💻 computer science

ICBAC: an Intelligent Contract-Based Access Control framework for supply chain management by integrating blockchain and federated learning

Questo articolo propone ICBAC, un framework di controllo degli accessi intelligente per le catene di approvvigionamento che integra la blockchain permissionata con l'apprendimento federato e la selezione dei client basata sulla teoria dei giochi per consentire un rilevamento delle anomalie dinamico e preservante la privacy tra organizzazioni concorrenti senza condividere dati sensibili.

Autori originali: Sadegh Sohani, Salar Ghazi, Farnaz Kamranfar, Sahar Pilehvar Moakhar, Mohammad Allahbakhsh, Haleh Amintoosi, Kaiwen Zhang

Pubblicato 2026-02-10

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Sadegh Sohani, Salar Ghazi, Farnaz Kamranfar, Sahar Pilehvar Moakhar, Mohammad Allahbakhsh, Haleh Amintoosi, Kaiwen Zhang

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina una catena di approvvigionamento globale massiccia come un enorme e vivace mercato, dove migliaia di aziende diverse (agricoltori, fabbriche, trasportatori e negozi) scambiano merci. Tutti hanno bisogno di comunicare tra loro, ma devono anche mantenere al sicuro i propri segreti. Il problema è che in questo mercato è difficile sapere chi è autorizzato a fare cosa, ed è ancora più difficile intercettare qualcuno che sembra avere il permesso ma che in realtà sta agendo in modo sospetto (come un dipendente che ruba l'inventario o un autista che fa una deviazione insolita).

Questo articolo presenta ICBAC, un nuovo sistema di "guardia giurata intelligente" progettato per risolvere questi problemi. Ecco come funziona, suddiviso in concetti semplici:

1. Il Registro Digitale: Il "Quaderno Indistruttibile"

In primo luogo, il sistema utilizza la Blockchain (nello specifico una versione chiamata Hyperledger Fabric). Immagina questo come un enorme quaderno indistruttibile che tutti nella catena di approvvigionamento condividono.

Perché aiuta: Non puoi cancellare o falsificare le voci in questo quaderno. Se qualcuno prova a modificare un record, l'intero gruppo se ne accorge.
Il colpo di scena: Invece di un unico grande quaderno per tutti, ICBAC utilizza canali privati. Immagina un edificio con molte stanze diverse. La "Stanza della Frutta" ha il proprio quaderno, e la "Stanza dell'Elettronica" ha il proprio. Questo mantiene i dati delle aziende concorrenti separati e privati, in modo che un'azienda rivale non possa vedere i tuoi numeri di vendita.

2. Gli Smart Contract: Le "Regole Automatiche"

All'interno di queste stanze digitali, il sistema utilizza gli Smart Contract. Immaginali come distributori automatici con regole ferree.

Come funziona: Se inserisci la moneta giusta (il permesso), la macchina ti dà lo snack (l'accesso ai dati). Se non hai la moneta giusta, dice "No".
L'aggiornamento: I vecchi sistemi avevano solo regole statiche (ad esempio, "John può aprire la porta"). ICBAC aggiunge una Lista di Revoca dei Permessi. Se il sistema pensa che John stia agendo in modo strano, può inserirlo istantaneamente in una lista "In attesa", congelando il suo accesso finché un responsabile umano non effettua una revisione.

3. L'Agente IA: La "Guardia del Corpo Comportamentale"

Questa è la parte più innovativa. Il sistema non si limita a controllare se hai una chiave; osserva come la usi.

L'analogia: Immagina una guardia giurata che conosce la tua routine normale. Se di solito sblocchi la porta principale alle 9:00, ma improvvisamente stai cercando di sbloccare la cassaforte alle 3:00 del mattino e scaricando 1.000 file, la guardia si insospettisce.
L'azione: Questa "IA Guardia del Corpo" vive all'interno di ogni stanza della catena di approvvigionamento. Impara cosa rappresenta la "normalità" per quel gruppo specifico. Se rileva un'anomalia (come un improvviso e massiccio download di dati), può segnalare automaticamente l'utente e limitarne l'accesso.

4. Il Problema della Privacy: "Insegnare Senza Condividere"

Ecco la parte complicata: per diventare davvero bravo a individuare comportamenti strani, l'IA deve imparare da molte diverse catene di approvvigionamento. Ma le aziende non possono condividere i loro dati segreti (come le liste dei clienti o i prezzi) con i concorrenti.

La soluzione: Il Federated Learning (Apprendimento Federato). Immagina un gruppo di chef che cercano di perfezionare la ricetta di una zuppa. Invece di inviare i loro ingredienti segreti a una cucina centrale, ognuno cucina una piccola quantità nella propria cucina, la assaggia e invia solo le correzioni della ricetta (non la zuppa stessa) a un pentolone centrale. Il pentolone centrale diventa più intelligente, ma nessuno vede mai gli ingredienti segreti degli altri chef.
L L'approccio di ICBAC: Gli agenti IA delle diverse catene di approvvigionamento condividono le loro "lezioni apprese" (aggiornamenti matematici) ma non condividono mai i dati grezzi effettivi. Questo mantiene i segreti di tutti al sicuro, rendendo al contempo la sicurezza più intelligente per tutti.

5. Il Sistema del "Gruppo di Amici": "Formazione di Coalizioni Edoniche"

L'articolo riconosce che non tutte le catene di approvvigionamento sono uguali. Una catena di "Prodotti Alimentari Deperibili" si comporta in modo molto diverso da una di "Componenti Auto". Se mescoliamo tutto per imparare, l'IA si confonde.

L'analogia: Pensa a un ballo scolastico. Non vuoi ballare con tutti; vuoi ballare con persone che amano la stessa musica.
Il meccanismo: ICBAC utilizza un metodo basato sulla teoria dei giochi per permettere alle catene di approvvigionamento di formare "Gruppi di Amici" (Coalizioni). Ogni catena dice: "Voglio imparare da questi specifici partner". Il sistema utilizza poi un algoritmo matematico (l'algoritmo di Tarjan) per trovare i gruppi più stabili in cui tutti sono felici di imparare l'uno dall'altro.
Il beneficio: Ciò garantisce che l'IA impari da gruppi che hanno senso (ad esempio, le catene alimentari che imparano da altre catene alimentari), invece di forzare l'unione di gruppi incompatibili.

Cosa hanno scoperto?

Gli autori hanno testato questo sistema su una simulazione al computer utilizzando dati reali di una catena di approvvigionamento.

Velocità: Funziona quasi alla stessa velocità dei sistemi di sicurezza più vecchi e semplici.
Intelligenza: Ha individuato con successo i "malintenzionati" (anomalie) anche quando i dati erano disordinati o diversi tra i vari gruppi.
Privacy: Ci è riuscito senza che alcuna azienda dovesse mai condividere i propri dati grezzi e sensibili con nessun altro.

In breve: ICBAC è un sistema di sicurezza che combina un registro digitale immutabile, l'applicazione automatica delle regole, un'IA intelligente che monitora i comportamenti sospetti e un modo che preserva la privacy per permettere a diverse aziende di istruire questa IA senza rivelare i propri segreti. È progettato per rendere le catene di approvvigionamento più sicure e adattabili senza rompere la fiducia tra i concorrenti.

Sintesi Tecnica: ICBAC – Un Framework di Controllo degli Accessi Basato su Contratti Intelligenti per la Gestione della Supply Chain

1. Definizione del Problema

I moderni sistemi di Gestione della Supply Chain (SCM) operano attraverso molteplici organizzazioni indipendenti e spesso concorrenti, creando un ambiente complesso per il controllo degli accessi. I meccanismi esistenti sono prevalentemente statici, centralizzati e basati su policy (ad esempio, RBAC, ABAC), risultando inadeguati per gestire minacce interne dinamiche, comportamenti errati e usi impropri dipendenti dal contesto. Sebbene la tecnologia blockchain offra decentralizzazione e immutabilità, gli attuali framework di controllo degli accessi basati su blockchain si affidano ancora a regole predefinite e mancano di intelligenza comportamentale.

Al contrario, sebbene l'analisi del comportamento di utenti ed entità (UEBA) basata sul Machine Learning (ML) possa rilevare anomalie, l'addestramento centralizzato richiede l'aggregazione di dati comportamentali sensibili. Ciò crea un conflitto con i vincoli di privacy, regolamentazione e competizione intrinseci nella SCM, dove le organizzazioni non possono condividere dati grezzi. Inoltre, l'applicazione diretta dell'Apprendimento Federato (FL) attraverso supply chain eterogenee e concorrenti introduce sfide legate alla distribuzione disomogenea dei dati (dati non-IID), instabilità della convergenza e partecipazione strategica, poiché comportamenti considerati anomali in una supply chain possono essere normali in un'altra.

2. Metodologia: Il Framework ICBAC

Il documento propone ICBAC (Intelligent Contract-Based Access Control), un framework che integra una blockchain permissioned (Hyperledger Fabric) con l'Apprendimento Federato (FL) e la selezione dei client basata sulla teoria dei giochi.

2.1 Architettura

ICBAC è strutturato in due livelli primari:

Livello Blockchain: Costruito su Hyperledger Fabric, utilizza un'architettura multi-canale in cui ogni canale ( $C_i$ ) rappresenta un distinto contesto di supply chain con i propri partecipanti, asset e confini di fiducia. Ciò garantisce isolamento e condivisione selettiva dei dati.
Livello AI: Distribuisce un agente AI dedicato ( $AI_i$ ) per ogni canale per monitorare il comportamento dei partecipanti e rilevare anomalie localmente.

2.2 Componenti Core

Smart Contract: Tre contratti specializzati applicano il controllo degli accessi:
- Gestione Asset ( $SC_{AM}$ ): Gestisce la creazione e l'aggiornamento degli asset.
- Controllo Accessi di Base ( $SC_{BAC}$ ): Gestisce i permessi di base tramite set di LeastPrivilege (minimo privilegio) e ExtraPrivilege (privilegio extra) dinamici, consentendo la promozione o la demozione dei privilegi dell'utente.
- Lista di Revoca Permessi ( $SC_{PRL}$ ): Mantiene una lista di partecipanti segnalati come anomali. Quando un agente AI rileva un comportamento sospetto, il partecipante viene aggiunto alla PRL e le successive richieste di accesso vengono contrassegnate come "In attesa" (Pending) in attesa di revisione amministrativa.
Rilevamento Anomalie basato su AI: Ogni canale addestra un modello temporale leggero su sequenze comportamentali locali (vettori di caratteristiche che includono identità, tipo di operazione, frequenza e tempistica). Il modello predice il comportamento normale; le deviazioni che superano una soglia determinano un flag di anomalia.
Apprendimento Federato (FL): Gli agenti AI migliorano collaborativamente i propri modelli di rilevamento delle anomalie condividendo gli aggiornamenti del modello (parametri) anziché i dati grezzi. Il framework utilizza la media federata (FedAvg) per l'aggregazione.

2.3 Selezione dei Client tramite Teoria dei Giochi

Per affrontare l'eterogeneità delle supply chain e l'instabilità della FL globale, ICBAC introduce un meccanismo di Formazione di Coalizioni Edoniche per la selezione dei client:

Basato sulle Preferenze: Ogni agente AI dichiara una lista di "amici" (partner fidati/compatibili) senza rivelare i criteri sottostanti.
Stabilità: Il meccanismo utilizza l'algoritmo di Tarjan per identificare le Componenti Fortemente Connesse (SCC) nel grafo delle preferenze.
Garanzie: Questo approccio assicura la stabilità del nucleo (core stability - nessun gruppo di agenti ha incentivo a deviare) e la strategia-impenetrabilità (strategy-proofness - gli agenti non possono beneficiare di una falsa dichiarazione delle preferenze).
Risultato: I canali formano coalizioni stabili e su piccola scala per la FL, garantendo che l'aggregazione avvenga solo tra partecipanti comportamentalmente compatibili, mitigando così il "client drift" comune nei contesti non-IID.

3. Contributi Chiave

Il documento delinea quattro contributi primari:

Controllo degli Accessi basato su Blockchain per la SCM: Un framework multi-canale su Hyperledger Fabric che riflette i contesti eterogenei della supply chain.
Revoca Dinamica degli Accessi guidata dall'AI: Integrazione di agenti AI per canale per il rilevamento delle anomalie in tempo reale e la revoca automatizzata e consapevole del contesto dei permessi tramite smart contract.
Apprendimento Federato che Preserva la Privacy: Un meccanismo che consente il miglioramento collaborativo dei modelli senza lo scambio di dati grezzi.
Selezione dei Client tramite Teoria dei Giochi: Un meccanismo di formazione di coalizioni edoniche che garantisce coalizioni di FL stabili, strategie-impenetrabili e rispettose della privacy.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su un testbed Hyperledger Fabric utilizzando il dataset DataCoSupplyChain (oltre 180.000 record).

Performance della Blockchain: ICBAC ha dimostrato latenza e throughput comparabili ai framework statici allo stato dell'arte (MedTrace, AccessChain, ProChain). Mentre le operazioni di lettura hanno mostrato un marginale aumento della latenza (circa una riduzione del 18,6% del throughput rispetto a ProChain in un test specifico) a causa dei controlli dinamici dei permessi, l'analisi statistica (t-test) ha indicato che non vi erano differenze significative nella maggior parte delle metriche di performance.
Rilevamento Anomalie (FL):
- IID vs. Non-IID: Il framework è stato testato sia sotto distribuzioni di dati Indipendenti e Identicamente Distribuite (IID) che Non-IID.
- Efficacia della Coalizione: Le coalizioni basate sulle preferenze prodotte dal meccanismo proposto hanno costantemente superato le coalizioni casuali e le federazioni inclusive, specialmente in contesti Non-IID. Hanno ottenuto una convergenza più rapida e F1-score più elevati con una perdita minore.
- Privacy: Le coalizioni FL hanno raggiunto lo zero leakage di privacy (nessun dato grezzo condiviso), mentre i modelli centralizzati addestrati su dati aggregati hanno mostrato una perdita misurabile (0,15–0,53).
- Accuratezza: In condizioni IID, le performance della FL si sono avvicinate a quelle dei modelli centralizzati. In condizioni Non-IID, sebbene i modelli centralizzati mantenessero un'accuratezza superiore, i modelli FL hanno mantenuto prestazioni solide pur preservando la privacy.

5. Significato e Rivendicazioni

Il documento sostiene che ICBAC offra una soluzione pratica e scalabile per il controllo degli accessi dinamico e che preservi la privacy in ecosistemi di supply chain decentralizzati. La sua importanza risiede nel colmare il divario tra la trasparenza della blockchain e l'adattabilità dell'IA, affrontando specificamente i limiti delle policy statiche di fronte alle minacce interne.

Gli autori sottolineano che il framework è unicamente adatto ad ambienti competitivi dove le organizzazioni non possono condividere dati ma devono beneficiare dell'intelligenza collettiva. Utilizzando la formazione di coalizioni edoniche, ICBAC garantisce che la collaborazione sia stabile e strategia-impenetrabile senza richiedere la divulgazione dei criteri di collaborazione sensibili.

Il documento riconosce modestamente alcuni limiti, notando che le performance nei contesti FL Non-IID sono inferiori rispetto agli ambienti centralizzati e che le operazioni di lettura comportano un leggero overhead. Il lavoro futuro è proposto per affrontare l'aggregazione di dati eterogenei e per estendere il framework a scenari cross-blockchain completamente indipendenti utilizzando protocolli di interoperabilità cross-chain.