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.
