Constraint Migration: A Formal Theory of Throughput in AI Cybersecurity Pipelines

1. Il Problema

Il dibattito sull'uso dell'Intelligenza Artificiale (AI) nelle operazioni di cybersecurity è attualmente dominato da argomentazioni informali e slogan (es. "l'AI accelera sia attaccanti che difensori", "più allarmi significano più rumore", "l'AI non può sostituire il giudizio umano"). Sebbene queste affermazioni siano ampiamente discusse per giustificare o confutare politiche di sicurezza, mancano di una fondazione matematica rigorosa. Le condizioni esatte sotto cui queste affermazioni sono vere o false rimangono invisibili.
Il problema centrale affrontato dal paper è la mancanza di un modello formale che spieghi come le perturbazioni moltiplicative delle capacità delle singole fasi di una pipeline di cybersecurity (dovute all'implementazione di strumenti AI) influenzino il throughput globale del sistema, specialmente in presenza di vincoli umani e scenari avversari.

2. Metodologia

L'autore sviluppa una teoria formale basata su assiomi per modellare le pipeline di cybersecurity come sistemi seriali finiti.

• Modello della Pipeline: Una pipeline $\Pi$ è definita come un insieme finito non vuoto di stadi $V$, ordinati totalmente, ciascuno con una capacità di elaborazione positiva $c(v)$.
• Definizione di Throughput: Il throughput del sistema $T(\Pi)$ è definito rigorosamente come il minimo delle capacità degli stadi: $T(\Pi) = \min_{v \in V} c(v)$. Questa è un'astrazione deterministica del "collo di bottiglia" (bottleneck), priva di code o variabilità stocastica.
• Perturbazione Moltiplicativa: L'impatto dell'AI è modellato come un fattore di miglioramento moltiplicativo $\alpha(v) \ge 1$ applicato a ciascun stadio. Una pipeline perturbata $\Pi_\alpha$ ha capacità $c_\alpha(v) = \alpha(v) \cdot c(v)$.
• Vincoli Estesi:
  • Autorità Umana: Alcuni stadi ($H$) sono vincolati a non essere accelerati ($\alpha(h) = 1$).
  • Scenario Avversario: Si confrontano due pipeline indipendenti, una dell'attaccante ($\Pi_A$) e una del difensore ($\Pi_D$).
  • Falsi Positivi: Viene introdotto un modello scalare per analizzare il throughput utile in relazione al tasso di allerta e alla precisione.

Tutti i teoremi sono dimostrati utilizzando proprietà elementari dei numeri reali, minimi su insiemi finiti e strutture moltiplicative puntuali, senza ricorrere a tecniche complesse di calcolo stocastico.

3. Contributi Chiave

Il paper fornisce sei risultati principali (5 teoremi e 1 proposizione) che formalizzano concetti intuitivi:

1. Caratterizzazione Esatta dell'Invarianza e del Miglioramento (Teoremi 1 e 2):

   • Il throughput rimane invariato se e solo se almeno uno dei colli di bottiglia originali non viene migliorato ($\alpha(v)=1$).
   • Il throughput aumenta strettamente se e solo se tutti i colli di bottiglia originali vengono migliorati strettamente ($\alpha(v)>1$).
   • Questo chiarisce che migliorare stadi non critici (non-bottleneck) non ha alcun effetto sul throughput totale, e che in caso di colli di bottiglia multipli (legati), tutti devono essere accelerati per vedere un guadagno.

2. Soffitto dell'Autorità Umana (Teorema 3):

   • Se un sottoinsieme di stadi richiede l'intervento umano (e quindi non può essere accelerato), il throughput massimo raggiungibile è limitato superiormente dalla capacità minima tra questi stadi umani.
   • Il teorema dimostra che questo limite è "stretto" (tight): è possibile raggiungere esattamente questo valore accelerando all'infinito tutti gli stadi non umani.

3. Dinamiche Avversarie (Teorema 4):

   • Il rapporto tra il throughput dell'attaccante e quello del difensore peggiora per il difensore se e solo se il guadagno relativo dell'attaccante supera quello del difensore.
   • Questo sposta il focus dal semplice confronto delle velocità assolute al confronto dei guadagni percentuali rispetto ai rispettivi colli di bottiglia.

4. Analisi dei Falsi Positivi (Teorema 5 e Proposizione 4):

   • Sotto un modello di "frazione fissa di falsi positivi", il throughput utile non diminuisce mai dopo la saturazione della capacità di investigazione; si stabilizza su un plateau.
   • L'autore dimostra che l'idea comune secondo cui "più allarmi portano a un calo del throughput utile" è impossibile in un modello a frazione fissa.
   • Per ottenere un vero declino, è necessario un modello in cui la precisione diminuisce al crescere del tasso di allerta (funzione di precisione dipendente dal tasso).

4. Risultati Principali

• Invarianza del Collo di Bottiglia: Il sistema è "blindato" contro miglioramenti parziali. Se anche un solo collo di bottiglia rimane a capacità umana (o non ottimizzata), l'intero sistema non guadagna velocità.
• Il Paradosso Risolto: La teoria smentisce formalmente l'idea che l'aumento della sensibilità di rilevamento (AI) porti automaticamente a un crollo dell'efficienza operativa, a meno che non si assuma un degrado della precisione (falsi positivi) correlato al volume.
• Asimmetria Avversaria: Un difensore che investe in stadi non critici mentre l'attaccante risolve il proprio collo di bottiglia vedrà il proprio rapporto di forza peggiorare, anche se il difensore ha migliorato la propria pipeline in termini assoluti.

5. Significato e Implicazioni

Questo lavoro è significativo perché trasforma argomentazioni qualitative e spesso contraddittorie sulla cybersecurity basata sull'AI in una teoria matematica precisa.

• Implicazioni per la Gestione delle Operazioni (SecOps): Fornisce una base per l'allocazione delle risorse. Le organizzazioni non dovrebbero investire in AI per stadi che non sono colli di bottiglia, né aspettarsi che l'automazione superi i limiti imposti dai processi decisionali umani.
• Metodologia di Modellazione: Il paper evidenzia l'importanza di definire correttamente le funzioni di precisione e di throughput. Dimostra che conclusioni controintuitive (come il declino del throughput) dipendono criticamente dalle assunzioni del modello (es. frazione fissa vs. precisione variabile).
• Fondamento per Politiche Future: Offre un linguaggio formale per valutare l'efficacia degli investimenti in AI, distinguendo tra miglioramenti locali e guadagni globali del sistema.

Limitazioni e Lavori Futuri

L'autore riconosce che il modello è deterministico, privo di code (bufferless) e non stocastico. Non considera interazioni strategiche (teoria dei giochi) o dinamiche di corsa agli armamenti. Il passo successivo fondamentale sarebbe estendere questa teoria a funzioni di throughput stocastiche che includano variabilità e code, dove il semplice "minimo" potrebbe non essere più la misura adeguata. Tuttavia, il paper stabilisce una base solida e necessaria per qualsiasi futura analisi quantitativa in questo dominio.