Vulnerabilità intent injection: nuovo rischio per reti 6G basate su AI

Nuova minaccia per le reti 6G: attacchi di intent injection

Le reti 6G native AI basate su Intent-Based Networking (IBN) presentano vulnerabilità critiche a nuovi attacchi di "adversarial intent injection". Questo approccio, che permette agli operatori di definire gli obiettivi senza specificare le policy di rete, offre nuove opportunità per gli aggressori. Uno studio congiunto dell'Università di Ottawa e Nokia Bell Labs ha testato due detector machine-learning contro questa minaccia.

Risposta Rapida

Il vettore di attacco: API compromesse

Gli intenti sono richieste leggibili dalle macchine, spesso in formato JSON, che i sistemi IBN traducono in policy di rete. Il punto critico identificato dai ricercatori è dove le richieste vengono accettate: un aggressore con una chiave API compromessa può inviare intenti che passano come normali aggiornamenti. Il team ha creato 20 intenti di base per attacchi, coprendo minacce come phishing e data exfiltration, generando nove varianti per ciascuno.

Costruzione del dataset: tra maliziosi e legittimi

Per testare i detector, i ricercatori hanno costruito un dataset di 1.100 intenti, parzialmente con l'aiuto di un modello linguistico di grandi dimensioni. Tra le tecniche utilizzate, hanno relabelizzato 40 intenti maliziosi come benigni e 90 benigni come maliziosi per simulare l'ambiguità. Come check per parole chiave rivelatrici, hanno costruito un classificatore basato su regole da 88 termini considerati forti discriminatori.

Risultati del classificatore basato su regole

Il classificatore basato su regole ha intercettato circa il 10% degli intenti maliziosi nel dataset completo, anche se il 96% degli intenti che ha segnalato era effettivamente malizioso. Questo indica che, sebbene il metodo sia preciso quando rileva un attacco, la sua copertura è limitata.

Analisi delle sequenze di richieste

I ricercatori hanno ipotizzato che gli attaccanti potrebbero tradirsi nel modo in cui spaziano le loro richieste. Per testare questa ipotesi, hanno creato quattro versioni del dataset con intenti maliziosi che arrivano a ritmi diversi: a passo fisso, casuali, accelerando nel tempo o rallentando. I detector analizzano sequenze di richieste consecutive, fino a sei alla volta, segnalando quelle più probabili contenere intenti maliziosi per una revisione umana.

Prestazioni dei detector machine-learning

Il primo detector, addestrato su esempi etichettati come sicuri o maliziosi, ha intercettato tra il 75% e il 96% delle sequenze contenenti richieste maliziose, a seconda del pattern di attacco. Il secondo detector, che studia solo l'attività normale e segnala le deviazioni, ha avuto prestazioni superiori in tre dei quattro pattern, anche se ha avuto difficoltà con l'attacco a passo fisso, mancando circa un terzo di quelle sequenze.

Confronto con detector precedenti

Entrambi i detector hanno superato le prestazioni di un detector precedente che giudicava una richiesta alla volta, che ha segnalato tra il 50% e il 60% dei casi maliziosi tra i quattro pattern. Questo suggerisce che l'analisi delle sequenze di richieste offre un vantaggio significativo nella rilevazione degli attacchi di intent injection.

Implicazioni per la cyber insurance e la breach remediation

La scoperta di queste vulnerabilità nelle reti 6G native AI sottolinea l'importanza di una robusta assicurazione cyber e di un efficace incident response. Le aziende che adottano queste tecnologie devono considerare le potenziali conseguenze finanziarie e operative di tali attacchi e implementare misure adeguate per mitigare i rischi.

Prossimi passi nella ricerca

Il team di ricerca prevede di aggiungere configurazioni di policy JSON più variegate che riflettano meglio le implementazioni reali di IBN. Inoltre, intendono utilizzare metodi di explainable-AI per rendere più facili da interpretare le decisioni di rilevamento. Questi sviluppi potrebbero migliorare significativamente l'efficacia dei detector contro gli attacchi di intent injection.

Impatto sulla compliance NIS2 e DORA

Le vulnerabilità identificate nelle reti 6G native AI potrebbero avere implicazioni significative per la compliance NIS2 e per la resilienza operativa digitale richiesta dal regolamento DORA. Le organizzazioni devono essere consapevoli di queste minacce emergenti e adattare le loro strategie di sicurezza per soddisfare i requisiti normativi.

Considerazioni per la gestione del rischio

La scoperta di queste vulnerabilità sottolinea la necessità di un approccio proattivo alla gestione del rischio nelle reti 6G. Le organizzazioni dovrebbero considerare l'implementazione di un SOC as a Service o di un servizio MDR per monitorare e rispondere a queste minacce emergenti. Inoltre, dovrebbero valutare l'impatto di queste vulnerabilità sui premi delle loro cyber insurance premium.

Sfide per la sicurezza delle reti future

Mentre le reti 6G native AI offrono numerosi vantaggi in termini di efficienza e flessibilità, presentano anche nuove sfide per la sicurezza. Gli attacchi di intent injection rappresentano una minaccia significativa che deve essere affrontata con soluzioni innovative e approcci proattivi. Le organizzazioni devono rimanere vigili e adattare le loro strategie di sicurezza per proteggere le loro reti contro queste minacce emergenti.