Solving the Cross-Sector Generalization Gap: A Generalizable AI Framework for Detecting Known and Unseen Cyberattacks in Critical Infrastructure

Il mondo moderno funziona grazie a un vasto e invisibile sistema nervoso di macchine e reti. Dai impianti di trattamento delle acque che mantengono puliti i nostri rubinetti ai sistemi elettrici che illuminano le nostre città, dalle ferrovie che muovono i nostri treni alle navi che navigano i nostri oceani, fino alle fabbriche che costruiscono i nostri beni, questi sistemi si affidano alla tecnologia operativa. Questa è la parte specializzata di software e hardware che monitora e controlla i processi fisici. Per decenni, gli esperti di sicurezza hanno trattato ciascuno di questi settori come un'isola separata. Hanno costruito difese personalizzate per l'impianto idrico, altre diverse per la rete elettrica e altre ancora per le ferrovie, assumendo che il linguaggio unico dei sensori di un settore non potesse essere compreso da un sistema progettato per un altro. Questo approccio ha creato un panorama frammentato in cui la protezione del mondo interconnesso richiede uno strumento diverso per ogni compito, un metodo che è costoso e difficile da scalare man mano che questi sistemi diventano più collegati tra loro.

Un team di ricercatori dell'Università Islamica Internazionale di Chittagong ha sfidato questa assunzione di lunga data. Si sono posti una domanda semplice ma profonda: potrebbe un singolo sistema di intelligenza artificiale imparare a riconoscere i segni universali di un attacco informatico in tutti questi diversi settori, anche se non avesse mai visto quel settore specifico prima d'ora? Il loro lavoro suggerisce che la risposta sia sì. Addestrando un modello informatico a osservare il comportamento dei dati piuttosto che i nomi specifici dei sensori, hanno creato un rilevatore unificato capace di individuare sia attacchi noti che minacce nuove e mai viste in cinque distinti settori di infrastrutture critiche. I risultati indicano che un singolo sistema adattabile potrebbe eventualmente sostituire una flotta di rilevatori specializzati, offrendo un modo più efficiente e comprensibile per proteggere i servizi essenziali da cui la società dipende.

I ricercatori si sono concentrati su cinque settori diversi: trattamento delle acque e delle acque reflue, rete elettrica, segnaletica ferroviaria, navigazione marittima e produzione industriale. Nel mondo reale, questi sistemi parlano lingue diverse. Un impianto idrico potrebbe monitorare la pressione e la limpidezza dell'acqua, mentre una rete elettrica traccia la tensione e la frequenza elettrica. Un sistema ferroviario controlla la pressione dei freni e la velocità del treno, e una nave monitora la velocità del motore e l'angolo del timone. Tradizionalmente, un'intelligenza artificiale addestrata sui dati dell'acqua sarebbe inutile per una rete elettrica perché non comprenderebbe i numeri specifici coinvolti. I ricercatori hanno capito che, sebbene i nomi dei sensori differiscano, il modo in cui una macchina si comporta quando è sotto attacco potrebbe condividere schemi comuni.

Per testare questo, hanno costruito un framework che traduce i dati grezzi di ogni settore in un linguaggio comune e semplificato. Invece di alimentare il computer con le letture grezze dei sensori, hanno calcolato un insieme di riassunti statistici per ogni finestra temporale. Hanno osservato quanto velocemente i numeri cambiavano, quanto "rimbalzavano" e quanto fossero dispersi i valori. Questi riassunti hanno creato un elenco fisso di numeri per ogni settore, eliminando il vocabolario specifico dell'acqua o dell'elettricità e lasciando solo la forma matematica dei dati. Ciò ha permesso loro di addestrare un singolo modello informatico, un tipo di sistema decisionale noto come "random forest", su dati provenienti da tutti e cinque i settori contemporaneamente.

Il team ha sottoposto questo singolo modello a una serie rigorosa di test per vedere se potesse davvero generalizzare. Per prima cosa, hanno verificato se fosse in grado di rilevare attacchi all'interno del settore su cui era stato addestrato. Il modello ha avuto successo, identificando correttamente gli attacchi nei sistemi idrici, elettrici, ferroviari, marittimi e industriali con tassi di accuratezza compresi tra circa il 79 e l'86 percento. Ciò ha dimostrato che il modello poteva apprendere le sfumature specifiche di ogni industria. Ma la vera prova arrivò quando hanno cercato di trasferire tale conoscenza. Hanno addestrato il modello su quattro settori e poi gli hanno chiesto di identificare gli attacchi in un quinto settore, un dominio che non aveva mai visto prima. Sorprendentemente, il modello ha performato altrettanto bene in questi nuovi ambienti, raggiungendo un'accuratezza compresa tra l'80 e l'86 percento. Ciò ha dimostrato che il sistema aveva appreso la logica sottostante di un attacco, piuttosto che limitarsi a memorizzare i nomi specifici dei sensori di un'industria.

Forse il risultato più significativo è stata la capacità del sistema di rilevare attacchi che non aveva mai incontrato prima. Nel mondo della cybersicurezza, le minacce più pericolose sono gli attacchi "zero-day", ovvero nuovi e sconosciuti ai difensori. I ricercatori hanno testato il loro modello omettendo completamente dal set di addestramento un tipo specifico di attacco furtivo. Quando hanno presentato questo attacco inedito al modello, esso è comunque riuscito a identificarlo con alta confidenza, raggiungendo un tasso di rilevamento superiore all'82 percento. Ciò suggerisce che il modello avesse imparato a riconoscere il comportamento sottile ed erratico che caratterizza un'intrusione informatica, indipendentemente dal fatto che avesse già visto quel particolare trucco.

I ricercatori hanno affrontato anche un problema operativo critico: distinguere tra un attacco informatico malevolo e un semplice guasto meccanico innocuo. In passato, i sistemi di sicurezza spesso confondevano un sensore che derivava a causa dell'età o un motore che si stava usurando con un attacco deliberato, causando falsi allarmi che erodevano la fiducia. Il loro framework è stato in grado di distinguere tra un attacco informatico e un guasto fisico con un'accuratezza vicina al 90 percento. Questa è una capacità vitale, poiché assicura che gli operatori siano allertati su minacce reali piuttosto che essere distratti dalla routine di usura delle apparecchiature.

Infine, il team si è assicurato che il sistema non fosse una "scatola nera" che fornisce risposte senza spiegazioni. Hanno analizzato quali caratteristiche statistiche il modello utilizzasse maggiormente per prendere le sue decisioni. Hanno scoperto che il sistema era guidato principalmente dalla volatilità del tasso di variazione — essenzialmente, quanto velocemente e selvaggiamente i dati saltellavano. Questo ha senso intuitivo, poiché un attacco informatico spesso interrompe il flusso fluido e prevedibile dei dati delle macchine, causando picchi improvvisi ed erratici. Poiché il modello è costruito su queste regole statistiche chiare e comprensibili, gli operatori di sicurezza possono vedere esattamente perché è stato attivato un allarme, fornendo una traccia trasparente di prove invece di un'etichetta misteriosa.

Lo studio presenta comunque dei limiti. I dati utilizzati per addestrare e testare il sistema sono stati generati da simulazioni al computer progettate per imitare la fisica del mondo reale, piuttosto che provenire da reti operative dal vivo. Sebbene le simulazioni siano state accuratamente create per includere rumore e complessità realistici, i ricercatori riconoscono che i sistemi del mondo reale contengono ulteriori livelli di imprevedibilità che le simulazioni non possono catturare completamente. Notano inoltre che il loro sistema attuale fornisce una spiegazione generale per le sue decisioni, ma non spiega ancora il ragionamento dietro ogni singolo avviso individuale. Nonostante questi limiti, i risultati offrono una visione convincente per il futuro della sicurezza delle infrastrutture critiche. Invece di costruire una nuova difesa personalizzata per ogni nuova industria o per ogni nuovo tipo di sensore, un'intelligenza singola e adattabile potrebbe imparare il linguaggio universale del comportamento delle macchine, proteggendo la nostra acqua, la nostra energia, i nostri trasporti e la nostra industria con uno scudo unificato, trasparente ed efficace.