Un nuovo approccio adattivo di apprendimento federato per la rilevazione di anomalie nei UAV preservando la privacy sotto distribuzioni non IID

Perché cieli più sicuri contano

I piccoli velivoli senza pilota stanno rapidamente diventando parte della vita quotidiana, dalla consegna di pacchi e il monitoraggio delle colture alla risposta ai disastri e alla sicurezza delle frontiere. Ma man mano che più droni prendono il volo, i loro collegamenti wireless diventano obiettivi allettanti per gli hacker. Un singolo drone compromesso potrebbe esporre flussi video sensibili, interrompere operazioni di emergenza o aiutare gli aggressori ad entrare in infrastrutture critiche. Questo studio esplora come individuare tali intrusioni digitali all’interno delle reti di droni mantenendo però privati i dati grezzi di volo.

Il problema di sorvegliare da un unico punto

Oggi la maggior parte dei sistemi che cercano comportamenti anomali o pericolosi nel traffico di rete opera in modo centralizzato: tutti i dati confluiscono in un unico server, che addestra un modello di machine learning per distinguere i modelli normali da quelli sospetti. Per i droni, questo approccio è poco adatto. Le loro rotte, missioni e condizioni wireless variano molto, così ogni drone genera schemi di dati unici. Accumulare tutte queste informazioni sensibili in un unico luogo aumenta i rischi per la privacy e può rendere il modello meno accurato, specialmente quando i dati di ciascun drone differiscono molto dagli altri. Il risultato può essere prestazioni instabili e troppi falsi allarmi o attacchi non rilevati.

Lasciare che i droni imparino insieme, ma in modo privato

Gli autori propongono BANCO-FL, un nuovo framework che permette a molti droni di apprendere un modello di sicurezza condiviso senza mai inviare i dati grezzi a un server centrale. Ogni drone, o una stazione a terra che agisce per suo conto, addestra localmente una piccola rete neurale leggera sui propri registri di traffico, che includono milioni di esempi sia di connessioni normali sia di attacchi come attacchi denial-of-service, tentativi di indovinare password, replay e messaggi di controllo falsi. Invece di condividere i pacchetti sottostanti, ogni partecipante invia solo i parametri del modello aggiornati a un server coordinatore. Il server combina questi aggiornamenti e restituisce un modello globale migliorato. Questo approccio, noto come apprendimento federato, è progettato per preservare la privacy e scalare a flotte di grandi dimensioni.

Bilanciare dati disomogenei tra molti velivoli

Una difficoltà chiave è che alcuni droni possono vedere per lo più traffico di routine mentre altri affrontano tipi particolari di attacchi, creando dati fortemente disomogenei tra i partecipanti. BANCO-FL affronta questo problema bilanciando con cura quanti esempi normali ciascun client riceve e simulando esplicitamente configurazioni difficili: una con tre client che vedono mix di attacchi molto diversi tra loro e un’altra con nove client in cui ciascuno si specializza in un singolo tipo di attacco. Il framework si affida inoltre a una semplice rete neurale a due strati che funziona bene con statistiche di rete tabulari ed è sufficientemente leggera da girare su dispositivi con risorse limitate al bordo della rete.

Modi più intelligenti per accordarsi su un modello globale

Non tutti i metodi di fusione dei modelli locali sono equivalenti. Lo studio confronta diverse strategie per combinare gli aggiornamenti dei client, inclusi la media standard, correzioni basate sulla prossimità, ottimizzazione adattiva (FedAdam), aggregazione basata sulla mediana e il raggruppamento di client simili (ClusterAvg). Sia negli scenari a tre che a nove client, i metodi adattivi e basati sul clustering raggiungono costantemente le migliori prestazioni più rapidamente e con comportamento più stabile tra i client. BANCO-FL raggiunge circa il 99,98% di accuratezza, precisione, richiamo e F1-score, e riduce le classificazioni errate di oltre un terzo rispetto a schemi centralizzati e federati precedenti. È importante che questi guadagni si mantengano anche quando i client osservano pattern di attacco molto diversi, dimostrando che il sistema resta equo e affidabile su tutta la flotta.

Cosa significa per la sicurezza quotidiana

In termini semplici, BANCO-FL dimostra che le flotte di droni possono imparare a riconoscere molto bene i cyberattacchi senza concentrare i loro log di comunicazione grezzi in un unico luogo. Usando un modello leggero, una condivisione dei dati accuratamente bilanciata e modi più intelligenti di combinare quanto ogni drone apprende, il framework offre una rilevazione quasi perfetta del traffico dannoso rispettando la privacy e riducendo l’overhead di rete. Con l’aumentare dell’uso civile e militare dei droni, approcci come BANCO-FL indicano un futuro in cui i cieli restano più sicuri grazie a molti dispositivi che imparano insieme in modo discreto, piuttosto che fare affidamento su una singola torre di controllo vulnerabile.

Citazione: Bithi, M., Masud, M.E. & Hossain, M.A. A new adaptive federated learning approach for privacy preserving UAV anomaly detection under non-IID distributions. Sci Rep 16, 8451 (2026). https://doi.org/10.1038/s41598-026-38732-z

Parole chiave: Sicurezza UAV, apprendimento federato, rilevazione anomalie, IA per la privacy, cybersicurezza