Articolo Pubblicazioni

Cybersecurity Risk Assessment

di · Pubblicato il

Abstract

L’articolo analizza il Cybersecurity Risk Assessment come base della gestione del rischio informatico in infrastrutture complesse. Descrive un processo strutturato che comprende mappatura e classificazione degli asset, threat intelligence, monitoraggio continuo, analisi predittiva, automazione e reportistica. Approfondisce i sistemi di scoring, le metriche di impatto e i KPI per misurare l’efficacia dei controlli, poi confronta NIST Cybersecurity Framework, ISO/IEC 27001 e CIS Controls. L’ultima parte esamina il contributo dell’intelligenza artificiale, dal machine learning supervisionato e non supervisionato alle difese contro l’adversarial machine learning.


Vincenzo Calabrò | Cybersecurity Risk Assessment
Il Cybersecurity Risk Assessment è la base su cui si costruisce la gestione del rischio informatico nelle infrastrutture digitali di una certa dimensione. Le minacce cambiano di continuo e si adattano alle difese, e per proteggere i dati e tenere in funzione i servizi serve un metodo che metta insieme tecnologia, processi e organizzazione.
Il monitoraggio in tempo reale e gli algoritmi predittivi basati sull’intelligenza artificiale aiutano a mappare l’infrastruttura, a trovare le vulnerabilità più gravi e a scegliere controlli mirati, coerenti con gli standard internazionali e con le buone pratiche del settore. Una valutazione ripetuta nel tempo mostra dove intervenire prima che un punto debole diventi un incidente e rende l’organizzazione più resiliente.

Il processo di Cybersecurity Risk Assessment

Il processo tiene insieme componenti tecniche, organizzative e procedurali e si ripete a ciclo continuo. Si comincia dall’infrastruttura esistente, e il primo documento da produrre è la mappa della rete, perché senza una visione precisa dell’ambiente ogni valutazione successiva poggia su ipotesi.
L’analisi dell’infrastruttura cerca i percorsi critici e i punti in cui la rete è più esposta. Gli strumenti di network discovery producono una rappresentazione dettagliata dell’architettura, con i collegamenti tra i segmenti e le zone di sicurezza già previste. In questa fase si esaminano anche i protocolli di routing e di switching, da cui dipende la capacità della rete di reggere a guasti e attacchi.
Segue la classificazione degli asset. Ogni risorsa riceve un livello di criticità che tiene conto della sensibilità dei dati trattati e del valore che ha per l’organizzazione, oltre che delle caratteristiche tecniche. Si ricostruiscono le dipendenze tra le applicazioni e i flussi di dati, con un’attenzione particolare ai sistemi legacy e alle tecnologie che hanno debolezze strutturali note.
La seconda base del processo è la conoscenza delle minacce. I feed OSINT e i rapporti delle organizzazioni di settore tengono aggiornato il quadro, e il threat modeling, condotto con la metodologia STRIDE e con il framework MITRE ATT&CK, traduce queste informazioni in scenari di attacco plausibili per quell’azienda. Così si conoscono le vulnerabilità tecniche e anche le tattiche, le tecniche e le procedure (TTP) dei gruppi che potrebbero colpirla.
Il monitoraggio continuo distingue una valutazione moderna da una fotografia scattata una volta l’anno. SIEM, soluzioni EDR/XDR e strumenti di network behavior analysis osservano l’ambiente senza interruzioni. Indicatori di rischio (Key Risk Indicator) definiti per ciascun dominio misurano lo stato della sicurezza, e i cruscotti lo rendono visibile in tempo reale.
L’analisi predittiva aggiunge la possibilità di anticipare. Modelli statistici e algoritmi di machine learning riconoscono i comportamenti anomali e segnalano i rischi prima che si concretizzino, soprattutto quando sono collegati a sistemi di early warning e a una correlazione accurata degli eventi di sicurezza.
Automazione e orchestrazione rendono il processo sostenibile. Connettori dedicati e procedure ETL raccolgono i dati, li normalizzano e ne controllano la qualità. Workflow automatizzati e playbook di risposta gestiscono le minacce individuate, e l’integrazione con le piattaforme di orchestrazione della sicurezza coordina la risposta agli incidenti.
Ogni fase prevede controlli di qualità. I dati raccolti vengono verificati per completezza e accuratezza, le fonti di intelligence vengono rivalutate periodicamente, le analisi passano per una revisione tra pari e l’efficacia delle misure proposte viene verificata con test specifici.
Anche i report hanno un peso strategico. Un formato standard rende i risultati coerenti e completi, e la generazione automatica dei report, collegata ai sistemi di ticketing e di incident management, avvia l’escalation quando un indicatore supera le soglie stabilite.
Organizzato in questo modo, il processo dà all’organizzazione una visione accurata del proprio profilo di rischio e la base per scegliere misure di mitigazione efficaci e proporzionate alle minacce. Poiché le minacce continuano a cambiare, anche la valutazione va rivista e adattata con la stessa frequenza.

Cybersecurity Risk Assessment: metriche e indicatori

Le metriche trasformano un’analisi qualitativa in una valutazione quantitativa su cui si possono prendere decisioni. Il punteggio di rischio combina più variabili, ciascuna con un peso che dipende dal contesto dell’organizzazione.
La formula di base è R = P x I, cioè la probabilità che un evento avverso si verifichi moltiplicata per il suo impatto. Molte organizzazioni la arricchiscono con fattori di contesto, per esempio la maturità dei controlli già attivi (Cm) e la velocità con cui la minaccia può propagarsi (Vt), e ottengono un indice composito come R = (P x I x Vt) / Cm.
L’impatto si misura su più dimensioni, con le perdite economiche dirette, il danno alla reputazione e le conseguenze sull’operatività. Gli analisti costruiscono matrici che collegano i tipi di incidente alle loro conseguenze e stimano le perdite possibili a partire dai dati storici e da modelli previsionali. Un’attenzione particolare va agli effetti a cascata, quando un singolo incidente si propaga nell’infrastruttura e provoca danni secondari anche gravi.
Per misurare l’efficacia dei controlli servono indicatori distinti per la prevenzione e per il rilevamento. Il Mean Time To Detect (MTTD) e il Mean Time To Respond (MTTR) dicono quanto rapidamente l’organizzazione individua e contiene una minaccia. Si affiancano a metriche di copertura, come la percentuale di asset protetti sul totale, e ai risultati dei penetration test e dei vulnerability assessment periodici.
Indicatori di prestazione (KPI) dedicati alla sicurezza seguono lo stato delle difese nel tempo. Il Security Posture Index (SPI), per esempio, è un indice composito calcolato come media ponderata di alcuni parametri, ciascuno con un peso proporzionale alla sua criticità:
  • lo stato di applicazione delle patch;
  • la conformità delle configurazioni alle baseline di sicurezza;
  • la copertura del monitoraggio;
  • l’efficacia dei controlli di accesso.
Per ogni metrica si fissano soglie di accettabilità, da rivedere periodicamente quando cambiano le minacce o l’infrastruttura. Con l’adaptive thresholding sono gli algoritmi di machine learning a riconoscere gli scostamenti dal comportamento abituale e a regolare in automatico i livelli di allerta.
Alcuni indicatori servono ad anticipare un aumento del rischio. Il Risk Velocity Index (RVI) misura la velocità con cui vengono scoperte, e poi sfruttate, nuove vulnerabilità. Il Threat Intelligence Score (TIS) misura l’intensità delle minacce rivolte al settore dell’organizzazione. Combinati, producono un Early Warning Score (EWS) che aiuta a decidere le priorità della mitigazione.
Anche il sistema di metriche va misurato. Il Prediction Accuracy Score (PAS) confronta le previsioni di rischio con gli incidenti realmente accaduti, e il Detection Efficiency Index (DEI) misura il rapporto tra allarmi utili e falsi positivi.
Le metriche servono solo se qualcuno le legge. I cruscotti interattivi consentono di passare dalla visione d’insieme al dettaglio del singolo indicatore, e i report aggregano le informazioni in modo diverso per il consiglio di amministrazione e per i gruppi operativi.
Infine, l’insieme degli indicatori va rivisto periodicamente, aggiungendo quelli diventati rilevanti ed eliminando quelli superati. La revisione si basa su un’analisi a posteriori di quanto ciascuna metrica abbia aiutato a prendere le decisioni giuste.

Framework e Standard Internazionali per la Sicurezza Informatica

I framework e gli standard internazionali danno alla gestione del rischio una struttura verificabile. Il Cybersecurity Framework del National Institute of Standards and Technology (NIST) è articolato in cinque funzioni, cioè identificare, proteggere, rilevare, rispondere e recuperare, e si adatta a organizzazioni di dimensioni e complessità molto diverse.
Il NIST CSF parte dal rischio. Ogni organizzazione decide quanto investire in base al proprio profilo, e le categorie e sottocategorie del framework offrono un linguaggio comune con cui tecnici, dirigenti e fornitori possono discutere i requisiti di sicurezza e allineare gli obiettivi.
La norma ISO/IEC 27001 definisce un sistema di gestione della sicurezza delle informazioni (SGSI) fondato sul miglioramento continuo. I controlli si scelgono dopo un’analisi del contesto organizzativo e dei rischi, e il sistema porta la sicurezza dentro i processi aziendali, dove le decisioni vengono prese.
La certificazione ISO 27001 richiede che la maturità dei controlli sia dimostrata con evidenze oggettive e verificabili. Il ragionamento basato sul rischio (risk-based thinking) previsto dalla norma porta a misure proporzionate al contesto ed evita soluzioni generiche, inefficaci o troppo costose.
I CIS Controls, nella versione 7.1, individuano venti controlli prioritari, divisi in tre gruppi di implementazione (Implementation Group) a seconda delle risorse e del profilo di rischio dell’organizzazione. Sono stati definiti con un processo di consenso tra professionisti della sicurezza di tutto il mondo e raccolgono le difese più utili contro gli attacchi più comuni. Secondo il CIS, l’applicazione corretta dei controlli di base previene fino all’85% degli attacchi più diffusi.
I CIS Controls seguono la logica della difesa in profondità. Si parte dai controlli di base, utili a qualunque organizzazione, e si arriva gradualmente alle misure avanzate, distribuendo gli investimenti nel tempo e cominciando da quelli che riducono di più il rischio.
Chi deve rispettare più standard e normative può ridurre il lavoro sfruttando le sovrapposizioni. Un Unified Compliance Framework riunisce i requisiti di fonti diverse in un unico insieme coordinato di controlli ed evita di ripetere le stesse attività per ogni norma.
Nella pratica serve una mappatura dei controlli comuni ai diversi framework, gestita con piattaforme di governance, risk e compliance (GRC) che automatizzano il monitoraggio e i report. Policy e procedure devono rispondere ai requisiti di ciascuno standard applicabile restando coerenti tra loro.
Le buone pratiche del settore si sono consolidate intorno alla security by design, che introduce i requisiti di sicurezza fin dalle prime fasi di progettazione di sistemi e servizi. Il modello Zero Trust, descritto dal NIST nella pubblicazione SP 800-207 dell’agosto 2020, sostituisce la difesa del perimetro con la verifica continua dell’identità e delle autorizzazioni per ogni accesso.
Il monitoraggio della conformità può essere automatizzato. Gli strumenti di continuous compliance monitoring verificano in modo continuo l’allineamento ai requisiti e segnalano gli scostamenti, così da correggerli prima che diventino vulnerabilità.
Gli standard vengono rivisti periodicamente per seguire l’evoluzione delle minacce e delle tecnologie, come il cloud computing, l’Internet of Things e l’intelligenza artificiale. Il loro valore dipende dall’equilibrio tra regole comuni e libertà di adattarle al caso concreto.

L’Intelligenza Artificiale nel Cybersecurity Risk Assessment

L’intelligenza artificiale cambia il modo di condurre la valutazione del rischio. Le analisi statiche basate su regole predefinite lasciano spazio a sistemi che apprendono e si adattano alle nuove minacce. I modelli predittivi basati su reti neurali profonde esaminano grandi archivi di incidenti passati e trovano schemi e correlazioni che i metodi tradizionali non vedono.
Per prevedere le minacce, gli algoritmi di deep learning elaborano insieme log di sistema, traffico di rete, indicatori di compromissione e feed di threat intelligence. Il risultato è una rappresentazione del rischio a più dimensioni, ciascuna legata a un aspetto della sicurezza aziendale. Correlando informazioni di natura diversa, questi sistemi indicano i possibili vettori di attacco prima che vengano sfruttati.
L’automazione rende le valutazioni più rapide e più precise. Gli algoritmi di Natural Language Processing leggono rapporti di sicurezza, bollettini tecnici e discussioni nei forum specializzati ed estraggono le informazioni sulle nuove vulnerabilità e tecniche di attacco. In questo modo entrano nella valutazione anche le fonti non strutturate e le informazioni qualitative difficili da tradurre in numeri.
Il machine learning supervisionato si usa soprattutto per classificare gli incidenti. Algoritmi come le Support Vector Machine e le Random Forest, addestrati su archivi di incidenti già classificati, assegnano in tempo reale una categoria a ogni evento e un punteggio di rischio basato sulla somiglianza con attacchi noti, così le risorse di risposta vanno prima dove servono di più.
L’apprendimento non supervisionato serve a riconoscere le anomalie di comportamento. Le reti neurali di tipo autoencoder, per esempio, imparano il funzionamento normale di sistemi e reti e segnalano gli scostamenti che potrebbero indicare attività malevole. Riescono a cogliere anomalie lievi, che le regole statiche non individuano, e per questo sono utili contro le minacce avanzate e persistenti (APT).
Nel rilevamento delle minacce si combinano spesso più tecniche. Le architetture ensemble mettono insieme classificatori specializzati su tipi diversi di minaccia e ne pesano i voti per ridurre i falsi positivi. Con l’active learning i modelli migliorano nel tempo grazie al riscontro degli analisti.
Le applicazioni pratiche sono già numerose. Nelle infrastrutture critiche i modelli predittivi esaminano in tempo reale i dati dei sensori industriali e dei sistemi SCADA per riconoscere segni di compromissione. Nel settore finanziario algoritmi specializzati analizzano le transazioni per individuare le frodi, e nella protezione degli endpoint sistemi di analisi comportamentale osservano i processi per scoprire malware mai visto prima.
L’intelligenza artificiale aiuta anche a gestire le politiche di sicurezza. Con il reinforcement learning le configurazioni vengono adattate di continuo all’evoluzione delle minacce e al comportamento degli utenti legittimi, cercando un equilibrio tra protezione e continuità del lavoro e applicando controlli proporzionati al rischio reale.
Anche i modelli possono essere attaccati, con tecniche di evasione o con l’avvelenamento dei dati di addestramento (poisoning). Lo studio dell’adversarial machine learning ha portato a modelli più resistenti, grazie a una scelta accurata delle caratteristiche (feature engineering), all’arricchimento dei dati di addestramento (data augmentation) e all’uso di insiemi di modelli diversi, che rendono meno efficaci gli attacchi mirati contro un singolo modello.
Per usare questi sistemi servono un’infrastruttura adeguata e persone capaci di gestire e controllare i modelli. La difficoltà principale è mantenere l’accuratezza delle previsioni mentre le minacce cambiano, e questo richiede di riaddestrare e validare i modelli con regolarità. Nonostante questi costi, per un’organizzazione che vuole difendersi dalle minacce attuali l’intelligenza artificiale è ormai parte del processo di valutazione del rischio.
 
 

Vincenzo Calabrò | Ingegnere informatico specializzato in sicurezza informatica e investigazioni digitali. Funzionario informatico del Ministero dell'Interno; su incarico autorizzato si occupa di sicurezza informatica e di perizie informatiche forensi. Autore di articoli e saggi. Lecturer, Speaker, Trainer.
Profili: Google Scholar · ORCID · ResearchGate · Academia.edu · Wikidata · CyberSecurity360 · AgendaDigitale · ICT Security Magazine · Amazon · LinkedIn · YouTube · Ordine degli Ingegneri di Reggio Calabria