Tecnologia / Cybersicurezza

Reti IoT, un modello spiegabile riconosce 33 tipi di attacco nei test

Il sistema comprime il traffico in dieci proprietà e raggiunge il 98,5% di accuratezza su un campione bilanciato. Mancano ancora prove su reti operative.

Pubblicato 15 novembre 2026 alle ore 15:21 · Aggiornato 15 novembre 2026 alle ore 15:21 · Ricerca internazionale · 4 min di lettura

A cura della Redazione CurioMondo

Banco di prova per sicurezza IoT con sensori, router e monitor che visualizza flussi di rete e una mappa di spiegazione.
Illustrazione editoriale CurioMondo generata con IA per rappresentare questa notizia; non è una fotografia documentaria.

Un gruppo di ricercatori ha presentato un sistema di rilevamento delle intrusioni per dispositivi Internet of Things che prova a conciliare prestazioni e spiegabilità. Lo studio, pubblicato il 15 novembre su Scientific Reports, trasforma le caratteristiche dei flussi di rete in dieci proprietà compatte ispirate alla rappresentazione degli amminoacidi e le usa per addestrare modelli classici e reti neurali.

La valutazione è stata eseguita su un sottoinsieme bilanciato di 50.000 flussi tratto dal dataset CICIoT2023, comprendente tutte le 33 classi di attacco disponibili. La maggior parte dei dodici modelli classici e dei cinque modelli profondi ha raggiunto un’accuratezza compresa tra il 98,4% e il 98,5% sul set di test.

La rete ricorrente analizzata più a fondo ha registrato un tasso di falsi allarmi dello 0,02%.

Il metodo applica prima una trasformazione statistica ai valori, seleziona le caratteristiche più informative e le converte in sequenze sintetiche. Queste vengono riassunte attraverso proprietà come peso molecolare, punto isoelettrico e propensione alle strutture beta-turn. Il vantaggio dichiarato è ottenere sempre dieci ingressi interpretabili, anche quando i dataset di partenza descrivono il traffico con insiemi di caratteristiche differenti.

Per spiegare le decisioni, gli autori hanno confrontato strumenti diversi, tra cui SHAP, LIME, ELI5, Integrated Gradients e regole locali. Le spiegazioni hanno indicato soprattutto due proprietà sintetiche, correlate con il numero e la dimensione dei pacchetti.

Il modello ricorrente contiene meno di 15.000 parametri e, nell’ambiente di prova, ha richiesto circa un decimo di millisecondo per analizzare un flusso su CPU.

I risultati non significano che il sistema sia pronto a proteggere router, telecamere o sensori domestici senza ulteriori verifiche. Il campione è stato bilanciato artificialmente, mentre sulle reti reali il traffico normale è molto più frequente degli attacchi e cambia nel tempo.

Prestazioni elevate su un dataset noto possono ridursi davanti a dispositivi, protocolli o tecniche di intrusione mai osservati durante l’addestramento.

Il valore del lavoro sta soprattutto nella possibilità di ricondurre una segnalazione a caratteristiche comprensibili del traffico, aiutando un analista a decidere se intervenire. Le prossime prove dovranno misurare robustezza, consumo di risorse e falsi positivi su reti operative.

Per aziende e utenti, la ricerca non sostituisce aggiornamenti dei dispositivi, password uniche, segmentazione della rete e disattivazione dei servizi non necessari.

Fonti consultate

Redazione CurioMondo
Testo originale CurioMondo. Ultimo aggiornamento editoriale: 15 novembre 2026 alle ore 15:21.
Illustrazione editoriale CurioMondo generata con IA per rappresentare questa notizia; non è una fotografia documentaria.