Sintesi del progetto
Il progetto SCP nasce dall’esigenza di migliorare la rapidità con cui vengono rilevate e classificate minacce informatiche in contesti caratterizzati da un traffico dati elevato. Nei moderni ambienti digitali, la sicurezza richiede sistemi capaci di analizzare in tempo reale flussi complessi, individuando anomalie anche minime nel comportamento delle reti. Il porting del codice seriale verso piattaforme HPC e Quantum Computing consente di accelerare in modo significativo le analisi, offrendo strumenti più reattivi e adatti alle esigenze operative della cybersecurity.
Obiettivi
L’obiettivo principale è incrementare la velocità e l’affidabilità dei modelli ML impiegati per la rilevazione di minacce e anomalie nei sistemi informatici. SCP punta a riscrivere gli algoritmi tradizionali in forma parallelizzata, valutando anche l’impiego di tecnologie quantistiche per compiti complessi come la feature selection.
Problemi e necessità
I sistemi attuali di analisi del traffico di rete e dei log di sistema sono spesso troppo lenti per affrontare minacce moderne che evolvono in pochi istanti. Inoltre, molti algoritmi di ML sono nati per architetture seriali e non sono ottimizzati per sfruttare realmente la parallelizzazione o le capacità di calcolo emergenti. Il progetto affronta proprio questo limite tecnico.
Soluzioni sviluppate
Il progetto ha sperimentato diverse strategie: parallelizzazione del codice attraverso librerie HPC, utilizzo di architetture quantistiche per la feature selection, clustering avanzato e ottimizzazione dei workflow ML. L’utilizzo delle risorse HPC è stato essenziale per ridurre i tempi di addestramento e analisi, mentre gli algoritmi quantistici hanno mostrato potenzialità nell’esplorazione rapida di spazi di soluzioni complessi.
Impatti
Grazie alle soluzioni sviluppate, è possibile migliorare la capacità di reazione ai tentativi di intrusione, proteggere dati sensibili e aumentare la fiducia nei servizi digitali. La maggiore velocità dei modelli permette alle aziende e alle istituzioni di intercettare attività sospette prima che evolvano in attacchi, riducendo rischi operativi e impatti economici. Inoltre, la parallelizzazione dei processi consente una migliore gestione delle risorse computazionali e una riduzione dei tempi di elaborazione.
Settori di applicazione
La tecnologia sviluppata potrà essere integrata direttamente nelle infrastrutture operative, ad esempio tramite sonde installate nel traffico di rete che analizzano i dati in tempo reale. L’approccio è replicabile anche in altre organizzazioni, grazie alla modularità dei modelli e all’uso di workflow ML ormai consolidati. Potrà inoltre essere adottato in ambiti come il Monitoraggio delle Infrastrutture Critiche o la Protezione dei servizi governativi.
