💻 computer science

Risk Models as Mediating Artifacts: A Postphenomenological Analysis of the CIIM Framework in Cybersecurity Practice

Questo articolo utilizza la teoria postfenomenologica per analizzare il modello di rischio CIIM, sostenendo che tali strumenti non siano semplici calcoli, ma artefatti mediatori che modellano la percezione e l'azione dei professionisti della cybersecurity, introducendo il concetto di "fenomenologia del collasso" per rendere visibile la fragilità sistemica.

Autori originali: Rommel Salas-Guerra

Pubblicato 2026-04-28

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Rommel Salas-Guerra

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

Il "Termometro" che non mente: Come i modelli di rischio cambiano il modo in cui vediamo il pericolo

Immagina di essere un medico. Per capire se un paziente sta male, usi uno strumento: un termometro. Se il termometro segna 37°C, dici "tutto bene". Se segna 40°C, dici "c'è la febbre".

Ma cosa succede se il termometro è progettato male? Cosa succede se, quando la temperatura sale a livelli mortali, lo strumento invece di urlare "Pericolo di morte!", si limita a mostrare un numero leggermente più alto, o peggio, si rompe e smette di funzionare proprio nel momento del bisogno?

Questo articolo parla esattamente di questo, ma applicato alla cybersecurity (la sicurezza informatica delle aziende).

1. Il problema: Gli strumenti che ci "accecano" (La critica al CVSS)

Oggi, chi lavora nella sicurezza informatica usa dei sistemi (chiamati CVSS) che danno un "voto" ai pericoli. È come se avessero un termometro che dice: "Questo virus è un 9 su 10".

L'autore dice che questo è un problema filosofico. Perché? Perché quel numero è statico. Ti dice come sta il virus adesso, ma non ti dice come cambierà domani. Inoltre, è cieco al contesto: un virus in una piccola startup è un problema, ma lo stesso virus in una banca mondiale è un disastro. Il "voto" però è lo stesso.

In pratica, questi strumenti sono come occhiali che colorano la realtà in un modo solo, impedendoti di vedere la vera profondità del pericolo. Ti fanno vedere un mondo piatto, quando il rischio è un mondo tridimensionale e in movimento.

2. La soluzione: Il modello CIIM (Il navigatore intelligente)

L'autore propone un nuovo modello chiamato CIIM. Se il vecchio sistema era un termometro statico, il CIIM è come un navigatore satellitare ultra-intelligente che non solo ti dice dove sei, ma ti dice anche: "Guarda che tra dieci minuti arriverai davanti a un burrone, e la strada sta diventando scivolosa".

Il CIIM ha tre superpoteri:

Vede il futuro (t+1): Non ti dice solo il rischio attuale, ma proietta cosa succederà nel prossimo istante. È come guidare guardando non solo il cruscotto, ma anche la strada che hai davanti.
Capisce il contesto: Sa che ogni azienda è diversa. Non tratta una biblioteca come una centrale nucleare.
Sente il "battito" dell'azienda: Analizza i comportamenti degli utenti e le anomalie, come se sentisse il respiro dell'organizzazione.

3. La "Fenomenologia del Collasso": Quando il sistema urla "Aiuto!"

Questa è la parte più affascinante e originale del saggio.

In matematica, quando si divide per zero, si ottiene un errore. Di solito, i programmatori "truccano" i calcoli per evitare questo errore, aggiungendo un numero piccolissimo, così il computer non si blocca. È come se un medico, vedendo un paziente in arresto cardiaco, decidesse di ignorare il segnale di morte per non spaventarsi e continuasse a leggere la temperatura come se fosse "molto alta".

L'autore dice: "No! Non truccate il calcolo!".

Lui propone la "Fenomenologia del Collasso". Se l'azienda sta per crollare (la sua resilienza arriva a zero), il modello non deve cercare di "ammorbidire" il risultato. Deve invece mostrare una rottura netta. Deve dire: "Attenzione, non siamo più nel campo del rischio normale; siamo entrati in una zona di catastrofe totale".

È la differenza tra un allarme che suona "bip-bip" e un urlo che ti scuote l'anima. Quel "collasso" visibile serve a far capire all'essere umano che le regole del gioco sono cambiate e che deve agire immediatamente.

4. L'etica: Gli strumenti non sono neutri

Infine, l'autore ci ricorda che gli strumenti che costruiamo non sono neutri.

Se costruisci un software che ti suggerisce come reagire a un attacco, quel software sta già prendendo decisioni etiche per te. Se il software dice: "Non spendere troppo per difenderti, costa troppo", sta decidendo che il risparmio è più importante della sicurezza assoluta.

L'autore chiede ai progettisti di essere onesti: rendiamo gli strumenti "trasparenti". Dobbiamo sapere perché un computer ci sta dando un certo consiglio, così l'essere umano può mantenere la sua responsabilità e non diventare un semplice automa che segue ordini invisibili.

In sintesi:

L'articolo ci dice che la tecnologia non deve solo "misurare" il mondo, ma deve aiutarci a comprenderlo davvero, specialmente quando le cose stanno per andare terribilmente male. Non vogliamo strumenti che ci rassicurino con numeri puliti; vogliamo strumenti che ci mostrino la verità, anche quando quella verità è un abisso.

Riassunto Tecnico: Modelli di Rischio come Artefatti Mediatori

1. Il Problema (Problem Statement)

L'articolo affronta una lacuna fondamentale nella gestione del rischio di cybersecurity: la natura dei modelli matematici esistenti (come il CVSS o il framework FAIR). L'autore sostiene che questi modelli non sono strumenti neutrali di misurazione, ma "artefatti mediatori" che influenzano profondamente la percezione e l'azione degli analisti.

Il problema principale identificato è la "povertà fenomenologica" dei modelli attuali, che presentano tre limiti critici:

Mancanza di temporalità: Modelli come il CVSS sono statici; misurano il rischio nel presente senza proiettarne l'evoluzione.
Assenza di contesto: I punteggi sono spesso indipendenti dall'ambiente organizzativo specifico.
Invisibilità della fragilità sistemica: I modelli tradizionali tendono a "levigare" (smoothing) i casi limite matematici per evitare errori di calcolo (come la divisione per zero), nascondendo così i segnali di un imminente collasso sistemico dell'organizzazione.

2. Metodologia (Methodology)

L'autore utilizza la post-fenomenologia (basata sulle teorie di Don Ihde e Peter-Paul Verbeek) come quadro metodologico per analizzare il CIIM (Contextual and Multimodal Hazard Impact Index), un modello di rischio dinamico originale sviluppato dall'autore stesso.

L'analisi si articola attraverso:

Analisi della mediazione tecnologica: Esame di come l'architettura del modello strutturi l'attenzione dell'analista.
Studio di caso empirico: Applicazione della teoria alla struttura formale del CIIM.
Approccio multidisciplinare: Integrazione tra filosofia della tecnologia, matematica applicata e architetture di Machine Learning (ML).

3. Contributi Chiave (Key Contributions)

A. Il Modello CIIM (Architettura Formale):
Il modello è definito dall'equazione:
$CIIM(t+1) = \frac{A \cdot T(t) \cdot V(t) \cdot E(t)}{R(t)} + \alpha \cdot P(t)$
Dove:

$t+1$ (Proiezione Temporale): A differenza dei modelli statici, il CIIM calcola l'impatto previsto nel momento immediatamente successivo, introducendo una "intenzionalità temporale".
$R(t)$ (Resilienza come denominatore): Il modello tratta la condizione $R(t) \to 0$ non come un errore computazionale da correggere, ma come una singolarità fenomenologica. Quando la resilienza si avvicina allo zero, il modello segnala un collasso qualitativo del sistema.
$P(t)$ (Funzione di perturbazione): Un termine che integra dati contestuali (incidenti storici, threat intelligence, comportamento degli utenti e anomalie) per personalizzare il rischio sull'ambiente specifico.

B. Architettura Machine Learning Ibrida:
Il CIIM utilizza una "intenzionalità distribuita" attraverso tre componenti:

LSTM/GRU: Per la modellazione delle sequenze temporali (ontologia del passato che modella il futuro).
XGBoost: Per la categorizzazione del rischio (trasformazione di gradienti numerici in decisioni discrete).
Reinforcement Learning (RL): Un agente che ottimizza non solo la riduzione del rischio, ma anche il costo dell'azione, introducendo un'intenzionalità etica (proporzionalità).

C. La "Fenomenologia del Collasso" (Nuovo Concetto):
L'autore propone questo concetto come contributo alla filosofia della tecnologia. Si riferisce alla progettazione di strumenti che, invece di fallire "grazievolmente" (nascondendo i limiti), diventano trasparenti ai propri confini, rendendo visibile l'avvicinarsi di una rottura sistemica.

4. Risultati e Implicazioni (Results & Significance)

Risultati Teorici:
L'analisi dimostra che il design di un modello di rischio è un atto etico e politico. Le scelte tecniche (come il peso delle variabili o la gestione delle singolarità) determinano cosa l'analista vede e cosa ignora, modellando di fatto la sua responsabilità professionale.

Significatività Pratica e Etica:
L'articolo propone tre principi per il design di strumenti di cybersecurity:

Trasparenza Fenomenologica: Gli strumenti devono rendere visibile la propria struttura di mediazione.
Rivelazione dei Confini (Boundary Disclosure): Gli strumenti devono segnalare quando operano al di fuori del loro range di validità.
Leggibilità Etica: Le linee guida normative integrate nel software (es. il bilanciamento costi/benefici) devono essere esplicite e personalizzabili.

Conclusione:
Il lavoro sposta il paradigma della cybersecurity da una pura questione di precisione matematica a una di design esperienziale e responsabilità, suggerendo che la resilienza di un'organizzazione dipende non solo dalla tecnologia utilizzata, ma dalla capacità degli strumenti di rivelare la verità della fragilità sistemica.