Reti generative avversarie e difesa cibernetica avanzata: le Generative Adversarial Networks (GAN)

Lo scenario della cybersecurity mondiale contemporanea è caratterizzato da un aumento esponenziale degli attacchi informatici, portati avanti da attori malevoli di diversa natura, cybercriminali, hacktivisti e operatori statuali, che integrano sempre più strumenti e soluzioni di intelligenza artificiale per incrementare volumi, velocità ed efficacia delle operazioni offensive.

Secondo il rapporto ENISA Threat Landscape 2025, ransomware, attacchi alla supply chain e campagne di phishing avanzato rappresentano le principali minacce per organizzazioni pubbliche e private europee, con un incremento significativo degli attacchi automatizzati e dell’utilizzo di AI nei processi offensivi. Parallelamente, il report IBM Cost of a Data Breach Report 2025 evidenzia come il costo medio globale di una violazione dati continui ad essere elevato, avendo raggiunto i 4,4 milioni di dollari per incidente.

L’intelligenza artificiale sta inoltre contribuendo ad abbassare drasticamente le barriere tecniche per gli attaccanti: oggi è possibile automatizzare campagne di phishing estremamente realistiche, generare codice malevolo adattivo, creare deepfake vocali credibili e analizzare enormi volumi di dati compromessi in tempi ridottissimi.

Secondo il rapporto 2026 di Europol “IOCTA – Internet Organised Crime Threat Assessment”, l’AI, la crittografia end-to-end, i proxy e le infrastrutture anonimizzate stanno espandendo in modo significativo la capacità operativa delle reti criminali, rendendo gli attacchi più scalabili, automatizzati e difficili da attribuire. Europol evidenzia altresì come il cybercrime stia assumendo caratteristiche sempre più “industriali”, grazie alla disponibilità di modelli crime-as-a-service, piattaforme automatizzate e strumenti AI utilizzati per phishing avanzato, ransomware, frodi online e campagne di social engineering.

L’intelligenza artificiale sta dunque abbassando drasticamente le barriere tecniche per gli attaccanti: attualmente è possibile generare campagne phishing realistiche in più lingue, creare deepfake vocali credibili, automatizzare malware adattivi e analizzare enormi quantità di dati compromessi in pochi secondi. Europol sottolinea che la combinazione tra AI generativa e infrastrutture criminali distribuite sta aumentando velocità, volume e precisione degli attacchi, ampliando anche il numero di soggetti in grado di condurre operazioni offensive sofisticate.

A questo scenario si aggiunge un rischio emergente particolarmente critico: gli “AI supply chain attack” ossia attacchi cibernetici alla catena di fornitura.

GAN (Generative Adversarial Networks)

Al giorno d’oggi, sempre più aziende utilizzano piattaforme AI, sistemi Machine Learning Operations (MLOps) e strumenti cloud che gestiscono enormi quantità di dati sensibili, token API, chiavi di accesso e workflow aziendali.

La compromissione di uno di questi provider può consentire a un attaccante di ottenere accesso indiretto ai sistemi e alle credenziali delle organizzazioni clienti. Un caso emblematico emerso nel 2026 è quello della startup Braintrust, specializzata nella valutazione di modelli AI, che ha confermato una violazione dei propri ambienti cloud chiedendo ai clienti la rotazione immediata di tutte le chiavi e credenziali sensibili gestite dalla piattaforma.

Questo tipo di minaccia rappresenta un’evoluzione dei tradizionali supply chain attack: i moderni sistemi AI non gestiscono soltanto software, ma anche dataset, prompt, modelli linguistici, credenziali e accessi privilegiati, diventando veri nodi centrali dell’infrastruttura digitale contemporanea. Secondo il report 2025 di Gartner, oltre l’80% delle imprese utilizzerà applicazioni di AI generativa entro il 2026, spesso senza adeguati controlli di sicurezza e governance. In questo contesto, la compromissione di un singolo attore della catena tecnologica può propagarsi rapidamente lungo ecosistemi interconnessi, amplificando in modo significativo l’impatto operativo, economico e reputazionale degli incidenti cyber.

La moderna difesa cibernetica richiede un utilizzo altrettanto profondo e pervasivo dell’Intelligenza Artificiale e, in particolare, della cosiddetta IA Generativa. Non adottare questa linea comporta inevitabilmente un incremento significativo del rischio cyber, sia a livello del singolo operatore sia a livello sistemico di interi Paesi. Soprattutto in uno scenario in cui le minacce diventano sempre più automatizzate, adattive e difficili da distinguere dal traffico legittimo.

Tra le principali soluzioni applicabili al contesto in questione, rientrano le GAN (Generative Adversarial Networks), ovvero Reti Generative Avversarie. Introdotte nel 2014 dal ricercatore Ian Goodfellow insieme al suo gruppo di lavoro, esse rappresentano una delle innovazioni più significative nel campo.

Il principio alla base delle GAN è tanto elegante quanto potente: due reti neurali artificiali vengono addestrate simultaneamente in una sorta di “competizione”. La prima, detta Generatore, crea nuovi contenuti sintetici — immagini, testi, audio o dati — mentre la seconda, il Discriminatore, valuta se tali contenuti siano autentici o artificiali. Attraverso questo processo iterativo, il sistema migliora progressivamente la qualità dei dati generati, arrivando in molti casi a produrre risultati difficilmente distinguibili da quelli reali.

L’obiettivo del sistema è quello di innescare una competizione continua tra i due modelli. Il Generatore migliora progressivamente la propria capacità di imitazione, mentre il Discriminatore affina le proprie tecniche di rilevamento. Questo ciclo virtuoso porta, nel tempo, a un livello di sofisticazione tale per cui i dati generati diventano estremamente difficili da distinguere da quelli reali. Traslando questo principio in ambito difensivo, il risultato è duplice: da un lato si ottengono strumenti avanzati per simulare attacchi sempre più realistici, utili per il training dei sistemi di sicurezza; dall’altro si rafforzano i meccanismi di detection, capaci di riconoscere anche le minacce più evolute e “camuffate”.

In altre parole, attraverso questa competizione continua, entrambi i modelli migliorano simultaneamente fino a raggiungere un equilibrio in cui il Generatore produce output quasi indistinguibili dal vero e il Discriminatore diventa sempre più efficace nell’identificazione di comportamenti malevoli, anomalie e pattern di attacco emergenti. Il tutto avviene in tempi estremamente rapidi rispetto ai tradizionali approcci di analisi e risposta, rendendo le GAN particolarmente adatte a contesti ad alta dinamicità come la cybersecurity moderna.

A livello applicativo, le GAN trovano impiego in numerosi ambiti oltre alla sicurezza informatica: dalla medicina, dove supportano la generazione di immagini diagnostiche sintetiche per l’addestramento dei modelli, all’energia, dove aiutano nella previsione dei consumi, fino al credito e alla finanza, all’agricoltura, alla logistica e trasporti, e alle telecomunicazioni. In ciascuno di questi settori, la capacità di generare dati realistici e di individuare anomalie rappresenta un vantaggio competitivo significativo.

In questa sede, tuttavia, l’interesse è focalizzato in particolare sulla cybersecurity e sul settore TELCO, dove l’elevata complessità delle infrastrutture, la quantità massiva di dati in transito e la continua evoluzione delle minacce rendono l’adozione di sistemi basati su GAN non solo utile, ma progressivamente indispensabile per garantire resilienza, continuità operativa e capacità predittiva nella difesa delle reti.

In tale campo le GAN possono essere particolarmente preziose in diversi ambiti, vediamoli nel dettaglio.

Data Augmentation per Identificazione e Difesa da Minacce ‘Rare’

Le Aziende di Telecomunicazioni che offrono soluzioni di protezione cibernetica operano su infrastrutture che generano volumi straordinari di dati: miliardi di log giornalieri provenienti da router, firewall, sistemi di autenticazione, traffico voce/dati e apparati IoT. La stragrande maggioranza di questi log è etichettabile come traffico legittimo o come traffico malevolo riconducibile ad attacchi “noti” (DDoS classici, port scanning, brute force), per i quali esistono firme di rilevamento consolidate nei sistemi IDS/IPS tradizionali.

Il problema critico emerge con le minacce zero-day: attacchi che sfruttano vulnerabilità ancora sconosciute o tecniche di evasione talmente sofisticate da non avere precedenti nei dataset di addestramento. I modelli di machine learning supervisionato, per loro natura, non possono rilevare ciò per cui non sono stati addestrati. Il risultato è un class imbalance problem estremo: migliaia di esempi di attacchi comuni, pochissimi (o zero) esempi di attacchi rari o inediti.

Le GAN affrontano questo problema: il generatore impara la distribuzione statistica degli attacchi rari disponibili e produce migliaia di varianti sintetiche plausibili, mentre il discriminatore le valida garantendone il realismo. Il processo consente di popolare artificialmente le classi sottorappresentate nel dataset di training, rendendo i sistemi IDS/IPS capaci di riconoscere pattern di attacco prima ancora che questi si manifestino in produzione. Architetture specifiche come CTGAN e CGAN (Conditional GAN) permettono inoltre di generare traffico sintetico condizionato a specifiche categorie di minaccia, aumentando la granularità dell’addestramento. Studi recenti mostrano miglioramenti significativi nei tassi di rilevamento (F1-score) su dataset sbilanciati proprio grazie a questa tecnica.

Protezione contro Attacchi Avversariali

Gli attacchi avversariali rappresentano una delle frontiere più insidiose nella sicurezza basata sull’intelligenza artificiale. Il principio di fondo è semplice ma devastante: i modelli di ML che alimentano firewall, antivirus e sistemi di anomaly detection possono essere ingannati attraverso perturbazioni minime e calcolate degli input, impercettibili all’occhio umano ma sufficienti a far classificare un payload malevolo come benigno. Nel contesto di riferimento, questo si traduce in malware che modifica autonomamente il proprio bytecode o il proprio pattern di traffico per eludere i classificatori neurali, oppure in tecniche di adversarial traffic crafting che alterano i flow NetFlow/IPFIX per sembrare traffico HTTPS legittimo.

Le GAN intervengono qui con un approccio “fight fire with fire”: il Generatore viene addestrato a produrre esempi avversariali sempre più sofisticati, simulando il comportamento di un attaccante evoluto che conosce l’architettura del sistema difensivo (scenario white-box) o ne inferisce i confini per tentativi (scenario black-box). Il Discriminatore, che in questo contesto coincide con il sistema di difesa, viene continuamente aggiornato per resistere a questi attacchi simulati, in un processo di co-evoluzione che rende il modello difensivo robusto anche contro minacce non ancora osservate.

Questo approccio è formalizzato nel concetto stesso di Adversarial Training e viene applicato in ambito network security per rafforzare sistemi di WAF (Web Application Firewall) e Next-Generation IDS. Framework come CleverHans (GitHub) e IBM Adversarial Robustness Toolbox (ART) forniscono librerie open-source per implementare e testare questi meccanismi. L’obiettivo finale è costruire un perimetro adattivo: non una difesa statica basata su firme, ma un sistema che migliora dinamicamente la propria resilienza a ogni ciclo di simulazione avversariale.

Generazione di Dati Sintetici e Privacy

Le aziende del settore delle telecomunicazioni sono custodi di alcune delle tipologie di dati più sensibili esistenti: CDR (Call Detail Records), dati di geolocalizzazione in tempo reale, traffico applicativo, abitudini di consumo, identità dei dispositivi (IMEI, IMSI), e molto altro. Questi dati hanno un valore scientifico e commerciale enorme, per ricerca accademica, sviluppo di algoritmi di rete, collaborazioni con vendor tecnologici, audit regolatori, ma la loro condivisione è rigidamente vincolata dal GDPR, dal Codice delle Comunicazioni Elettroniche e dalle linee guida del Garante per la Protezione dei Dati Personali. L’anonimizzazione tradizionale (pseudonimizzazione, k-anonymity, data masking) si è rivelata spesso insufficiente: tecniche di re-identificazione permettono di risalire all’individuo anche da dataset apparentemente anonimi, soprattutto incrociando più sorgenti.

Le GAN, e in particolare varianti come CTGAN e TabDDPM, offrono una soluzione strutturalmente diversa: invece di mascherare i dati reali, generano un dataset completamente sintetico che riproduce fedelmente le distribuzioni statistiche, le correlazioni multivariata e i pattern comportamentali del dataset originale, senza contenere alcun record reale. Il dataset sintetico non ha soggetti fisici: non è tecnicamente “dato personale” ai sensi del GDPR, aprendo la strada possibilità di utilizzo a fini scientifici in osservanza dei vincoli di compliance e tutela della riservatezza. La qualità del dato sintetico viene misurata tramite metriche come fidelity (quanto il sintetico somiglia al reale), utility (quanto un modello addestrato sul sintetico performa sul reale) e privacy (resistenza ad attacchi di membership inference). Organizzazioni come NIST hanno già pubblicato linee guida sull’uso di dati sintetici per la ricerca, e player come Gretel.ai (gretel.ai) e Mostly AI (mostly.ai) offrono piattaforme enterprise specificamente progettate per questo caso d’uso nel settore delle telecomunicazioni e dei servizi finanziari.

Evoluzione e frontiera della ricerca – Quantum GAN e Simulazione di Minacce nell’Era Post-Quantistica

L’avvento dei computer quantistici rappresenta una discontinuità radicale nel panorama della cybersecurity per le Telco. Gli algoritmi crittografici asimmetrici oggi dominanti, RSA, ECC, Diffie-Hellman, si basano sulla difficoltà computazionale classica di fattorizzare numeri grandi o risolvere logaritmi discreti. Un computer quantistico sufficientemente potente potrebbe rendere questi sistemi obsoleti in tempi drasticamente ridotti rispetto a qualsiasi macchina classica: è il cosiddetto scenario “Q-Day” (NIST Post-Quantum Cryptography).

In questo contesto emergono le Quantum GAN (QGAN), architetture ibride in cui Generatore e/o Discriminatore sono implementati come circuiti quantistici parametrizzati (PQC). Rispetto alle GAN classiche, le QGAN sfruttano sovrapposizione e entanglement per esplorare spazi di distribuzione esponenzialmente più ampi con risorse computazionali ridotte, rendendo possibile simulare pattern di traffico e vettori d’attacco di complessità inaccessibile al calcolo classico.

Sul versante dei test, le GAN, classiche e quantistiche. vengono impiegate per condurre sessioni di red teaming automatizzato, generando scenari d’attacco sintetici da sottoporre ai sistemi difensivi delle Telco in ambienti sandbox. Framework come Qiskit (qiskit.org) abilitano già oggi la prototipazione di QGAN su hardware reale, consentendo alle Telco di anticipare minacce quantistiche prima che l’infrastruttura avversariale raggiunga maturità operativa.

Per comprendere a fondo, applicare in ambito difensivo e valorizzare le potenzialità offerte da queste tecnologie emergenti, Telsy, insieme a CYBHORUS — realtà specializzata in cybersecurity e nello sviluppo di soluzioni basate su GAN — ha avviato un programma di ricerca e sviluppo applicativo finalizzato all’integrazione di tali tecnologie all’interno di sistemi avanzati di protezione cyber.

Conclusioni

L’iniziativa nasce con un duplice obiettivo strategico: da un lato rafforzare un ecosistema nazionale di competenze, ricerca e capacità operative nel settore della sicurezza digitale; dall’altro ridurre il rischio di dipendenza esclusiva da tecnologie e know-how esteri in un ambito sempre più centrale per la resilienza del Paese. Il progetto guarda inoltre a possibili evoluzioni future, ampliando progressivamente gli spazi di ricerca e gli scenari applicativi collegati all’intelligenza artificiale per la cybersecurity.

In questo contesto, la missione di Telsy è quella di consolidarsi come polo nazionale di competenza ed eccellenza nel settore cyber, sia attraverso iniziative autonome sia tramite collaborazioni strategiche costruite ad hoc con università, centri di ricerca e operatori industriali italiani. L’obiettivo è sviluppare la capacità di progettare, implementare e governare soluzioni di intelligenza artificiale in grado di garantire sicurezza e continuità operativa ai servizi critici — dalla sanità all’energia, fino alla finanza — estendendo tali capacità all’intero sistema produttivo nazionale.