Studio del Catastrophic Forgetting in sistemi di Intrusion Detection basati su Continual Learning

L’incessante evoluzione delle minacce cibernetiche e la mole crescente di traffico dati rendono ormai obsoleti gli Intrusion Detection System (IDS) basati su modelli statici. Questi sistemi, richiedendo frequenti e onerosi riaddestramenti offline, non riescono a garantire una protezione tempestiva e continua. Il Continual Learning risponde a questa esigenza critica, permettendo ai modelli di aggiornarsi in modo incrementale e senza interrompere l’operatività del servizio. Tuttavia, l’adozione di questo paradigma introduce la sfida del Catastrophic Forgetting, un fenomeno che causa il progressivo degrado delle prestazioni sulle minacce già note man mano che il sistema apprende nuovi pattern d’attacco. Il presente lavoro analizza diverse strategie per mitigare questa problematica, focalizzandosi sulla gestione dei dati, mediante l’uso di buffer di memoria e tecniche di normalizzazione, e sulla configurazione dei flussi di input. L’obiettivo è definire un equilibrio ottimale tra la capacità di rilevare nuove minacce e la conservazione della memoria storica.