Deep Learning nel Paradigma SDN: Anomaly Detection in Sistemi Industriali

L'automazione dei processi industriali ha reso i Sistemi di Controllo Industriale (ICS) fondamentali nelle infrastrutture critiche moderne. La loro complessità crescente li espone a rischi di guasti e anomalie difficili da rilevare tempestivamente, rischiando di compromettere produttività e sicurezza. In questo contesto, l'integrazione di modelli di deep learning per la rilevazione di anomalie con dispositivi di rete programmabili rappresenta una soluzione promettente, capace di mantenere l'analisi e l'elaborazione interna alla rete e ridurre la latenza sfruttando l'in-network computing. Con l'obiettivo di esplorare le capacità degli switch programmabili P4 e valutare la fattibilità di implementare un modello di apprendimento automatico direttamente sul data plane, è stato sviluppato un modello LSTM autoencoder per la rilevazione delle anomalie nel dataset Tennessee Eastman Process. I risultati mostrano che una rete neurale binaria (BNN) può essere computata da un unico switch P4, ma con significativo peggioramento delle prestazioni di rete. L'implementazione di un modello LSTM, invece, si è dimostrata più problematica a causa delle stringenti limitazioni hardware degli switch, non adatti all'elaborazione di una rete così complessa. Lo studio propone una base sperimentale per sviluppi futuri volti a ottimizzare l'esecuzione di modelli neurali nei dispositivi di rete, al fine di realizzare sistemi industriali sicuri e adeguatamente monitorati.