Difesa dagli attacchi avanzati, offuscati e evasivi

Approcci basati su firme:

• Definizione di firme (signature-based detection)
• Esempi pratici: antivirus e intrusion detection systems (IDS)

Approcci basati su analisi statistica:

• Rilevazione di anomalie attraverso analisi statistica dei dati
• Limiti e vulnerabilità di questo approccio

Analisi delle debolezze dei sistemi di difesa:

• Attacchi noti che sfruttano limiti di modelli signature-based e anomaly-based

Offuscamento del codice:

• Tecniche statiche: trasformazioni del codice per renderlo meno comprensibile (e.g., r enaming, control flow obfuscation)
• Tecniche dinamiche: codice auto-modificante, packed executables

Offuscamento del traffico di rete:

• Crittografia e tunnel crittografici (VPN, SSH, HTTPS)
• Tecniche di payload obfuscation e pattern evasion

Effetti dell’offuscamento sulla rilevazione di attacchi:

• Impatti sull’analisi statica e dinamica
• Rischi per i sistemi di rilevazione tradizional

Attacchi per eluderesistemi di analisi dinamica:

• Tecniche anti-debugging e anti-virtualizzazione
• Malware polimorfico e metamorfico

Attacchi sul traffico di rete:

• Esempi di attacchi avanzati come il masquerading
• Tecniche per eludere IDS basati su traffico (e.g., fragmented packets, timing attacks)

Social Engineering:

• Principi psicologici alla base degli attacchi di social engineering
• Tecniche comuni: phishing, spear-phishing, baiting, pretextin

Approcci per contrastare attacchi offuscati:

• Utilizzo di tecniche di de-offuscamento per analisi statica e dinamica
• Sistemi di rilevazione basati su behavior profiling

Approcci per attacchi sofisticati:

• Sistemi di rilevazione adattivi: aggiornamento dinamico delle regole
• Analisi del contesto per mitigare attacchi evasivi

 Machine e Deep Learning per la Cybersecurity:

• Modelli per la rilevazione di anomalie nel traffico  di rete (e.g., autoencoder, RNN)
• Applicazioni di classificatori supervisionati e non supervisionati
• Tecniche di addestramento e prevenzione di bias nei modelli AI per la sicurezza

Esempi di offuscamento del traffico di rete e di applicazioni software.

Attacchi di social engeneering

Esempi di approcci basati sul machine learning per la rilevazione di attacchi informatici

Approcci per attacchi sofisticati:

• Sistemi di rilevazione adattivi: aggiornamento dinamico delle regole
• Analisi del contesto per mitigare attacchi evasivi
  

Machine e Deep Learning per la Cybersecurity:

• Modelli per la rilevazione di anomalie nel traffico di rete (ades., autoencoder, RNN)
• Applicazioni di classificatori supervisionati e non supervisionati
• Tecniche di addestramento e prevenzione  di bias nei modelli AI per la sicurezza
• Applicazione della teoria su casi studio