IDS basati su Machine Learning nel contesto OT per la riduzione dei tempi di rilevamento delle minacce

Gli Intrusion Detection System (IDS) rivestono un ruolo cruciale nei contesti industriali, dove è fondamentale proteggere i processi critici da attacchi informatici. Negli ultimi anni si è diffuso l'uso di tecniche di Machine Learning (ML). Tuttavia, gli attuali IDS presentano diverse sfide tra cui la necessità di riuscire a rilevare delle minacce tempestivamente senza compromettere le performance. In letteratura, spesso ci si concentra solo su uno di questi aspetti, trascurando l'importanza di un approccio che sia in grado di ottenere un trade-off tra la capacità e velocità di rilevamento, e i tempi di training. L'obiettivo di questa tesi è sviluppare un IDS per contesti Operational Technology (OT) utilizzando tecniche di ML, per rilevare rapidamente gli attacchi riducendo i falsi negativi. A tal fine, è stata impiegata una combinazione di NeuroFS per la selezione delle feature e Perpetual per il rilevamento delle intrusioni, modificandoli per adattarli al problema. L'approccio proposto è stato testato sul dataset CICModbusDataset2023 a cui sono state applicate le trasformazioni necessarie, e confrontato con altri modelli di Machine Learning comunemente utilizzati in letteratura. I risultati indicano che Perpetual ottiene il miglior trade-off tra il tasso di falsi negativi, il tempo di rilevamento e il tempo di training.