Un’infrastruttura AI avanzata per gli Stati Uniti

Sono i giorni dei grandi annunci, il Presidente degli Stati Uniti, Donald Trump, lo aveva ampiamente preannunciato. Tutti il mondo è attento a quello che si dice e accade a Washington. Da esperto uomo di spettacolo Trump non vuole deludere le aspettative. Ieri, parlando con i giornalisti, il Presidente degli Stati Uniti ha annunciato un nuovo imponente progetto per lo sviluppo dell’intelligenza artificiale (AI): lo “Stargate Project”.

La nuova impresa, che sarà finanziata con 500 miliardi di dollari nei prossimi quattro anni, avrà al centro OpenAI, che metterà subito sul piatto 100 miliardi di dollari.

I primi azionisti e finanziatori di Stargate, oltre alla società creatrice di ChatGPT, sono l’altra americana Oracle, la MGX dagli Emirati Arabi Uniti e la giapponese SoftBank (che metteranno ognuna altri 100 miliardi di dollari circa).

Come spiegato dal Presidente americano, alla presenza del Presidente e CTO di Oracle, Larry Ellison, del CEO di OpenAI, Sam Altman, e il CEO di SoftBank, Masayoshi Son, la nuova infrastruttura dovrà garantire la leadership americana nell’AI, creare 100 mila posti di lavoro negli Stati Uniti, garantire maggiore sicurezza nazionale, sostenere crescita economica e reindustrializzare il Paese.

Le Big Tech al lavoro per Trump

La responsabilità finanziaria del progetto è di SoftBank, mentre quella operativa rimarrà ad OpenAI.

Oltre Oracle e OpenAI, tra i partner tecnici iniziali troviamo Arm, Microsoft e NVIDIA. A quanto si apprende, la realizzazione del progetto è già in corso, a partire dal Texas, e si stanno valutando potenziali siti per altri campus nel resto del paese.

Il progetto vede al centro OpenAI perché organizzazione che ha dato il via all’avventura americana dell’AI con il suo ChatGPT, iniziando ad investire, sviluppare e realizzare data center in tutto il Paese.

Un’infrastruttura iniziale che oggi come ben sappiamo non regge più l’aumento esponenziale di utilizzatori di ChatGPT, 70 milioni solo negli Stati Uniti, più di 300 milioni nel resto del mondo, senza contare gli altri modelli ormai in commercio e in uso, come Claude di Anthropic, Gemini di Google, Copilot di Microsoft, Llama di Meta o Grok di xAI, solo per fare alcuni esempi tra i più conosciuti.

Da qui in poi bisognerà aspettarsi un moltiplicarsi di iniziative di questo tipo, soprattutto dopo che Trump, nello stesso giorno del suo insediamento, ha annullato un ordine esecutivo firmato nel 2023 dal suo predecessore Joe Biden, che mirava a mitigare i rischi posti dall’AI per la sicurezza nazionale, i lavoratori e i consumatori. Dalla Casa Bianca il messaggio è chiaro: poche regole, più business.

Si moltiplicano i data center AI negli USA

Microsoft, uno dei principali sostenitori di OpenAI, ha dichiarato di voler investire 80 miliardi di dollari in nuovi data center basati sull’intelligenza artificiale. Il gigante di Redmond è inoltre coinvolto in un’iniziativa analoga da 100 miliardi di dollari, con dentro BlackRock, per aumentare i data center AI in tutto il Paese.

Amazon, invece, solo negli ultimi due mesi ha già annunciato due progetti del valore di circa 10 miliardi di dollari ciascuno sempre dedicati all’AI.

In un rapporto dell’anno scorso, McKinsey ha affermato che la domanda globale di capacità dei data center sarà più che triplicata entro il 2030, con una crescita compresa tra il 19% e il 27% annuo entro il 2030.

Per soddisfare tale domanda, la società di consulenza ha stimato che entro il 2030 sarà necessario realizzare almeno il doppio della capacità realizzata a partire dal 2000.

Il problema del fabbisogno energetico (e dell’indifferenza climatica e ambientale)

Un trend che sembra inarrestabile, dunque, ma che deve fare già oggi i conti con un limite enorme: i data center sono altamente energivori. Si cerca di alimentarli sempre più con fonti energetiche rinnovabili, sia per sopperire al fabbisogno, sia per rendere il settore più sostenibile e rispettare gli obiettivi di decarbonizzazione annunciati praticamente da tutte le società in campo.

Trump ha già lasciato intendere che degli obiettivi climatici e ambientali a lui poco importa. Cosa questa che potrebbe far deragliare tutti i progetti green avviati e allentare ogni cordone regolatorio. Staremo a vedere se le Big Tech butteranno al mare quanto fin qui fatto in termini di transizione energetica, seguendo solo le leggi del profitto, o continueranno a tener conto della nuova sensibilità ambientale e climatica dimostrata da una larga parte della popolazione americana e mondiale (difficile che dimostrino reale attenzione e preoccupazione per lo stato sempre più critico del sistema climatico terrestre o per le conseguenze di inquinamento e surriscaldamento globale sulla nostra salute e quella degli ecosistemi).

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/trump-lancia-il-progetto-stargate-softbank-openai-oracle-e-mgx-investiranno-500-miliardi-di-dollari-nellai/518845/

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/

Gen 20, 2025 Marina Londei In evidenza, News, Prodotto, RSS 0

---

SentinelOne ha annunciato che Purple AI, la soluzione di sicurezza della compagnia basata su intelligenza artificiale, supporta ora le piattaforme di security Zero Trust Exchange di Zscaler, i firewall di Palo Alto Networks, la soluzione di Okta, TAP di Proofpoint, FortiGate di Fortinet e Microsoft Office 365.

Purple AI potenzia le analisi dei professioni di sicurezza consentendogli di individuare più facilmente i rischi nascosti e le minacce. Combinando strumenti di IA, la piattaforma offre riepiloghi delle minacce con informazioni di intelligence sintetizzate e approfondimenti contestuali.

“Purple AI è diventato velocemente il prodotto di SentinelOne con la crescita più rapida e il riscontro dei clienti è stato incredibile. E’ molto più di un semplice strumento di query in linguaggio naturale e Purple AI sta automatizzando le indagini, dando priorità alle minacce e riducendo i tempi di risposta da ore a pochi minuti“ ha dichiarato Ely Kahn, Vice President, Product Management, Cloud Security, AI/ML e Core Platform di SentinelOne. “Ampliando le capacità di Purple AI ai dati nativi e di terze parti in Singularity, i clienti possono bloccare rapidamente anche gli attacchi più sofisticati, ottenendo più valore dall’intero stack di sicurezza e dai dati di sicurezza raccolti“.

La piattaforma semplifica il processo di raccolta dei dati per i team di sicurezza e abilita un’individuazione delle minacce più semplice e completa, accelerando di conseguenza le indagini e la risposta agli attacchi. Purple AI sfrutta l’Open Cybersecurity Schema Framework (OCSF) per interrogare i dati che sono stati normalizzati al momento di acquisizione. I clienti possono beneficiare quindi di interrogazioni immediate su dati nativi e delle terze parti, di correlazioni e contesto in tutto lo stack di sicurezza e scalabilità su fonti di dati in continua espansione.

SentinelOne ha anche introdotto il supporto multilingua per Purple AI, ampliando le query in linguaggio naturale e le sintesi in spagnolo, francese, tedesco, italiano, olandese, arabo, giapponese, coreano, tailandese, malese, indonesiano e altre lingue.

L’espansione di Purple AI di SentinelOne a fornitori terzi è disponibile immediatamente per tutti i clienti della piattaforma, così come il supporto multilingua.

---

---

---

https://www.securityinfo.it/2025/01/20/sentinelone-estende-purple-ai-alle-soluzioni-di-sicurezza-di-terze-parti/?utm_source=rss&utm_medium=rss&utm_campaign=sentinelone-estende-purple-ai-alle-soluzioni-di-sicurezza-di-terze-parti

Che cos’è il Nordic Warden e come funziona

La recente attivazione del sistema di monitoraggio dei cavi sottomarini basato sull’intelligenza artificiale Nordic Warden, sotto la guida del Joint Expeditionary Force (JEF), sottolinea l’importanza strategica delle infrastrutture (e del domìnio subacqueo) per la sicurezza e la prosperità delle nazioni occidentali.

L’iniziativa è stata lanciata a seguito di un incidente che ha coinvolto Estlink 2, un importante cavo sottomarino che collega Estonia e Finlandia, danneggiato il giorno di Natale 2024, riducendo drasticamente la capacità di trasmissione elettrica tra i due Paesi, da 1.016 MW a 358 MW circa.

La JEF (Joint Expeditionary Force) è una partnership militare multinazionale nordeuropea guidata dal Regno Unito, progettata per operazioni di risposta rapida in ogni scenario. Ne fanno parte, oltre alla Gran Bretagna, Danimarca, Finlandia, Islanda, Norvegia, Svezia, Estonia, Lettonia, Lituania e dai Paesi Bassi.

Può agire in maniera autonoma, ma allo stesso tempo schierarsi a supporto della NATO se necessario.

Il sistema attivato sfrutta l’intelligenza artificiale (AI) per valutare i dati provenienti da una serie di fonti, tra cui il sistema di identificazione automatica (AIS) utilizzato dalle navi per trasmettere la propria posizione, per calcolare il rischio rappresentato da ciascuna imbarcazione nelle vicinanze di importanti infrastrutture sottomarine.

L’annuncio fa seguito all’accordo siglato il mese scorso tra Regno Unito, Danimarca, Svezia, Polonia, Finlandia ed Estonia per aumentare il potenziale di controllo delle imbarcazioni considerate ‘sospette’ che navigano lungo la rotta baltica.

Dove è stato attivato e perché

Sono 22 le aree interessate dal Nordic Warden, tra cui parti della Manica, del Mare del Nord, del Kattegat e del Mar Baltico, attualmente monitorate dalla sede operativa del JEF a Northwood.

Cavi come Estlink 2 non rappresentano solo un mezzo tecnico per trasferire dati o energia, ma costituiscono una vera e propria infrastruttura critica per l’economia globale. Attualmente, oltre il 95% delle comunicazioni globali via Internet transita attraverso cavi sottomarini, e gli impianti di trasmissione energetica stanno diventando sempre più vitali per i collegamenti tra Paesi.

La loro sicurezza è essenziale per proteggere sistemi finanziari, operazioni militari e transazioni commerciali, oltre a garantire l’accesso stabile a energia e comunicazioni.

Il danneggiamento di Estlink 2, al momento, è stato attribuito a una possibile azione del cargo russo Eagle S, che potrebbe aver trascinato un’ancora sui fondali, evidenziando chiaramente la vulnerabilità di queste infrastrutture.

I pericoli che incombono sulle infrastrutture sottomarine

Non si tratta di un caso isolato: negli ultimi anni, il Baltico è stato teatro di diversi episodi di sabotaggio o danneggiamento non intenzionale. La crescente competizione tra Occidente e Russia, acuita dalla guerra in Ucraina, ha portato alla formazione di flotte ombra russe per aggirare le sanzioni e aumentato il rischio di operazioni mirate contro cavi strategici.

In questo scenario, Nordic Warden rappresenta un’innovazione cruciale per il monitoraggio delle minacce in tempo reale, utilizzando l’AI per analizzare i dati provenienti da diverse fonti, come il sistema di identificazione automatica (AIS) delle navi.

Centralità della protezione delle reti subacquee

La capacità di identificare e sorvegliare navi potenzialmente pericolose, come quelle appartenenti alla “flotta ombra” russa, consente ai partner del JEF e della NATO di rispondere tempestivamente a potenziali attacchi o incidenti.

L’importanza di questi sistemi, come è facile intervenire, va oltre la sicurezza locale. Come sottolineato dal premier britannico Keir Starmer, le infrastrutture sottomarine sono essenziali per il futuro energetico e digitale dell’Europa.

La cooperazione internazionale, abbinata a strumenti tecnologici avanzati come Nordic Warden, costituisce il fulcro delle politiche di sicurezza per proteggere queste arterie vitali dalle minacce fisiche e informatiche.

In un’epoca in cui le infrastrutture critiche sono sempre più esposte a sabotaggi e interferenze, investire nella loro protezione non è solo un imperativo di sicurezza nazionale, ma una condizione necessaria per garantire stabilità economica e geopolitica.

Fincantieri-Sparkle

Fincantieri, player globale nella cantieristica navale e delle tecnologie marine, e Sparkle, operatore specializzato in cavi sottomarini che fa capo a Tim, hanno firmato a dicembre 2024 un Memorandum d’Intesa per collaborare allo sviluppo di soluzioni tecnologiche innovative per la sorveglianza e la protezione dei cavi di telecomunicazione sottomarini.

L’accordo si inquadra nell’ambito di una visione strategica per lo sviluppo tecnologico e la competitività dell’Italia a livello internazionale, in cui due eccellenze collaborano per garantire la resilienza di infrastrutture fondamentali per la connettività digitale e per la crescita tecnologica del Paese.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/cavi-sottomarini-attivato-il-sistema-di-difesa-baltico-scandinavo-nordic-warden-guidato-dallai/518463/

Nel panorama sempre più digitalizzato della nostra società, il cybercrime si sta evolvendo con una rapidità allarmante, presentando sfide senza precedenti per la sicurezza informatica globale. Un’analisi approfondita delle più recenti ricerche nel settore rivela non solo tendenze preoccupanti e nuove modalità di attacco, ma anche l’emergere di strutture criminali sempre più sofisticate e organizzate. Questo fenomeno richiede un’attenzione particolare da parte di istituzioni, aziende e cittadini, poiché le sue implicazioni si estendono ben oltre il mondo virtuale.

Le Nuove Frontiere degli Attacchi Informatici

Il cybercrime ha subito una trasformazione significativa negli ultimi anni, adattandosi rapidamente alle innovazioni tecnologiche e sfruttando le vulnerabilità emergenti. Gli esperti del settore hanno identificato un preoccupante aumento degli attacchi ibridi, che combinano ransomware con il furto di dati, rendendo particolarmente complesse le strategie di rilevamento e mitigazione. Questi attacchi mostrano un livello di sofisticazione crescente, con i criminali che sviluppano costantemente nuove tecniche per eludere i sistemi di sicurezza tradizionali.

Le attività criminali online si sono evolute fino a includere network criminali organizzati che operano su scala transnazionale. Questi gruppi hanno sviluppato strutture gerarchiche ben definite, con ruoli specializzati e una chiara divisione del lavoro. I membri di questi network spaziano da operatori tecnici altamente qualificati a intermediari finanziari e “money mules“, creando una catena operativa efficiente e difficile da smantellare.

L’Internet delle Cose sotto Attacco

Un aspetto particolarmente allarmante è l’incremento degli attacchi mirati ai dispositivi IoT (Internet of Things). Con la proliferazione di dispositivi connessi nelle case e nelle industrie, i cybercriminali stanno trovando nuove vie per compromettere sistemi critici e accedere a dati sensibili. La vulnerabilità di questi dispositivi è spesso aggravata da pratiche di sicurezza inadeguate e dalla mancanza di standard uniformi di protezione.

Secondo gli ultimi studi, questa tendenza è destinata a intensificarsi, soprattutto considerando la rapida espansione del mercato IoT. Le infrastrutture critiche, in particolare, sono diventate obiettivi sempre più attraenti per i criminali informatici, con potenziali conseguenze devastanti per la società nel suo complesso.

L’Intelligenza Artificiale: Arma a Doppio Taglio

Un elemento di particolare interesse è l’utilizzo crescente dell’intelligenza artificiale (AI) e del machine learning da parte dei cybercriminali. Le analisi più recenti mostrano come queste tecnologie vengano impiegate per sviluppare attacchi più sofisticati e adattabili, capaci di eludere i tradizionali sistemi di sicurezza. Gli attacchi basati su AI possono apprendere e adattarsi in tempo reale, rendendo sempre più difficile la loro identificazione e neutralizzazione.

Parallelamente, le stesse tecnologie vengono utilizzate per la difesa, creando una sorta di “corsa agli armamenti” digitale. I sistemi di sicurezza basati su AI stanno diventando sempre più sofisticati, in grado di rilevare anomalie e comportamenti sospetti con una precisione sempre maggiore. Le ricerche più recenti indicano che l’implementazione di modelli predittivi basati sul machine learning ha migliorato del 15% l’accuratezza nella previsione degli attacchi rispetto ai modelli convenzionali.

La Crescente Minaccia delle Frodi Online

Un settore in rapida espansione è quello delle frodi online, in particolare le truffe romantiche e il sextortion. Queste attività criminali si sono evolute da operazioni individuali a vere e proprie imprese criminali organizzate, specialmente nell’Africa occidentale. Le ricerche condotte in Costa d’Avorio hanno rivelato l’esistenza di network criminali strutturati, con ruoli ben definiti che includono operatori tecnici, intermediari finanziari e complici all’interno delle istituzioni finanziarie.

Il Ruolo delle Criptovalute nel Panorama Criminale

Le criptovalute hanno introdotto nuove dimensioni nel panorama del cybercrime. Il cryptojacking, ovvero il dirottamento delle risorse di calcolo per il mining di criptovalute, è diventato un fenomeno sempre più diffuso. I criminali informatici hanno sviluppato tecniche di offuscamento e evasione sempre più sofisticate, come il metamorfismo e il reverse engineering, per nascondere le loro attività maligne.

L’analisi forense digitale ha acquisito un’importanza cruciale nella lotta contro questi crimini. Gli esperti stanno esplorando l’uso della tecnologia blockchain come soluzione promettente per migliorare la sicurezza e preservare le prove digitali, particolarmente in ambienti di smart city.

La Risposta Istituzionale e Normativa

La risposta globale a queste minacce sta diventando sempre più coordinata e sofisticata. L’Unione Europea sta implementando nuove misure normative, come il Cyber Resilience Act e il Digital Operational Resilience Act, per rafforzare la sicurezza informatica nel settore finanziario e proteggere le infrastrutture critiche. Questi strumenti legislativi mirano a stabilire standard comuni di sicurezza e promuovere la cooperazione tra gli Stati membri nella lotta al cybercrime.

Cybercrime: Tendenze Future e Sfide Emergenti

La natura transfrontaliera del cybercrime richiede una collaborazione internazionale sempre più stretta. Gli esperti prevedono un’ulteriore evoluzione delle minacce nel prossimo futuro. Particolare attenzione viene posta sugli attacchi sempre più sofisticati basati su AI e sulle nuove forme di cryptojacking e ransomware. Non meno rilevanti sono le preoccupazioni legate alle vulnerabilità nei sistemi di smart city e infrastrutture critiche, mentre all’orizzonte si profilano già le prime minacce legate alle tecnologie quantistiche.

Conclusioni e Prospettive

Il panorama del cybercrime continua a evolversi con una rapidità che mette alla prova le capacità difensive di organizzazioni e istituzioni. La risposta a queste sfide richiede un approccio olistico che combini innovazione tecnologica, collaborazione internazionale e adattabilità nelle strategie di difesa.

Il futuro della sicurezza informatica dipenderà dalla capacità di anticipare e rispondere efficacemente alle nuove minacce, mantenendo al contempo un equilibrio tra sicurezza e funzionalità dei sistemi digitali che sono ormai parte integrante della nostra vita quotidiana. Solo attraverso uno sforzo coordinato e continuo sarà possibile mantenere il passo con le minacce emergenti nel cyberspazio, proteggendo efficacemente sia le infrastrutture critiche che i dati personali dei cittadini.

https://www.ictsecuritymagazine.com/notizie/cybercrime-2025/

L’Autonomic Computing rappresenta una rivoluzione fondamentale nel panorama dell’informatica moderna, introducendo un paradigma innovativo ispirato direttamente al sistema nervoso umano. Questa tecnologia all’avanguardia sta trasformando radicalmente il modo in cui gestiamo e proteggiamo le infrastrutture informatiche, offrendo soluzioni avanzate per le sfide crescenti della sicurezza digitale. In un’epoca caratterizzata da minacce informatiche sempre più sofisticate e complesse, l’esigenza di sistemi capaci di autogestirsi e proteggersi autonomamente è diventata cruciale per la sicurezza delle organizzazioni moderne.

Autonomic Computing: Le Basi dell’Auto-Gestione

Nel cuore di questa tecnologia troviamo un concetto rivoluzionario: sistemi informatici capaci di gestirsi autonomamente, adattandosi in tempo reale alle variazioni dell’ambiente e rispondendo proattivamente alle minacce alla sicurezza.

IBM ha introdotto questo concetto pioneristico nel 2001, definendo quattro caratteristiche fondamentali che ancora oggi guidano lo sviluppo di questi sistemi avanzati: la self-configuration per l’auto-configurazione intelligente, la self-optimization per il continuo miglioramento delle performance, il self-healing per il recupero autonomo dai guasti, e la self-protection per la difesa proattiva contro le minacce.

Questi elementi fondamentali lavorano in sinergia per creare sistemi resilienti capaci di mantenere elevati standard di sicurezza anche in scenari complessi e dinamici. La capacità di auto-apprendimento di questi sistemi permette loro di migliorare costantemente le proprie prestazioni e di adattarsi a nuove tipologie di minacce.

Architetture Innovative per la Sicurezza

L’implementazione di sistemi autonomici richiede architetture sofisticate, con particolare enfasi sul ciclo MAPE-K (Monitor, Analyze, Plan, Execute – Knowledge). Questo framework fornisce la struttura metodologica necessaria per realizzare sistemi veramente auto-gestiti, integrandosi perfettamente con le moderne esigenze di cybersecurity. L’architettura multi-agent gerarchica implementa una struttura stratificata di agenti intelligenti operanti a diversi livelli di astrazione, permettendo una gestione ottimale della sicurezza e bilanciando controllo centralizzato e flessibilità operativa. Questi agenti collaborano in modo coordinato per identificare e neutralizzare le minacce, creando un sistema di difesa distribuito ma coerente. La comunicazione tra gli agenti avviene attraverso protocolli sicuri e crittografati, garantendo l’integrità delle informazioni scambiate e prevenendo possibili manipolazioni.

La Convergenza con l’Intelligenza Artificiale

La sinergia tra Autonomic Computing e intelligenza artificiale sta aprendo nuovi orizzonti nella gestione della sicurezza informatica. L’integrazione dei Large Language Models (LLM) permette ai sistemi autonomici di comprendere e interpretare il contesto operativo con una sofisticazione senza precedenti. Questi sistemi avanzati utilizzano tecniche di apprendimento automatico sempre più raffinate, inclusi approcci di apprendimento per rinforzo e continuo, per migliorare costantemente le proprie capacità di risposta alle minacce. L’analisi predittiva basata su AI consente di anticipare potenziali vulnerabilità e attacchi, permettendo una risposta proattiva prima che i problemi si manifestino. I modelli di machine learning vengono continuamente aggiornati e raffinati sulla base delle nuove minacce emergenti, garantendo una protezione sempre aggiornata e efficace.

Sfide Etiche e Considerazioni sulla Privacy

L’implementazione di sistemi autonomici solleva importanti questioni etiche e legali, particolarmente riguardo la responsabilità delle decisioni automatizzate. La protezione della privacy assume un ruolo centrale, richiedendo l’implementazione di robusti meccanismi di minimizzazione dei dati e anonimizzazione automatica. L’approccio “Privacy by Design” viene reinterpretato nel contesto dell’Autonomic Computing, integrando considerazioni etiche direttamente nell’architettura dei sistemi. La gestione dei dati sensibili richiede particolare attenzione, con l’implementazione di meccanismi di cifratura avanzata e controlli di accesso granulari. La trasparenza delle decisioni automatizzate diventa un requisito fondamentale, con la necessità di mantenere log dettagliati e verificabili di tutte le azioni intraprese dal sistema.

Il Futuro della Sicurezza Digitale

L’adozione crescente di architetture Zero Trust e l’implementazione di microsegmentazione dinamica stanno plasmando il futuro di questa tecnologia. Questi sviluppi promettono di rendere i sistemi autonomici sempre più resilienti e capaci di operare efficacemente in ambienti complessi e minacciosi. L’integrazione di tecnologie quantum-safe e l’utilizzo di blockchain per la verificabilità delle decisioni rappresentano direzioni di ricerca particolarmente promettenti. La continua evoluzione delle minacce cyber richiede sistemi sempre più sofisticati e adattivi, capaci di proteggere le infrastrutture critiche da attacchi sempre più complessi e mirati. L’implementazione di meccanismi di risposta automatica agli incidenti permette di ridurre drasticamente i tempi di reazione, minimizzando l’impatto potenziale delle violazioni.

La cybersecurity nell’era digitale richiede un approccio olistico che integri tecnologie avanzate, considerazioni etiche e framework di governance robusti. La continua evoluzione di questi sistemi richiederà un costante bilanciamento tra innovazione e sicurezza, autonomia e controllo, efficienza e affidabilità. La convergenza tra intelligenza artificiale e sistemi autonomi sta creando una nuova generazione di soluzioni di sicurezza, capaci di adattarsi e rispondere in tempo reale alle minacce emergenti. L’Autonomic Computing rappresenta non solo il futuro dell’informatica ma anche la chiave per costruire sistemi più sicuri e resilienti in un mondo digitale sempre più interconnesso.

https://www.ictsecuritymagazine.com/articoli/autonomic-computing/

Secondo un sondaggio del Pew Research Center, il 26% degli adolescenti statunitensi di età compresa tra i 13 e i 17 anni utilizza ChatGPT per scopi scolastici, raddoppiando il dato di due anni fa.

Gli intervistati trovano accettabile l’uso di ChatGPT per attività come la ricerca di nuovi argomenti (54%) e, in misura minore, per risolvere problemi di matematica (29%) o scrivere saggi (18%). Tuttavia, persistono significative limitazioni tecniche: ChatGPT non eccelle in matematica e spesso fornisce informazioni inaccurate.

Un recente studio ha evidenziato che, in ambiti specifici come la geopolitica africana e la storia sociale, le risposte del modello GPT-4, che alimenta ChatGPT, sono solo marginalmente più accurate del caso. Ulteriori ricerche mostrano che gli studenti che si affidano a ChatGPT possono avere difficoltà nel sintetizzare materiali di studio rispetto ai compagni che non lo utilizzano.

Inoltre, l’impatto pedagogico è controverso: un esperimento condotto in Turchia ha rilevato che gli studenti con accesso a ChatGPT ottenevano risultati peggiori nei test di matematica. In Germania, invece, i giovani utenti di ChatGPT riuscivano a reperire facilmente materiale di ricerca, ma con minore capacità analitica.

Secondo il Pew Research Center, la tecnologia è utilizzata in modo sproporzionato da adolescenti afroamericani e ispanici. Tuttavia, un quarto degli insegnanti ritiene che gli strumenti di AI, come ChatGPT, siano più dannosi che utili nel contesto educativo.

Con l’adozione crescente tra i giovani, la questione sull’efficacia di ChatGPT nell’istruzione pone interrogativi su come integrare l’AI nel processo di apprendimento e garantire una crescita equilibrata.

Per maggiori informazioni, clicca per l’articolo originale.

La FTC statunitense invia al Dipartimento di Giustizia una denuncia sull’uso del chatbot AI da parte di Snapchat

La Federal Trade Commission (FTC) degli Stati Uniti ha segnalato al Dipartimento di Giustizia una denuncia contro Snap Inc. relativa all’uso del chatbot AI ‘My AI’ nella piattaforma Snapchat.

La FTC ha dichiarato di avere ragione di credere che Snap stia violando, o sia sul punto di violare, la legge. Sebbene i dettagli sui presunti danni causati dal chatbot non siano stati specificati, l’agenzia ha sottolineato che la divulgazione della denuncia è nell’interesse pubblico.

Un portavoce di Snap ha difeso l’applicazione, sottolineando i rigorosi processi di sicurezza e privacy integrati nel sistema e contestando la mancanza di prove concrete da parte della FTC.

La controversia ha avuto un impatto immediato sul mercato, portando a un calo del 5,2% del valore delle azioni di Snap. Il caso riflette preoccupazioni crescenti sull’impatto di tecnologie AI come ‘My AI’, soprattutto nei confronti di utenti giovani e vulnerabili.

Questo episodio evidenzia l’importanza di garantire che le innovazioni tecnologiche rispettino normative rigorose per proteggere la privacy e la sicurezza degli utenti.

Nel panorama delle normative globali sull’AI, questa indagine si unisce a una crescente attenzione sulle implicazioni etiche e legali dell’integrazione di agenti intelligenti nelle piattaforme digitali.

Mentre Snap affronta queste accuse, l’industria tecnologica dovrà affrontare pressioni crescenti per stabilire standard più trasparenti e affidabili nell’uso dell’intelligenza artificiale.

Per maggiori informazioni, clicca per l’articolo originale.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/sempre-piu-adolescenti-utilizzano-chatgpt-per-i-compiti/518255/

Nel panorama contemporaneo della sicurezza informatica, la progressiva evoluzione delle tecnologie quantistiche rappresenta una sfida dirompente ai paradigmi tradizionali della crittografia e della difesa cibernetica.

L’intervento al Forum ICT Security 2024 “Quando i computer quantistici romperanno la nostra crittografia?” di Alessandro Luongo, consulente e fondatore di Inveriant e ricercatore in quantum algorithms al CQT di Singapore (Centre for Quantum Technologies) – ha analizzato l’impatto delle tecnologie quantistiche sulla sicurezza informatica, approfondendo temi come la crittografia post-quantum e la valutazione del rischio quantistico.

Con un dottorato in algoritmi quantistici conseguito a Parigi, Alessandro è fondatore di Inveriant, una società research-driven di consulenza e R&D, con “26 anni di esperienza cumulativa nelle tecnologie quantistiche e 8 anni di ricerca e applicazione nella crittografia”. Inveriant si specializza nello sviluppo di software quantistico, algoritmi avanzati, e accompagna le aziende nell’adozione e valorizzazione delle nuove tecnologie. Per esempio, Inveriant ha collaborato con enti di ricerca governativi per offrire formazione e consulenza su temi legati alla sicurezza, con un’attenzione specifica alle minacce emergenti e agli attacchi quantistici.

Luongo ha evidenziato il crescente disorientamento riguardo alla sicurezza quantistica. Ci racconta di svariate conversazioni con profili di rilievo nell’ambito della cybersecurity e della difesa: “Continuo a leggere articoli sui computer quantistici che romperanno la crittografia che usiamo oggi… e non so cosa fare.” Secondo Alessandro questa preoccupazione riflette una più ampia confusione che permea il settore, dove, nonostante il clamore mediatico, “nessuno parla di concetti chiave come situational awareness e quantum risk assessment.“

Il relatore ha quindi richiamato l’attenzione sulla necessità di una valutazione più sistematica del rischio quantistico e di una preparazione strategica per affrontare questa nuova e crescente minaccia.

L’architettura quantistica: dai laboratori al cloud

I computer quantistici rappresentano un cambiamento paradigmatico nell’elaborazione delle informazioni: sfruttando le proprietà della meccanica quantistica, quali la sovrapposizione (superposition) e l’entanglement, questi dispositivi hanno il potenziale per risolvere problemi in maniera più efficiente rispetto ai computer classici, ad un costo computazionale ridotto.

Alessandro ha spiegato come la pratica dell’elaborazione quantistica sia già una realtà nei laboratori, portando ad esempio la ricerca in qubit (l’unità di calcolo fondamentale dei computer quantistici) di tipo “superconducting” svolta presso il Center for Quantum Technologies. I computer quantistici verranno utilizzati come “acceleratori esterni”: i computer classici delegheranno i calcoli più complessi ai dispositivi quantistici, che li eseguiranno rapidamente, restituendo i risultati all’elaboratore classico. Alcuni computer quantistici sono disponibili già oggi nel cloud:

• Microsoft Azure Quantum
• Google Quantum AI
• IBM Quantum
• Amazon Braket (parte della suite AWS).

Questi provider offrono una varietà di tecnologie differenti per la realizzazione dei qubit, adottando architetture e approcci differenti per massimizzare le capacità computazionali quantistiche. Tali soluzioni faciliteranno non solo la ricerca scientifica avanzata ma anche la diffusione di applicazioni commerciali che richiedono ad oggi una capacità di calcolo estremamente elevata, aprendo nuove prospettive per l’innovazione.

L’algoritmo di Shor: la minaccia concreta

Una delle svolte più significative nella sicurezza crittografica è rappresentata dall’algoritmo sviluppato da Peter W. Shor nel 1994. Questo algoritmo utilizza i computer quantistici per fattorizzare numeri interi di grandi dimensioni, compromettendo direttamente i sistemi crittografici basati su RSA e curve ellittiche (ECC).

“Voi mi dite 15 e io vi dico 3×5, voi mi dite 21 e io vi dico 7×3”, ha esemplificato Luongo, per poi sottolineare come questo “gioco” matematico diventi di fatto impraticabile per i computer classici quando i numeri in questione raggiungono centinaia di cifre. L’algoritmo di Shor rende possibile questa fattorizzazione in maniera efficiente, mettendo così a rischio la sicurezza delle comunicazioni digitali attuali. Infatti, per decifrare una chiave RSA a 2048 bit, le specifiche tecniche richiedono un circuito di “circa 8 miliardi di gate e circa 6.000 qubit logici”. Inveriant, in una sua collaborazione, è riuscita a ridurre il numero di gate necessari del 3.4%.

Tuttavia i qubit che costruiamo il laboratorio presentano delle imperfezioni, soffrendo di errori e “rumori” (noti come noisy qubits, o qubit fisici). I qubit sono infatti estremamente vulnerabili a interferenze esterne, che possono alterare o distruggere le informazioni quantistiche. Per affrontare queste problematiche, si rende necessaria la correzione degli errori: un layer intermedio che protegge le informazioni quantistiche da fenomeni come la decoerenza e il rumore quantistico, permettendo di passare da qubit fisici a qubit logici.

Questo porta a un incremento considerevole nel numero di qubit richiesti per garantire la corretta esecuzione dell’algoritmo; alcune stime indicano che potrebbero essere necessari fino a “20 milioni di qubit” per portare a termine un attacco. Tuttavia, la comunità scientifica — Inveriant compresa — e’ alla ricerca di idee e metodi per diminuire il numero di qubit e risorse necessari.

Di conseguenza, sebbene l’algoritmo di Shor sia teoricamente in grado di compromettere i sistemi crittografici attuali, Alessandro ha chiarito che i limiti tecnologici dei computer quantisti contemporanei ne impediscono ancora l’applicazione su larga scala.

Tuttavia è plausibile che, con l’avanzare delle tecnologie, questi attacchi possano diventare praticabili prima del previsto, configurando una minaccia concreta per la sicurezza globale. E’ quindi di vitale importanza per le organizzazioni tenere traccia dello sviluppo delle tecnologie quantistiche, in modo da poter monitorare la minaccia costantemente.

Il fattore tempo e la correzione degli errori

La correzione degli errori è un aspetto cruciale per garantire la precisione e la robustezza dei calcoli nei computer quantistici. L’implementazione della correzione degli errori richiede però l’utilizzo di numerosi qubit fisici per rappresentare un singolo qubit logico, aumentando di vari ordini di grandezza le risorse computazionali necessarie. La sfida non consiste, quindi, solo nel costruire qubit stabili ma anche nel saper gestire la loro interazione, nonché correggere gli errori che inevitabilmente si verificano durante i calcoli.

Le tecnologie per l’implementazione dei qubit variano e ciascuna presenta requisiti diversi per la correzione degli errori. Alessandro ha sottolineato come il miglioramento delle tecniche di correzione degli errori e l’aumento del numero di qubit disponibili rappresentino aspetti fondamentali per il progresso della computazione quantistica, potendo ridurre significativamente le difficoltà operative attuali.

La minaccia “Store Now, Decrypt Later”

Una preoccupazione immediata è rappresentata dagli attacchi “store now, decrypt later”. Questa strategia implica l’archiviazione del traffico crittografato attuale, in attesa che i computer quantistici futuri possano decriptarlo.

Il relatore ha sottolineato che, sebbene oggi i dati siano protetti da crittografia robusta, potrebbero essere vulnerabili nel momento in cui la potenza computazionale quantistica sarà sufficientemente avanzata: “Dovete capire se i dati che state proteggendo avranno bisogno di confidenzialità e/o autenticità del dato nell’anno in cui i computer quantistici saranno disponibili”.

Un’ulteriore considerazione riguarda la discrezione con cui gli attori malevoli potrebbero adottare tecnologie avanzate; è improbabile che un threat actor riveli pubblicamente la sua capacità di utilizzare computer quantistici per attaccare la crittografia, il che implica che la valutazione del rischio debba includere la possibilità di minacce non rilevate e la conseguente necessità di adottare soluzioni crittografiche post-quantum.

Tecnologie quantistiche: applicazioni positive e casi studio

Nonostante le minacce evidenziate nell’intervento, le tecnologie quantistiche offrono anche notevoli opportunità in una vasta gamma di settori.

Un significativo caso riportato nella presentazione ha riguardato un modello di quantum network intrusion detection sviluppato in una collaborazione tra Inveriant, Centre for Quantum Technologies, e studenti e ricercatori del Politecnico di Milano: i risultati hanno mostrato le condizioni per cui i computer quantistici hanno la capacità di eseguire il training di modelli di machine learning per la rilevazione di intrusioni di rete in tempi significativamente più brevi rispetto ai metodi classici.

Alessandro ha poi citato la sua esperienza di collaborazione con un’agenzia governativa per migliorare le capacità degli attacchi quantistici rivolti alla crittografia RSA-2048 e alla crittografia a curve ellittiche, che ha portato a sviluppare Krest: una soluzione per la quantum situational awareness. Questo strumento consente alle organizzazioni di valutare il loro rischio quantistico e di pianificare adeguatamente la transizione verso soluzioni più sicure, preparandosi alle future sfide in ambito crittografico.

Prospettive future e collaborazioni

Condividendo alcuni dati – secondo le previsioni di Gartner la crittografia RSA diventerà “insicura entro il 2029” e “completamente compromessa entro il prossimo decennio”, mentre il NIST stima che sarà considerata insicura entro il 2030. Tuttavia questi modelli sono opachi, non tengono in considerazione le necessità dell’utente e sono raramente aggiornati man mano che le tecnologie quantistiche evolvono e migliorano nel tempo. Per questo soluzioni di quantum situational awareness sono necessarie per minimizare i rischi ed i costi di transizione a soluzioni post-quantum.

Il relatore ha sottolineato l’importanza di preparare la transizione verso le tecnologie post-quantum e di essere affiancati da team di esperti aggiornati sul tema, evidenziando come non si tratti solo una questione tecnologica bensì di un vero cambiamento culturale nel modo in cui si percepiscono i rischi e si affronta la sicurezza informatica.

Le organizzazioni devono sviluppare una roadmap per implementare soluzioni crittografiche post-quantum e investire nella formazione del personale, coinvolgendo gli esperti del settore nello sviluppo di soluzioni innovative; in merito Alessandro ha invitato alla collaborazione su una vasta gamma di progetti, come per esempio la ricerca di quantum algorithms applicata al machine learning e all’artificial intelligence.

In conclusione dell’intervento, è stata quindi ribadita la necessità di una cooperazione globale per affrontare le sfide emergenti del quantum computing: la ricerca e lo sviluppo devono essere sostenuti da una comunità internazionale di esperti, stakeholder e organizzazioni capaci di lavorare insieme per garantire che la sicurezza informatica sia adeguatamente preparata all’avvento dell’era quantistica.

Una costante collaborazione tra industria, governo ed entità accademiche sarà cruciale per costruire soluzioni resilienti e sfruttare al meglio le opportunità offerte dalle tecnologie quantistiche.

https://www.ictsecuritymagazine.com/articoli/tecnologie-quantistiche-sicurezza-informatica/

L’Italia come mercato emergente dei data center

In Europa, il mercato dei data center è in piena espansione, con l’Italia che rappresenta il 13% delle infrastrutture continentali e una crescita annua dell’8%, superiore ai principali hub come Germania e Olanda.

Nel 2023, gli investimenti in co-location nel Paese hanno raggiunto i 654 milioni di euro (+10% rispetto all’anno precedente), mentre il valore del cloud è salito a 4,8 miliardi di euro.

Tuttavia, questa crescita esige un adeguamento infrastrutturale, anche alla luce della rapida crescita delle applicazioni di intelligenza artificiale (AI), in particolare di quella generativa (gen AI).

Dato confermato dall’Osservatorio Data Center della School of Management del Politecnico di Milano, secondo cui nel nostro Pase nel 2023: 23 organizzazioni (di cui 8 società nuove entranti sul mercato italiano) hanno annunciato l’apertura di 83 nuove infrastrutture nel periodo 2023-2025, la cui messa in produzione potrà portare sul territorio, potenzialmente, fino a 15 miliardi di euro di investimento complessivo.

L’assorbimento energetico dei data center italiani ha raggiunto i 430 MW, pari al 3% del consumo nazionale, e richiede regolamentazioni specifiche per armonizzare domanda e offerta.

I piccoli reattori modulari (SMR) emergono come una soluzione promettente per garantire energia continua a basse emissioni, ma ci vorrà molto tempo prima della loro entrata in funzione, forse una decina di anni. Il problema si pone oggi e per questo si chiede un maggiore impegno finanziario e una regolamentazione più favorevole per lo sviluppo delle fonti rinnovabili.

Serve un’AI meno energivora

I CEO, le aziende energetiche e i colossi dell’AI possono adottare strategie immediate per affrontare le sfide. Ottimizzare l’uso dell’energia esistente, sviluppare infrastrutture sostenibili e investire in tecnologie avanzate come la cattura del carbonio (e gli SMR) sono passi cruciali per garantire che la promessa dell’AI non entri in conflitto con gli obiettivi climatici.

Le rivoluzioni gemelle dell’AI generativa e della transizione energetica stanno trasformando radicalmente il panorama tecnologico e industriale, sollevando sfide interconnesse.

Da un lato, le Big Tech come Google, Amazon e Microsoft stanno investendo massicciamente in data center per supportare l’intelligenza artificiale avanzata; dall’altro, la crescente domanda energetica minaccia di compromettere gli obiettivi di sostenibilità.

Secondo il rapporto “Power Moves“, solo negli Stati Uniti la domanda di elettricità dei data center AI crescerà tra il 15% e il 20% all’anno, raggiungendo i 130 GWh entro il 2030.

Tuttavia, l’energia “ferma”, cioè disponibile in ogni momento, indipendentemente dalle condizioni, potrebbe scarseggiare già dal 2026, evidenziando l’urgenza di sviluppare nuove fonti di generazione e distribuzione.

I data center hanno bisogno di una strategia di decarbonizzazione sostenibile per ridurre con successo le proprie emissioni, aumentare la propria efficienza energetica, gestire la stabilità della rete, mantenere la resilienza e far fronte alla volatilità dei prezzi dell’elettricità. 

Cosa fare per avere data center sostenibili?

Ci sono azioni che gli stakeholder possono intraprendere fin da subito, hanno suggerito gli esperti di Bcg. In primis, ottimizzare: i CEO possono attenuare una possibile crisi energetica assicurandosi che le loro aziende utilizzino con giudizio l’elettricità attualmente disponibile. Al contempo le aziende energetiche possono aiutare a identificare la capacità di generazione di energia e di rete disponibile per regione, oltre a esplorare il modo in cui l’AI e altre tecnologie possono migliorare l’efficienza della rete, anche offrendo reti intelligenti decentralizzate per gestire la crescente domanda di elettricità unitamente all’aumento delle energie rinnovabili.

Dal canto loro, i colossi dell’AI possono ottimizzare il consumo energetico utilizzando hardware meno intensivi per l’inferenza, ossia il processo di applicazione dei modelli di AI, collaborando con i fornitori di energia per regolare i consumi durante i periodi di maggiore domanda sulla rete, e scegliendo con attenzione dove localizzare i data center. Infine, gli utenti finali possono promuovere il risparmio energetico adottando misure concrete per monitorare e limitare le loro emissioni.

Un’altra azione consiste nel gettare le basi per un’energia scalabile e sostenibile: i CEO possono preparare il terreno per introdurre nuove fonti energetiche più rispettose del clima (in particolare subito con il solare fotovoltaico, l’idroelettrico dove c’è, l’eolico ad integrare, il geotermico dove possibile), sia entro il 2030 che oltre. In questo contesto le aziende energetiche possono velocizzare lo sviluppo di infrastrutture sostenibili stipulando accordi con i colossi dell’AI, accelerando l’allocazione di capitale per risolvere i colli di bottiglia (come la costruzione di linee di trasmissione) e collaborando con i responsabili delle politiche e i regolatori per progettare in modo strategico le strutture tariffarie e gli approcci di finanziamento.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/in-italia-il-13-dei-data-center-europei-da-noi-crescono-piu-che-in-germania-e-olanda/517704/

SCARICA IL DOCUMENTO “ECONOMIC BLUEPRINT”

OpenAI pubblica il documento “Economic Blueprint”

Si stima che ci siano circa 175 miliardi di dollari fermi nei fondi globali in attesa di investimenti in progetti di intelligenza artificiale (AI) e, se gli Stati Uniti non riusciranno ad attrarre tali fondi, questi finiranno per confluire in progetti sostenuti dalla Cina, rafforzando l’influenza globale del Partito Comunista Cinese.

È quanto si legge nel nuovo documento “Economic Blueprint” pubblicato oggi da OpenAI.

A una settimana dall’insediamento della nuova amministrazione Trump, la società guidata da Sam Altman punta a smuovere le acque e spingere Washington a giocare d’anticipo.

La squadra annunciata da Trump sembra sulla carta molto attenta alle questioni tecnologiche e quindi all’AI, che ormai abbiamo capito bene essere uno strumento geopolitico di massima rilevanza strategica.

Nelle 15 pagine del documento accessibile online si fa leva sul potenziale economico di questa tecnologia, sulla possibilità di creare nuovi posti di lavoro necessari alla costruzione di nuovi impianti per la produzione di chip, per ampliare l’infrastruttura nazionale dei data center e per realizzare nuove centrali elettriche.

Non solo, il monito è chiaro: “L’intelligenza artificiale è troppo potente per essere guidata e plasmata da qualsivoglia autocrate e questo è il rischio crescente che dobbiamo affrontare. Allo stesso tempo, l’opportunità economica rappresentata da questa tecnologia è troppo allettante per rinunciarvi”.

Un’AI americana libera, sicura e trasparente, per la crescita economica e la leadership globale

In sintesi, l’AI americana deve essere la migliore e soprattutto bisogna impedire che altre nazioni con ambizioni di potenza su scala globale accelerino i loro progetti di sviluppo di questa tecnologia, che potrebbe essere utilizzata come un’arma per colpire gli avversari in ogni settore, in particolare economico e militare.

L’appello è quindi ad un lavoro di squadra tra OpenAI e la nuova amministrazione Trump, per garantire che i benefici dell’AI siano condivisi in maniera responsabile, trasparente ed equa tra tutti gli attori della nazione: “per supportare l’imprenditorialità e tutelare le libertà individuali che sono al centro dell’ecosistema dell’innovazione americana”.

Per ottenere questo, però, secondo OpenAI, è necessario agire subito e pensare a nuove regole, che garantiscano un libero mercato che promuova libera concorrenza a sostegno dell’innovazione, standard chiari e di buon senso per sviluppare un’AI sicura, un quadro normativo che impedisca ai Governi di sfruttare l’AI per accrescere potere e danneggiare la democrazia o minacciare altri Stati.

Appuntamento al 30 gennaio 2025

Già annunciato per il 30 gennaio prossimo un evento a Washington per parlare di AI e di come questa potrà guidare la nuova economia americana.

In quell’occasione, OpenAI illustrerà l’iniziativa “Innovating for America” per lanciare un modello nazionale per l’utilizzo dell’AI nei termini sopra descritti: sicurezza, benessere, crescita e democrazia.

Un documento questo che segue il piano presentato nelle settimane passate per cambiare la struttura aziendale durante il 2025, passando da non-profit a scopo di lucro sostanzialmente, e creare una società di pubblica utilità che gli consentirebbe di gestire le sue attività in crescita.

La trasformazione di OpenAI per competere con Anthropic e xAI

A questa trasformazione, secondo la Reuters, è vincolato anche il suo ultimo round di finanziamento da 6,6 miliardi di dollari, che gli consentirebbe di raggiungere un valore approssimativo di 157 miliardi di dollari.

OpenAI intende trasformare il suo attuale ramo a scopo di lucro in una società di pubblica utilità, costituita nel Delaware. Il ramo non profit di OpenAI assumerà azioni della Pbc a una valutazione equa determinata da consulenti finanziari indipendenti.

I suoi concorrenti, come Anthropic e xAI, di proprietà di Elon Musk, utilizzano una struttura simile.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/openai-striglia-washington-ci-sono-175-miliardi-di-dollari-fermi-in-fondi-globali-per-lai-vanno-investiti-subito-o-lo-fara-la-cina-il-documento/517547/