Come proteggere gli sciami IoT da firmware pericolosi?

Gli sciami IoT, ovvero gruppi di migliaia di piccoli dispositivi connessi, stanno rivoluzionando case intelligenti, fattorie e fabbriche. Ma questa rete di gadget è vulnerabile: un firmware difettoso può diffondersi da un nodo all'altro, creando problemi di sicurezza. Per fermare questa catena, gli scienziati hanno ideato un nuovo sistema di Remote Attestation, cioè una verifica a distanza del firmware in tempo reale. Il segreto? Usare le Relational Graph Neural Networks (RGNN), una variante delle reti neurali a grafo che distingue anche i tipi di collegamento tra i dispositivi (come “Prompt”, “Dati Sensore” o “Segnale Elaborato”). Così il modello capisce meglio come le informazioni viaggiano nello sciame. Inoltre, il metodo analizza i dati della SRAM – la memoria temporanea dei chip – senza bisogno di accedere al codice firmware vero e proprio. I test su due sciami (uno da 4 nodi, l’altro da 6) hanno mostrato un’accuratezza quasi perfetta (99,94‑100%) e una capacità di rilevare tutte le anomalie, anche in presenza di rumore o attacchi di replay. In pratica, questa tecnologia promette di rendere gli sciami IoT più sicuri e scalabili, senza rallentare le loro funzioni.

Le Relational Graph Neural Networks (RGNN) estendono le tradizionali GNN introducendo un set di relazioni etichettate per ogni arco del grafo. In un contesto IoT, questi archi rappresentano canali di comunicazione con semantica diversa: ad esempio, un messaggio di "Prompt" indica una richiesta di azione, mentre "Sensor Data" trasporta misurazioni ambientali. Tale differenziazione permette al modello di apprendere funzioni di aggregazione specifiche per tipo di relazione, migliorando la capacità di distinguere pattern normali da anomalie. La fase di attuazione sfrutta la SRAM runtime, che conserva lo stato dei registri e delle variabili temporanee durante l'esecuzione del firmware. Poiché la SRAM è volatile, le sue letture forniscono un'impronta dinamica del comportamento del codice, difficile da falsificare senza accesso fisico al chip. L'addestramento delle RGNN avviene su dataset simulati di firmware benigni e malevoli, includendo varianti di attacchi come code injection, buffer overflow e replay di tracce. La robustezza contro rumore e pacchetti persi è ottenuta mediante tecniche di dropout e data augmentation, che forzano la rete a generalizzare. Inoltre, il framework implementa un meccanismo di verifica a più livelli: una prima soglia di confidenza attiva un'analisi più approfondita, riducendo il carico computazionale sui nodi a bassa potenza. I risultati sperimentali mostrano che, anche con un aumento del numero di nodi, la complessità computazionale cresce linearmente, garantendo scalabilità. Infine, l'approccio è compatibile con protocolli di comunicazione standard (MQTT, CoAP) e può essere integrato in architetture edge‑cloud, offrendo una difesa proattiva per ecosistemi IoT sempre più interconnessi.