RICERCA
Giugno 2025: agenti ingannati dallo schermo, navi attaccate, auto che rivelano i tragitti
RansomwareSicurezza OT e industriaCatena di fornitura
Giugno 2025 sposta l'attenzione sul mondo fisico. Gli ufficiali di bordo raccontano GPS falsificati e ransomware sulle navi, i dati del bus CAN ricostruiscono il percorso di un'auto senza GPS e un video della stampante 3D basta a rubarne il progetto. Gli agenti che usano il computer cedono a istruzioni nascoste nelle schermate e il fuzzing trova dieci CVE nei modem 5G.
Archivio: ricostruzione scritta a novembre 2026
1. VPI-Bench: Visual Prompt Injection Attacks for Computer-Use Agents
arXiv · Tri Cao, Bennett Lim, Yue Liu, Yuan Sui et al. · Sicurezza di AI e LLM
In breve: Istruzioni malevole inserite nelle schermate ingannano gli agenti che usano browser e computer fino al 100% dei casi.
Gli agenti che usano il computer hanno pieno accesso a file, dati e comandi. VPI-Bench misura la loro resistenza alla visual prompt injection, cioè istruzioni malevole inserite visivamente nell'interfaccia, con 306 casi su cinque piattaforme diffuse. Gli agenti per computer cadono fino al 51% delle volte e quelli per browser fino al 100%; le difese nel prompt di sistema aiutano poco.
Perché conta. Un agente con accesso completo al computer può essere dirottato da una pagina web qualsiasi: il suo perimetro di permessi va deciso come quello di un dipendente nuovo.
Leggi il paper · PDF · Codice
2. Differentiation-Based Extraction of Proprietary Data from Fine-Tuned LLMs
ACM Conference on Computer and Communications Security · Zongjie Li, Daoyuan Wu, Shuai Wang, Zhendong Su
In breve: I dati di addestramento di un LLM specializzato si estraggono sfruttando le differenze rispetto al modello di base.
I dataset di fine-tuning contengono coppie domanda-risposta di valore e sono un bersaglio. Il primo studio sul tema propone Differentiated Data Extraction, che sfrutta la sicurezza delle risposte del modello specializzato e le sue differenze dal modello di base. Supera i metodi esistenti in tutti gli scenari; gli autori propongono una difesa con impatto minimo sulle prestazioni.
Perché conta. Chi espone un modello addestrato su dati propri può perdere proprio quei dati: è un rischio di proprietà intellettuale e di riservatezza da considerare prima del rilascio.
3. A Sea of Cyber Threats: Maritime Cybersecurity from the Perspective of Mariners
ACM Conference on Computer and Communications Security · Anna Raymaker, Akshaya Kumar, Miuyin Yong Wong, Ryan Pickren et al. · Malware e minacce
In breve: 21 ufficiali di bordo raccontano GPS falsificati e ransomware sulle navi, con formazione e regole inadeguate.
Navi e porti trasportano oltre l'80% delle merci mondiali, e attacchi come quello a Maersk hanno avuto effetti sul commercio internazionale. Con sondaggi e interviste a 21 ufficiali, lo studio raccoglie esperienze dirette di GPS falsificati in mare aperto e di ransomware che ha bloccato la logistica. Emergono problemi sistemici: formazione poco adatta al contesto marittimo e regole frammentate.
Perché conta. Il rischio cyber marittimo unisce danni al carico, interruzione d'esercizio e responsabilità: le coperture di settore devono considerare anche il fattore umano a bordo.
4. Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data
IEEE European Symposium on Security and Privacy · Tommaso Bianchi, Alessandro Brighente, Mauro Conti, Andrea Valori · Sistemi cyber-fisici e IoT
In breve: Dai dati non cifrati del bus CAN si ricostruisce il percorso di un'auto con il 95,75% di accuratezza, senza GPS.
Il bus CAN delle auto scambia in chiaro dati fisici sul movimento del veicolo. OPD-II combina un modello fisico dell'auto e un algoritmo di map matching per ricostruire il percorso seguito, conoscendo solo posizione e direzione di partenza, senza dati di addestramento né accesso al telefono. Su quattro auto e 59 tragitti ricostruisce le coordinate con un'accuratezza media del 95,75%.
Perché conta. Un dongle OBD-II, come quelli usati per la telematica, può diventare un tracker: i dati di guida vanno trattati come dati di localizzazione personali.
5. One Video to Steal Them All: 3D-Printing IP Theft through Optical Side-Channels
ACM Conference on Computer and Communications Security · Twisha Chattopadhyay, Fabrício Ceschin, Marco E. Garza, Dymytriy Zyunkin et al.
In breve: Un video della stampa 3D basta a ricostruire le istruzioni G-code e rubare il progetto, con il 90,87% di accuratezza.
Le stampanti 3D usate in manifattura, sanità e difesa sono spesso sorvegliate a distanza con telecamere. Il modello degli autori segue i movimenti dell'ugello nel video e li traduce in istruzioni G-code, ricavando anche velocità ed estrusione. Un nuovo strumento di confronto verifica che l'oggetto ricostruito sia equivalente all'originale; l'accuratezza media è del 90,87%.
Perché conta. Le telecamere di monitoraggio diventano un canale di furto di proprietà intellettuale: va considerato da chi produce su commessa progetti riservati.
6. 5Ghoul: Unleashing Chaos on 5G Edge Devices via Stateful Multi-Layer Fuzzing
IEEE Transactions on Dependable and Secure Computing · Matheus E. Garbelini, Zewen Shang, Shijie Luo, Sudipta Chattopadhyay et al. · Sicurezza di sistemi e software
In breve: Il fuzzing via radio di modem e telefoni 5G trova 12 vulnerabilità sconosciute, con dieci CVE presso Qualcomm e MediaTek.
5Ghoul controlla e manipola in tempo reale ogni pacchetto fino al livello di collegamento dati, ricostruisce automaticamente le macchine a stati del protocollo e sfrutta le vulnerabilità via radio su dispositivi commerciali. Su sette telefoni e modem USB 5G e un framework open source trova 12 vulnerabilità sconosciute; dieci riguardano dispositivi di grandi fornitori come Qualcomm e MediaTek.
Perché conta. Gli stessi chip 5G sono in milioni di telefoni e router di marche diverse: una falla nel chip si traduce in un cumulo di esposizione oltre il singolo produttore.
7. Fingerprinting SDKs for Mobile Apps and Where to Find Them: Understanding the Market for Device Fingerprinting
ACM Conference on Computer and Communications Security · Michael A. Specter, Mihai Christodorescu, Abbie Farr, Bo Ma et al. · Web e mobile
In breve: Solo il 30,56% del fingerprinting nelle app Android viene da SDK pubblicitari; quasi un quarto da SDK di scopo ignoto.
La più ampia analisi del comportamento degli SDK finora copre oltre 228.000 SDK e 178.000 app Android e rileva l'invio di oltre 500 segnali diversi. Gli SDK pubblicitari, su cui si concentrano iniziative come App Tracking Transparency e Privacy Sandbox, spiegano solo il 30,56% dei comportamenti di fingerprinting; il 23,92% viene da SDK con scopo ignoto o poco chiaro.
Perché conta. Regolare solo la pubblicità lascia aperta gran parte del tracciamento: chi pubblica app resta esposto per librerie che non controlla.
8. LeapFrog: The Rowhammer Instruction Skip Attack
IEEE European Symposium on Security and Privacy · Andrew Adiletta, M. Caner Tol, Kemal Derya, Berk Sunar et al. · Hardware e canali laterali
In breve: Rowhammer altera l'indirizzo di ritorno sullo stack per saltare controlli di autenticazione o passaggi di cifratura.
LeapFrog è un nuovo tipo di gadget Rowhammer: quando il codice salva sullo stack l'indirizzo di ritorno, un errore indotto lo sposta oltre un blocco critico, come un controllo di autenticazione o i passaggi di cifratura. Gli autori trovano questi gadget in automatico, aggirano la cifratura in OpenSSL rivelando il testo in chiaro e analizzano la libreria Open Quantum Safe.
Perché conta. Un difetto della memoria può annullare un controllo di sicurezza scritto correttamente: per server condivisi è un rischio che il software da solo non elimina.
9. Identity Deepfake Threats to Biometric Authentication Systems: Public and Expert Perspectives
arXiv · Shijing He, Yaxiong Lei, Zihan Zhang, Yuzhou Sun et al. · Identità e autenticazione
In breve: 408 professionisti e 37 interviste: gli esperti temono i deepfake contro volto e voce, il pubblico si fida della biometria.
Lo studio unisce un sondaggio su 408 professionisti e 37 interviste. Emerge un paradosso: il pubblico usa sempre più la biometria per comodità, mentre gli esperti temono la falsificazione di volto e voce con l'AI generativa; il settore finanziario è il più scettico. Gli autori propongono una Deepfake Kill Chain e difese basate su segnali dinamici come i movimenti degli occhi.
Perché conta. L'autenticazione con volto e voce è usata da banche e assicurazioni per la clientela: il rischio di frode d'identità con deepfake va valutato nei processi.
10. MalGuard: Towards Real-Time, Accurate, and Actionable Detection of Malicious Packages in PyPI Ecosystem
USENIX Security Symposium · Gao, Xingan, Xiaobing Sun, Sicong Cao, Kaifeng Huang et al. · Supply chain del software
In breve: MalGuard rileva i pacchetti PyPI malevoli con modelli leggeri e spiega perché un pacchetto è sospetto.
Per i pacchetti malevoli su PyPI si usano modelli sempre più complessi e lenti, ma con caratteristiche abbastanza complete anche i modelli tradizionali funzionano molto bene. MalGuard individua in automatico le API sensibili con l'analisi di centralità dei grafi, le affina con un LLM e usa LIME per spiegare ogni rilevamento. Supera sei metodi di riferimento.
Perché conta. Un rilevamento rapido e spiegabile dei pacchetti malevoli è un controllo realistico per chi usa dipendenze open source in produzione.
Le tendenze del mese
Sistemi cyber-fisici e IoT
42 paper del mese su questo tema
Il mese guarda ai sistemi fisici da angoli insoliti. Gli ufficiali di bordo confermano che GPS falsificati e ransomware sulle navi sono già realtà, il bus CAN di un'auto rivela dove si è guidato e le telecamere che sorvegliano una stampante 3D bastano a copiarne il progetto. In tutti e tre i casi il dato sensibile esce da un componente pensato per altro.
Paper citati:
- A Sea of Cyber Threats: Maritime Cybersecurity from the Perspective of Mariners
- Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data
- One Video to Steal Them All: 3D-Printing IP Theft through Optical Side-Channels
Sicurezza di AI e LLM
292 paper del mese su questo tema
Con 292 paper su 1.447 la sicurezza dell'AI resta il primo tema. Gli agenti che controllano browser e computer si lasciano guidare da istruzioni scritte nell'interfaccia, e i modelli specializzati con dati propri lasciano estrarre quei dati confrontandoli con il modello di base. Più l'AI si avvicina a dati e permessi reali, più il rischio diventa operativo.
Paper citati:
- VPI-Bench: Visual Prompt Injection Attacks for Computer-Use Agents
- Differentiation-Based Extraction of Proprietary Data from Fine-Tuned LLMs
Privacy
74 paper del mese su questo tema
Il tracciamento non passa solo dalla pubblicità. Negli SDK Android il fingerprinting viene per lo più da librerie non pubblicitarie, spesso di scopo poco chiaro, e i dati di guida letti da un dongle OBD-II bastano a ricostruire i percorsi. Le regole pensate per un solo settore lasciano scoperta gran parte della raccolta.
Paper citati:
- Fingerprinting SDKs for Mobile Apps and Where to Find Them: Understanding the Market for Device Fingerprinting
- Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data
Come nasce questo digest
Questo numero fa parte dell'archivio del digest, ricostruito a posteriori. I paper del mese sono stati raccolti da arXiv, dall'archivio IACR ePrint e dalle principali conferenze e riviste di sicurezza; nella scelta contano anche le citazioni ricevute dopo l'uscita. Un modello di intelligenza artificiale ha valutato i candidati e scritto le sintesi, che si basano sugli abstract: per i dettagli fa fede il paper originale.
Paper del mese valutati: 1447.