sistemi. Le ricerche attuali si stanno concentrando sullo sviluppo di architetture più robuste e tecniche di pre-processing dei dati più efficaci.

La scalabilità rappresenta una sfida sempre più rilevante con l’aumento costante dei volumi di dati da analizzare. I sistemi di anomaly detection devono essere in grado di processare e analizzare grandi quantità di dati in tempo reale, mantenendo prestazioni efficienti e tempi di risposta rapidi. Questo richiede non solo ottimizzazioni algoritmiche, ma anche innovazioni nell’architettura dei sistemi e nelle tecniche di distribuzione del carico computazionale.

L’interpretabilità dei risultati è diventata una sfida cruciale, specialmente in contesti dove le decisioni del sistema possono avere impatti significativi sulla sicurezza. Gli utenti finali necessitano di comprendere il ragionamento dietro le segnalazioni di anomalie per poter prendere decisioni informate. La ricerca si sta muovendo verso lo sviluppo di tecniche di explainable AI specifiche per l’anomaly detection, che possano fornire spiegazioni chiare e actionable delle anomalie rilevate.

La detection di anomalie zero-day, ovvero la capacità di identificare minacce precedentemente sconosciute, rappresenta una delle sfide più complesse. I sistemi devono essere in grado di generalizzare dalle anomalie note per identificare nuovi tipi di attacchi mai visti prima. Questo richiede lo sviluppo di approcci innovativi che combinino apprendimento supervisionato e non supervisionato, insieme a tecniche di transfer learning e domain adaptation.

Un’ulteriore sfida emergente riguarda la privacy e la sicurezza dei dati utilizzati per l’addestramento dei modelli. Con l’aumentare delle normative sulla protezione dei dati, diventa cruciale sviluppare tecniche di anomaly detection che possano operare efficacemente pur rispettando i vincoli di privacy e conformità normativa.

La gestione degli adversarial attacks rappresenta un’altra area critica. I sistemi di anomaly detection devono essere resistenti a tentativi deliberati di elusione o manipolazione. Questo richiede lo sviluppo di tecniche di adversarial training e meccanismi di difesa specifici per i sistemi di detection delle anomalie.

Infine, l’integrazione efficace dei sistemi di anomaly detection nelle infrastrutture di sicurezza esistenti rimane una sfida significativa. È necessario sviluppare standard e protocolli che permettano una seamless integration con altri sistemi di sicurezza, garantendo al contempo performance ottimali e facilità di gestione.

Conclusioni

Nel panorama attuale della sicurezza informatica, le neural networks hanno dimostrato di essere uno strumento fondamentale per l’anomaly detection, offrendo soluzioni innovative ed efficaci per la protezione delle infrastrutture digitali. L’evoluzione continua delle tecniche di deep learning, unita alla crescente disponibilità di risorse computazionali, ha aperto nuove possibilità per lo sviluppo di sistemi sempre più sofisticati e performanti.

La ricerca nel campo dell’anomaly detection basata su neural networks sta progredendo rapidamente, con miglioramenti significativi in termini di accuratezza, robustness e scalabilità. L’integrazione di diverse architetture neurali, ciascuna con le proprie specificità e punti di forza, permette di affrontare in modo efficace la complessità e la varietà delle minacce informatiche moderne. Le Convolutional Neural Networks, le Recurrent Neural Networks e le loro varianti specializzate stanno dimostrando capacità sempre più raffinate nell’identificazione di pattern anomali e nella previsione di potenziali minacce.

Un aspetto particolarmente promettente è l’integrazione sinergica tra le tecniche di deep learning e la conoscenza di dominio specifica nel campo della sicurezza informatica. Questa combinazione permette di sviluppare sistemi che non solo apprendono dai dati, ma incorporano anche l’expertise umana e le best practice del settore. Il feature engineering guidato dalla conoscenza del dominio sta emergendo come componente cruciale per migliorare l’efficacia dei sistemi di detection, permettendo di focalizzare l’attenzione su caratteristiche particolarmente rilevanti per l’identificazione delle anomalie.

La continua evoluzione delle minacce informatiche richiede sistemi di anomaly detection sempre più adattivi e intelligenti. In questo contesto, l’approccio basato su neural networks si sta dimostrando particolarmente valido grazie alla sua capacità di apprendere e adattarsi a nuovi pattern di attacco. La ricerca futura si concentrerà probabilmente sullo sviluppo di architetture ancora più avanzate, capaci di bilanciare efficacemente la necessità di alta accuratezza nella detection con requisiti pratici come l’efficienza computazionale e la facilità di deployment.

L’importanza crescente della explainable AI nel contesto della sicurezza informatica sta guidando lo sviluppo di nuove metodologie che rendano più trasparente e interpretabile il processo decisionale delle neural networks. Questo aspetto è fondamentale per costruire la fiducia degli utenti nei sistemi automatizzati di anomaly detection e per facilitare l’integrazione di questi sistemi nei processi di sicurezza esistenti.

In conclusione, mentre le sfide nel campo dell’anomaly detection rimangono significative, l’approccio basato su neural networks continua a mostrare un potenziale straordinario. La combinazione di tecniche avanzate di deep learning, conoscenza di dominio e innovazioni nell’architettura dei sistemi sta aprendo la strada a soluzioni sempre più efficaci per la protezione delle infrastrutture informatiche. Il futuro di questo campo appare promettente, con nuove opportunità di ricerca e sviluppo che emergeranno dall’evoluzione continua sia delle tecnologie di machine learning che delle esigenze di sicurezza informatica.

Fonti:

Creating a deep learning neural network for anomaly detection on time-series data

Deep Learning for Anomaly Detection

A Review of Neural Networks for Anomaly Detection

Deep Learning for Anomaly Detection: A Review

Artificial neural networks based techniques for anomaly detection in Apache Spar

Anomaly Detection Using Deep Neural Network for IoT Architecture

A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time Series Data

https://www.ictsecuritymagazine.com/articoli/anomaly-detection-sec/

Un finanziamento a cascata da 16,5 milioni di euro per migliorare la resilienza cibernetica e l’innovazione nella cybersicurezza: sono le risorse che dalla Commissione europea giungeranno alle piccole e medie imprese europee, per il tramite di SECURE, progetto finanziato dalla Commissione Europea, attraverso lo European Cybersecurity Competence Center.

Il progetto, coordinato dall’Agenzia per la Cybersicurezza nazionale (ACN) e costituito da 14 partner (tra beneficiari e affiliati) di sette paesi europei, include Cyber 4.0, il Centro di competenza nazionale ad alta specializzazione sulla cybersecurity promosso dal Ministero delle Imprese e del Made in Italy (MIMIT), come partner tecnico di riferimento. L’obiettivo principale di “SECURE – Strengthening EU SMEs Cyber Resilience” è fornire supporto sia di natura finanziaria che di competenze alle PMI europee, per sviluppare strumenti e risorse necessari a garantire la conformità al Cyber Resilience Act (CRA), il regolamento dell’Unione Europea che stabilisce requisiti obbligatori di cybersecurity per i prodotti hardware e software con componenti digitali.

Il budget totale è di 22 milioni di euro, di cui 16,5 milioni verranno destinati direttamente alle PMI europee attraverso cascade funding (Financial Support for Third Parties, FSTP) e il sistema delle cosiddette “open call”.

ACN, in qualità di coordinatore del progetto, ha promosso e raccolto le adesioni in un consorzio di partner provenienti da sette paesi europei, in sinergia con gli NCC degli Stati Membri interessati, finalizzando una proposta progettuale che sarà finanziata con fondi DEP dall’ECCC a beneficio della resilienza cyber di tutte le PMI Europee

Cyber 4.0, in qualità di partner tecnico di riferimento, avrà il compito di sviluppare una piattaforma integrata per la gestione delle call, la distribuzione dei finanziamenti e la pubblicazione di materiali e strumenti per il supporto alla compliance al CRA, oltre che di amministrare i fondi in erogazione attraverso le open call.

Il Cyber Resilience Act, approvato il 12 marzo 2024 dal Parlamento Europeo ed entrato in vigore il 12 novembre 2024, sarà applicabile a partire dall’11 dicembre 2027. Tempo dunque 36 mesi per adeguarsi a un regolamento che mira a salvaguardare i consumatori e le imprese che acquistano o utilizzano prodotti e software con una componente digitale, imponendo precisi requisiti di sicurezza per poter circolare nel mercato dell’Unione.

La gamma merceologica interessata è vastissima, dalle webcam agli smart watch, dai videogame ai software, fino alla componentistica IoT.

Tra gli obiettivi di SECURE ci sono anche attività di sensibilizzazione, formazione e istruzione nell’ambito della sicurezza informatica; lo sviluppo di strumenti per facilitare l’implementazione del Cyber Resilience Act; lo svolgimento di test e valutazioni delle vulnerabilità dei prodotti con elementi digitali per verificare la conformità al CRA; eventi e iniziative per promuovere sinergie tra le Pmi europee. Il progetto è nato nel contesto del bando “DIGITAL-ECCC-2024-DEPLOY-CYBER-06: Deployment Actions in the area of Cybersecurity” e rientra nell’ambito del Digital Europe Programme (DIGITAL), programma di finanziamento europeo gestito dall’European Cybersecurity Competence Centre (ECCC).

Coordinato da ACN, SECURE coinvolge altresì Austria (Platform industrie 4.0 e 5 European Digital Innovation Hubs), Belgio (Centre Pour La Cybersécurité), Lussemburgo (Luxembourg House Of Cybersecurity), Polonia (Naukowa i Akademicka Siec Komputerowa -Panstwowy Instytut Badawczy), Romania (National Coordination Centre-RO) e Spagna (Instituto Nacional De Ciberseguridad De Espana). Inoltre, altri 12 National Coordination Centers (NCC) europei hanno espresso il loro supporto ufficiale alla sua implementazione, ampliando così l’ambito geografico e l’ecosistema delle PMI coinvolte.

Per il Direttore Generale di ACN, Bruno Frattasi: “L’avvio del progetto Secure rappresenta un altro importante esempio della capacità di intercettare risorse europee a beneficio dello sviluppo tecnologico del Paese e della sicurezza informatica allo scopo di garantire, al massimo delle nostre potenzialità, l’ecosistema digitale nazionale. Il progetto rappresenta inoltre un virtuoso modello di coordinamento tra attori diversi, pubblici e privati, finalizzato a dare un concreto e tangibile supporto al tessuto imprenditoriale italiano nel momento in cui sarà chiamato a raggiungere i livelli di compliance richiesti dal Cyber Resilience Act. La piattaforma, che verrà erogata a beneficio delle nostre pmi e di omologhe realtà europee che vorranno avvalersene, si inscrive in quello stesso filone di supporto e sostegno al mondo imprenditoriale italiano che ha trovato in ACN un sicuro punto di riferimento. Le pmi per altro, usufruendo di strumenti e risorse per investire e crescere in sicurezza informatica, potranno divenire più competitive nell’area degli scambi globali”.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/cybersecurity-al-via-il-progetto-secure-165-milioni-di-euro-per-le-pmi/518754/

Sono un target appetibile per i cyber criminali i circa 35 milioni di clienti di Poste Italiane, dei quali più di 20 milioni dotati di accessi digitali in App e Web, che ogni anno eseguono più di 3 miliardi di transazioni (trasferimento fondi, prelievi ATM, pagamenti POS ed acquisti e-commerce) per un valore annuo di più di 250 miliardi di euro.

Ma i criminali informatici hanno vita difficile con il gruppo guidato da Matteo Del Fante, perché la percentuale di operazioni in frode sui sistemi digitali di Poste italiane risulta pari allo 0.0012% del transato. 

Questi risultati sono stati ottenuti grazie sia all’impiego di tecnologie all’avanguardia sia di personale altamente skillato.

Nel primo caso il ruolo chiave è giocato dal Fraud Prevention Center (FPC), con sedi a Roma, questo inaugurato il 21 marzo 2023, e Torino, con il quale Poste italiane presidia ogni giorno, 24 ore su 24, la sicurezza delle transazioni finanziarie e assicurative compiute negli uffici postali e online.

Nelle due sedi operano oltre 100 specialisti ad alta preparazione che lavorano con il supporto di tecnologie all’avanguardia. Nel 2024 hanno gestito più di 1 milione di alert di rischio sventando, prima dell’esecuzione, tentativi di frode a danno dei clienti per circa 25 milioni di euro. 

Gli altri risultati nel 2024: blocco preventivo di circa 50mila account compromessi

Dal bilancio dell’attività antifrode digitale del 2024 emergono ulteriori importanti risultati, come la riduzione del Fraud Rate, ossia la percentuale di operazioni non genuine rispetto al transato, sia in termini generali, che riguardo al singolo segmento delle carte di pagamento nel quale, relativamente ai pagamenti fisici ed agli acquisti eCommerce, si è attestato ad oltre il 50% in meno rispetto all’anno precedente, che in ogni caso riportava risultati già contenuti, fa sapere Poste italiane nel suo report. 

Sempre nel corso del 2024, il sistema Fraud DNA, dedicato al monitoraggio degli accessi ai servizi on line di Poste Italiane, e la soluzione Adaptive Authentication hanno consentito di 
analizzare complessivamente 2 miliardi di accessi web ai servizi online, con la rilevazione ed il blocco preventivo di circa 50 mila account compromessi. 

Mentre la centrale allarmi antiphishing ha rilevato e analizzato un totale 
di oltre 6mila casi con conseguente shutdown dei siti clone con un tempo medio di disattivazione di circa 3 ore. 

In ambito assicurativo, grazie anche all’AI bloccate frodi per 8 milioni

I cyber criminali sono sempre all’avanguardia e per contrastarli è fondamentale impiegare anche le più avanzate tecnologie di intelligenza artificiale con le quali, in ambito assicurativo, Poste italiane, a fronte di oltre 800mila richieste di liquidazione per un importo totale liquidato di circa 17 miliardi, ha riscontrato 66 tentativi di frode per un totale di importo contrastato pari a circa 8 milioni di euro, e neutralizzando con successo il 100% dei tentativi di frode rilevati nel 2024. 

Il vantaggio di unica piattaforma informatica antifrode

Tutti questi risultati, che trasmettono fiducia ai clienti e stakeholder di Poste italiane, sono frutto della visione e della strategia in ambito cyber del vertice del Gruppo. È stata, infatti, vincente la scelta dell’amministratore delegato Matteo Del Fante e del direttore generale Giuseppe Lasco  di creare un ecosistema tecnologico e organizzativo antifrode realizzato in un’unica piattaforma informatica, con tutti i canali e i servizi finanziari del Gruppo Poste Italiane, precedentemente gestiti da piattaforme separate. Ciò permette che l’azione di controllo delle transazioni finalizzata alla prevenzione delle frodi sia integrata in un processo unico che segue tutte le fasi, dalla prevenzione alla gestione, in cui la componente tecnologica è a supporto di quella umana.

Infine, il Fraud Prevention Center di Poste Italiane svolge anche attività di informazione e comunicazione in tema di sicurezza antifrode rivolta agli uffici postali e ai cittadini. 
Perché più aumenta nel Paese la cultura della cybersicurezza più i criminali informatici hanno vita dura.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/poste-italiane-nel-2024-sventate-cyber-truffe-per-circa-25-milioni-euro/518504/