Intrusion Detection Systems adattivi con Data Compensation per il rilevamento di attacchi cyber

Nell'ambito della cybersecurity, gli Intrusion Detection Systems fondati su modelli di Machine Learning statici non riescono ad adattarsi alla continua evoluzione delle minacce cyber, rendendo necessari riaddestramenti periodici dall'elevato costo computazionale. Il Continual Learning si propone come soluzione efficace per superare tale limite, ma la sua adozione introduce due criticità significative, ovvero il Catastrophic Forgetting e il Concept Drift. In questa tesi viene proposto Dark Adaptive and Reactive Knowledge Experience Replay (DARKER), un framework di apprendimento incrementale innovativo che ottimizza la stabilità e la plasticità del modello. DARKER si basa su due componenti: un meccanismo adattivo che aggiorna dinamicamente il coefficiente di distillazione dei logits sulla base del forgetting osservato e una strategia di campionamento stratificato del buffer per tutelare la rappresentatività delle classi di attacco minoritarie. La metodologia è stata validata sperimentalmente sui due dataset ToN-IoT e CICIDS2017, confrontando le prestazioni di DARKER con le baseline DER e iCaRL. I risultati sperimentali evidenziano come DARKER registri un Forgetting inferiore rispetto agli approcci di confronto su entrambi i dataset e una maggiore robustezza contro i fallimenti sistemici di classificazione, preservando prestazioni superiori anche su Recall, Precision e F1-score per la quasi totalità della sequenza temporale.