Come può l’intelligenza artificiale sventare gli attacchi di disturbo nella rete elettrica?

Le linee elettriche non servono solo a far funzionare le lampadine: grazie alla Power‑Line Communication (PLC) trasmettono dati usando i cavi già presenti. È un trucco economico, ma le reti PLC sono poco sorvegliate, quindi un malintenzionato può lanciare un segnale di disturbo, o "jamming", per bloccare le comunicazioni. In un nuovo studio, ricercatori hanno creato un sistema basato sull’intelligenza artificiale capace di individuare questi attacchi prima che rovinino la connessione. Il metodo prevede due scenari. Nel primo, il ricevitore conosce già l’effetto del jammer: un classificatore a Convolutional Neural Network (CNN) è stato addestrato su segnali sia disturbati che puliti e riconosce il jamming con più del 99% di precisione, anche a 68 metri di distanza. Nel secondo scenario, il ricevitore non ha informazioni preliminari: qui entra in gioco un auto‑encoder, un modello di apprendimento non supervisionato che impara a ricostruire solo i segnali normali. Qualsiasi deviazione dalla ricostruzione indica un’anomalia, cioè un possibile jammer. Il punto forte è che il sistema si allena esclusivamente sui dati di traffico regolare della rete, senza bisogno di simulare attacchi. Così, le utility possono monitorare le proprie linee in tempo reale, individuare rapidamente la fonte del disturbo e intervenire prima che la rete subisca danni. Un esempio di tecnologia che trasforma una vulnerabilità in un’opportunità di sicurezza.

Le reti PLC operano su canali caratterizzati da rumore impulsivo, attenuazione frequenziale e riflessioni dovute a carichi non lineari. Il jamming può assumere forme diverse: segnali a banda larga che sommergono l’intero spettro, o interferenze a banda stretta mirate a frequenze di pilotaggio. Per addestrare il CNN, i ricercatori hanno raccolto un dataset di 10.000 segmenti di segnale, ciascuno campionato a 1 MS/s, etichettati come "jammed" o "clean". La rete utilizza tre blocchi convoluzionali (kernel 3×3, stride 1) seguiti da max‑pooling e due layer fully‑connected, con ReLU e dropout al 30% per evitare overfitting. L’auto‑encoder, invece, è costituito da un encoder a tre livelli che comprime il segnale in uno spazio latente di 64 dimensioni, e un decoder speculare che ricostruisce l’input. La soglia di anomalia è definita sulla base della distribuzione della perdita di ricostruzione su dati di training, impostata al 95° percentile. I risultati mostrano una curva ROC con AUC = 0.998 per il CNN e 0.985 per l’auto‑encoder, confermando la capacità di rilevare jammer anche a distanza di 68 m, dove il rapporto segnale‑rumore scende sotto –12 dB. Inoltre, il modello richiede solo 5 min di addestramento su una GPU consumer, rendendolo praticabile per le utility. L’approccio è scalabile: aggiungendo nuovi segmenti di traffico normale, il sistema si adatta a variazioni di carico e a nuove topologie di rete, mantenendo alta la precisione senza dover raccogliere dati di attacco specifici.