AEGIS: Adversarial Entropy-Guided Immune System -- Thermodynamic State Space Models for Zero-Day Network Evasion Detection

Titolo: AEGIS: Sistema Immunitario Guidato dall'Entropia Adversariale

Sottotitolo: Modelli di Spazio di Stato Termodinamici per la Rilevazione di Evasione di Rete Zero-Day.

1. Il Problema: Vulnerabilità delle Tecniche di Ispezione Attuale

L'adozione diffusa di TLS 1.3 ha limitato drasticamente l'efficacia delle tradizionali tecniche di Deep Packet Inspection (DPI), poiché i payload e le indicazioni del nome del server (SNI) sono ora cifrati. Di conseguenza, la comunità della sicurezza si è spostata verso classificatori basati su Transformer Euclidei (come ET-BERT) che analizzano le sequenze di byte del payload.

Tuttavia, questo approccio presenta vulnerabilità strutturali critiche:

• Morfing Adversariale: I modelli basati sui byte sono sensibili a manipolazioni sequenziali. Attacchi di pre-padding (aggiunta di rumore stocastico all'inizio dei pacchetti) possono ridurre l'accuratezza di ET-BERT fino al 25,68%.
• Mimicry Crittografico: Protocolli come VLESS Reality imitano dinamicamente le connessioni TLS legittime, bypassando la rilevazione basata sui certificati.
• Frammentazione della Varietà (Manifold Shattering): Attacchi avanzati (es. Ayaka AH-MSI) riescono ad allineare le distribuzioni temporali del traffico malevolo con quelle legittime, ingannando i modelli basati sul tempo continuo standard.
• Limiti Computazionali: I Transformer hanno una complessità computazionale $O(N^2)$, creando colli di bottiglia nella memoria e nella velocità di elaborazione per flussi di dati ad alta velocità.

2. Metodologia: L'Architettura AEGIS

AEGIS (Adversarial Entropy-Guided Immune System) abbandona completamente la lettura del payload per adottare un paradigma basato sulla fisica del flusso continuo in uno spazio non euclideo.

Componenti Chiave:

1. Estrazione di Fisica del Flusso a 6 Dimensioni:
   Invece di analizzare i byte, il sistema estrae vettori fisici continui per ogni pacchetto:

   • Volume del pacchetto ($S_i$)
   • Tempo inter-arrivo (IAT, $\Delta t_i$) a risoluzione microsecondo
   • Direzionalità ($D_i$)
   • Dimensione della finestra TCP ($W_i$)
   • Flag TCP ($F_i$)
   • Rapporto Payload/Frame ($P_i$)
   • Nota: I byte del payload vengono scartati, rendendo gli attacchi di padding inefficaci.

2. Embedding Iperbolico (Poincaré):
   I dati temporali vengono proiettati su una varietà iperbolica (disco di Poincaré). Questo spazio geometrico gestisce naturalmente le strutture gerarchiche ed esponenziali delle topologie delle botnet, mitigando l'esplosione del gradiente tipica degli spazi euclidei.

3. Liquid Time-Constants (LTC):
   Utilizza reti con costanti di tempo liquide per modellare il decadimento degli stati nascosti in funzione degli intervalli temporali tra i pacchetti. Questo permette di catturare la "termodinamica" della rete e le variazioni strutturali che i surrogati statali non possono sintetizzare.

4. Core Selettivo a Stato Spaziale (Mamba-3):
   Sostituisce l'attenzione self-attention dei Transformer con un modello Mamba-3 basato su SSM (State Space Models). Questo riduce la complessità a $O(N)$, permettendo l'elaborazione di finestre causali di 1.000 pacchetti con latenza sub-millisecondo e senza colli di bottiglia di memoria.

5. Rilevatore di Varianza Termodinamica (TVD):
   Calcola l'Entropia di Shannon degli stati nascosti della sequenza. Il traffico automatizzato (C2) mostra una rigidità strutturale e una bassa entropia rispetto al traffico umano stocastico. Questo rilevatore identifica le anomalie matematiche intrinseche ai tunnel di comando e controllo, anche se mimetizzati.

6. Ottimizzazione Hardware e Zero-Copy:

   • eBPF/XDP: Un Harvester in C++ puro intercetta il traffico direttamente a livello di kernel (NIC) usando eBPF.
   • IPC Zero-Copy: I dati vengono trasferiti alla GPU tramite memoria condivisa (IPC) senza copiare i buffer, aggirando il Global Interpreter Lock (GIL) di Python.
   • TileLang: Il core Mamba-3 è compilato via JIT per massimizzare l'efficienza.

3. Contributi Principali

• Nuovo Paradigma di Classificazione: Spostamento dalla lettura dei payload alla fisica del flusso continuo in geometria iperbolica.
• Corpus Adversariale "Zero-Trust": Creazione di un dataset di 400 GB e 4 livelli (traffico backbone, botnet IoT, rootkit zero-day, tunnel crittografici proprietari come VLESS Reality) per testare la resilienza in condizioni estreme.
• Rilevazione Termodinamica: Introduzione di un metodo basato sull'entropia per distinguere la rigidità algoritmica dei malware dall'entropia naturale del traffico umano.
• Prestazioni in Tempo Reale: Implementazione di un sistema capace di operare a velocità di linea (line-rate) su hardware consumer (RTX 4090).

4. Risultati Sperimentali

Il sistema è stato valutato su un corpus avversario di 400 GB (908.037 sequenze di pacchetti) utilizzando un'RTX 4090.

• Accuratezza:
  • F1-Score: 0.9952
  • Tasso di Rilevazione (TPR): 99.50% (57.551 su 57.838 sequenze anomale rilevate).
  • Falso Positivo (FPR): 0.2141% (265 su 123.770 flussi legittimi).
• Prestazioni e Latenza:
  • Latenza di Inferenza: 262,27 µs per sequenza (batch size 64).
  • Throughput Teorico: Fino a 40 Milioni di Pacchetti al Secondo (Mpps) in condizioni di laboratorio.
  • Robustezza: Il sistema mantiene un'alta accuratezza anche con l'iniezione di rumore gaussiano fino al 10%. A un 15% di rumore (soglia di "frammentazione della varietà"), l'accuratezza crolla, ma tale livello di rumore è fisicamente irrealizzabile per un avversario senza corrompere il proprio canale C2.
• Confronto con Mamba-1: L'aggiornamento a Mamba-3 ha migliorato l'F1-score da 0.9604 a 0.9952 e ridotto la latenza del 2,1x.

5. Significato e Limiti

Significato:
AEGIS stabilisce un nuovo stato dell'arte per la difesa di rete basata su fisica non euclidea. Dimostra che è possibile rilevare tunnel C2 crittografati e zero-day ignorando completamente il contenuto dei dati, basandosi invece sulle proprietà termodinamiche e geometriche del flusso. Questo approccio è immune agli attacchi di padding e alla mimicry crittografica basata sui byte.

Limiti Teorici (Orizzonte dell'Entropia Umana):
Lo studio identifica un limite teorico fondamentale: i protocolli come VLESS Reality che multiplexano il traffico umano reale (es. un utente che naviga attivamente) sono indistinguibili dal traffico legittimo per AEGIS. Poiché la fisica del flusso umano è intrinsecamente stocastica, un avversario che opera a velocità umane non può essere rilevato da questo metodo. Tuttavia, questo limita l'utilità operativa dei C2 ad alta velocità, costringendo gli attaccanti a rallentare le loro operazioni.

Conclusioni:
AEGIS rappresenta un cambio di paradigma: la sicurezza di rete futura non risiede nella lettura dei byte (che può essere manipolata), ma nella misurazione della termodinamica fondamentale dell'evasione avversariale. L'architettura è pronta per il deployment enterprise, offrendo rilevamento ad alta velocità e bassa latenza senza violare la privacy degli utenti (poiché non ispeziona i payload).