I moderni chip elettronici sono i motori silenziosi del nostro mondo, capaci di alimentare tutto, dai dispositivi medici ai sistemi che guidano gli aerei. Questi minuscoli circuiti vengono fabbricati in quantità enormi, passando spesso per le mani di molte diverse aziende prima di raggiungere l'utente finale. Questo complesso viaggio crea una vulnerabilità: un malintenzionato potrebbe inserire una piccola modifica nascosta nel design, un "cavallo di Troia" digitale. Questo circuito nascosto potrebbe rimanere latente per anni, in attesa di un segnale specifico per attivarsi, momento in cui potrebbe rubare chiavi segrete, spegnere un sistema o degradare le prestazioni. Poiché questi dispositivi sono spesso sigillati all'interno di involucri metallici e le modifiche nascoste sono progettate per essere quasi invisibili, gli esperti di sicurezza non possono semplicemente guardare all'interno per trovarle. Invece, devono ascoltare il comportamento fisico del chip. Quando un chip opera, consuma elettricità, e questo consumo crea una debole firma di potenza fluttuante. Un circuito malevolo nascosto, anche quando è silenzioso, altera leggermente questo flusso di energia. Misurando queste minuscole increspature elettriche, i difensori sperano di individuare la presenza di una minaccia nascosta senza mai aprire il chip.

Per anni, i ricercatori si sono rivolti all'apprendimento automatico per automatizzare questo processo di ascolto. Hanno addestrato programmi informatici per riconoscere le firme di potenza uniche di chip noti per essere infetti da queste modifiche nascoste. I primi rapporti erano incredibilmente ottimisti, affermando che questi sistemi di intelligenza artificiale potevano identificare un chip malevolo con un'accuratezza quasi perfetta, citando spesso tassi di successo compresi tra l'87 e il 100 percento. Questi numeri suggerivano che avessimo risolto il problema dello screening dei chip per le minacce nascoste. Tuttavia, uno studio recente condotto da ricercatori della Prairie View A&M University e della Wright State University mette in discussione questa fiducia. Essi sostengono che questi punteggi elevati non dimostrano che le macchine siano brave a rilevare nuove minacce sconosciute. Al contrario, i punteggi riflettono un semplice caso di familiarità. I ricercatori hanno scoperto che il modo in cui questi sistemi venivano testati permetteva loro di riconoscere chip che avevano già visto durante l'addestramento, piuttosto che identificare realmente un pericolo nuovo.

Il cuore del problema risiede in come i dati siano stati suddivisi per il test. Nei precedenti studi, i ricercatori prendevano migliaia di misurazioni di potenza da un insieme di chip infetti e le dividevano casualmente in due gruppi: uno per l'addestramento del computer e uno per il test. Poiché lo stesso specifico chip veniva utilizzato per generare sia i dati di addestramento che quelli di test, il computer stava essenzialmente sostenendo l'esame su un compito che aveva già svolto. Ha imparato a riconoscere il particolare rumore elettrico di un determinato chip che aveva già studiato, invece di apprendere le regole generali di ciò che costituisce un circuito malevolo. È come insegnare a uno studente a riconoscere la grafia di una persona specifica e poi testarlo sulla scrittura di quella stessa persona; passerà con ottimi voti, ma probabilmente fallirebbe se gli venisse chiesto di identificare la grafia di uno sconosciuto. I ricercatori hanno compreso che, in uno scenario reale, il chip oggetto del test sarebbe un dispositivo completamente nuovo, un dispositivo che il sistema di sicurezza non aveva mai incontrato prima.

Per correggere questo, il team ha riprogettato l'esperimento affinché fosse rigorosamente equo. Hanno separato i dati in modo che nessun singolo chip apparisse sia nel gruppo di addestramento che in quello di test. Hanno addestrato il computer su un set di chip e poi lo hanno testato su un chip completamente diverso che non aveva mai visto. Quando hanno fatto questo, gli impressionanti tassi di successo sono svaniti. La capacità del sistema di rilevare le minacce nascoste è crollata drasticamente, scendendo a un livello che era appena migliore di un indovinare casuale. In alcuni casi, il sistema è diventato peggiore del caso casuale, identificando erroneamente chip puliti come infetti o mancando completamente le minacce. Questo collasso è avvenuto anche quando i ricercatori hanno provato diversi tipi di modelli informatici avanzati, dimostrando che il problema non era una mancanza di potenza di calcolo o una cattiva scelta di algoritmi, ma un limite fondamentale nel modo in cui i dati si comportano.

Lo studio ha rivelato che i segnali elettrici provenienti da queste minacce nascoste sono incredibilmente deboli e diffusi su l'intera misurazione, rendendoli molto difficili da distinguere dal normale rumore di fondo. I ricercatori hanno scoperto che il sistema poteva avere successo solo se aveva già visto un chip molto simile durante il suo addestramento. Se un tipo specifico di minaccia nascosta era presente nei dati di addestramento, il sistema poteva individuare un nuovo chip con quella stessa minaccia. Ma se i dati di addestramento non includevano un parente stretto della minaccia presente sul chip in fase di test, il sistema falliva. Questa dipendenza dalla familiarità significa che non può essere costruito un programma di sicurezza universale e pre-addestrato per scansionare ogni chip al mondo. Invece, per rilevare in modo affidabile una minaccia su un dispositivo specifico, gli esperti di sicurezza devono prima effettuare un piccolo numero di misurazioni dallo specifico dispositivo stesso per calibrare il sistema.

I ricercatori hanno testato questa idea fornendo al sistema solo poche misurazioni del nuovo chip prima di chiedergli di emettere un giudizio. Con questa piccola quantità di informazioni specifiche, l'accuratezza del sistema è migliorata significativamente, superando qualsiasi metodo che tentasse di fare affidamento su dati provenienti da altri chip non correlati. Questa scoperta suggerisce che il futuro della sicurezza dei chip non risiede in un singolo modello di intelligenza artificiale onnisciente. Invece, richiede un approccio più pratico in cui ogni dispositivo viene brevemente calibrato prima di essere sottoposto a screening. Lo studio conclude che gli alti numeri di accuratezza riportati in passato erano un'illusione creata da metodi di test errati. Il rilevamento nel mondo reale è molto più difficile e richiede un approccio su misura per ogni nuovo chip, piuttosto che una soluzione unica per tutti. Cambiando il modo in cui testiamo questi sistemi, i ricercatori hanno fornito un quadro più chiaro e onesto di ciò che è possibile e di ciò che è necessario per mantenere sicura la nostra infrastruttura digitale.