Articoli e white paper Pubblicazioni

I benefici dell'intelligenza artificiale nella digital forensics

di · Pubblicato il

Vincenzo Calabrò | I benefici dell'intelligenza artificiale nella digital forensics

Abstract

L’articolo esamina il contributo dell’intelligenza artificiale, dell’apprendimento automatico e dell’elaborazione del linguaggio naturale alla digital forensics. Dopo aver richiamato ambiti, fasi e difficoltà della disciplina, descrive le applicazioni dell’IA in ogni fase dell’indagine, dall’identificazione alla presentazione, e le tecniche principali, cioè analisi del malware, forensica di immagini e video, analisi dei testi e rilevamento delle anomalie, con esempi tratti da strumenti e casi reali. Discute poi bias, privacy, ammissibilità delle prove generate con l’IA, anche alla luce dell’AI Act e della proposta Rule 707 statunitense, e le prospettive future.


Introduzione

La digital forensics deve fare i conti con una quantità di dati che cresce più rapidamente delle risorse disponibili. Un singolo smartphone può contenere centinaia di gigabyte di messaggi, foto e dati di applicazioni, e un’indagine su un’organizzazione coinvolge server, servizi cloud, account e dispositivi personali. In molti Paesi gli uffici di polizia accumulano arretrati di mesi o anni nell’esame dei dispositivi sequestrati. Intanto la varietà delle tecnologie e la loro rapida evoluzione rendono difficile mantenere metodi aggiornati e validati.
L’intelligenza artificiale offre strumenti per affrontare questa situazione. Può automatizzare le attività ripetitive, classificare grandi volumi di dati, riconoscere schemi che sfuggirebbero a un esame manuale e aiutare l’analista a concentrarsi su ciò che conta. Il suo uso pone però questioni specifiche in una disciplina che deve produrre risultati verificabili e utilizzabili in un processo.
L’articolo richiama i fondamenti della digital forensics, descrive le tecniche di IA più rilevanti e le loro applicazioni nelle diverse fasi dell’indagine, presenta alcuni esempi concreti e discute difficoltà etiche e giuridiche e prospettive future.

I fondamenti della digital forensics

Definizione e ambiti

La digital forensics, o informatica forense, è l’insieme dei metodi con cui si individuano, acquisiscono, conservano, analizzano e presentano prove digitali, in modo che siano utilizzabili in un procedimento giudiziario o in un’indagine interna. Si articola in diversi ambiti specialistici:
  • la computer forensics, che analizza file system, sistemi operativi e applicazioni di computer e server;
  • la mobile forensics, dedicata a smartphone e tablet, con i loro sistemi operativi, le app di messaggistica e i dati di localizzazione;
  • la memory forensics, che analizza il contenuto della memoria RAM, dove risiedono processi, chiavi crittografiche e malware che non lasciano tracce su disco;
  • la network forensics, che esamina traffico, flussi e log di rete per ricostruire comunicazioni e attacchi;
  • la cloud forensics, alle prese con dati distribuiti presso fornitori e giurisdizioni diverse;
  • la database forensics, che indaga su contenuti, transazioni e metadati delle basi di dati;
  • la forensica di immagini, audio e video, che verifica autenticità, provenienza e integrità dei contenuti multimediali;
  • la forensica dei veicoli, dei dispositivi IoT e dei sistemi embedded, che estrae dati da sistemi non tradizionali.

Le fasi dell’indagine

I modelli di riferimento, come la NIST SP 800-86 e le norme ISO/IEC 27037 e 27042, descrivono il processo in fasi successive:
  • l’identificazione delle possibili fonti di prova, come computer, smartphone, supporti esterni, account cloud, log e profili social;
  • la raccolta, cioè la messa in sicurezza dei dispositivi e dei dati senza alterarli;
  • l’acquisizione e la conservazione, con copie forensi bit a bit verificate tramite funzioni di hash, mentre gli originali vengono custoditi e le analisi si svolgono sulle copie;
  • l’analisi, in cui si esaminano dati e metadati, si recuperano informazioni cancellate, si incrociano fonti diverse e si ricostruiscono le sequenze temporali degli eventi;
  • la documentazione, che registra ogni passaggio, gli strumenti usati e la catena di custodia;
  • la presentazione, con una relazione tecnica chiara anche per chi non ha competenze informatiche e, se necessario, la testimonianza in giudizio.
In Italia la legge 48/2008, che ha ratificato la Convenzione di Budapest, ha introdotto nel codice di procedura penale l’obbligo di adottare misure tecniche che assicurino la conservazione dei dati originali e ne impediscano l’alterazione. È il riferimento con cui ogni metodo, compresi quelli basati sull’IA, deve misurarsi.

Le difficoltà attuali

La disciplina affronta problemi crescenti:
  • le tecniche anti-forensi, come la cancellazione sicura, l’alterazione dei log e dei metadati e l’uso di sistemi che non lasciano tracce, oggi accessibili anche a chi ha competenze limitate;
  • la cifratura dei dispositivi e delle comunicazioni end-to-end, che rende inaccessibili molti dati senza le chiavi;
  • i grandi volumi di dati, che superano le capacità di esame manuale;
  • il cloud e l’IoT, con dati distribuiti, effimeri e soggetti a giurisdizioni diverse, e modelli di servizio che limitano l’accesso del cliente ai dati sottostanti;
  • le minacce che risiedono solo in memoria e richiedono acquisizioni sui sistemi accesi;
  • i contenuti falsificati con l’IA, come video, audio e documenti difficili da distinguere da quelli autentici;
  • l’ammissibilità in giudizio dei risultati ottenuti con strumenti di IA, ancora poco definita.
Questi problemi si rafforzano a vicenda. I grandi volumi di dati offrono più spazio per nascondere tracce, l’IA mette nuovi strumenti a disposizione di chi vuole eludere le indagini, e la stessa scala che rende necessaria l’automazione rende più difficile garantire l’integrità e la tracciabilità di ogni passaggio. L’IA può aiutare solo se viene impiegata in modo da rafforzare i principi della prova digitale. Servono strumenti con registrazione completa delle operazioni, risultati verificabili e decisioni spiegabili.

I concetti di base dell’IA

Apprendimento automatico e deep learning

L’intelligenza artificiale comprende le tecniche che permettono ai sistemi di svolgere compiti che richiederebbero intelligenza umana. L’apprendimento automatico (machine learning) ne è il ramo più diffuso. I sistemi imparano dai dati senza essere programmati esplicitamente per ogni caso. Nell’apprendimento supervisionato il modello viene addestrato su esempi etichettati, per esempio file malevoli e legittimi. In quello non supervisionato cerca da solo raggruppamenti e anomalie in dati non etichettati.
Il deep learning usa reti neurali con molti livelli, che imparano direttamente dai dati grezzi rappresentazioni via via più astratte. È particolarmente efficace con immagini, audio, video, testi e sequenze di eventi.

Elaborazione del linguaggio naturale

L’elaborazione del linguaggio naturale (NLP) permette ai computer di analizzare e generare testi e parlato. Comprende tecniche che vanno dalla suddivisione del testo in unità (tokenizzazione) al riconoscimento di persone, luoghi e organizzazioni citati (named entity recognition), fino ai modelli linguistici di grandi dimensioni (LLM), capaci di riassumere, classificare e rispondere a domande su grandi raccolte di documenti.

I principi utili alla forensica

  • la classificazione, che assegna un elemento a una categoria, per esempio un’immagine come rilevante o non rilevante per l’indagine;
  • il raggruppamento (clustering), che riunisce elementi simili, come documenti sullo stesso tema o messaggi dello stesso autore;
  • il riconoscimento di schemi, che individua sequenze ricorrenti nei dati;
  • il rilevamento delle anomalie, che segnala ciò che si discosta dal comportamento normale;
  • l’analisi predittiva, che stima la probabilità di eventi futuri sulla base dei dati storici.

La qualità dei dati

Un modello vale quanto i dati su cui è stato addestrato. Dati incompleti, sbilanciati o etichettati male producono errori sistematici, che in un’indagine possono tradursi in prove trascurate o in sospetti infondati. La comunità forense ha bisogno di insiemi di dati di riferimento di qualità, rappresentativi e documentati, e di protocolli condivisi per validare gli strumenti. Iniziative come il programma CFTT (Computer Forensics Tool Testing) del NIST e i dataset pubblici per la ricerca vanno in questa direzione, ma la validazione degli strumenti basati sull’IA è ancora un terreno in gran parte da costruire.

L’IA nelle fasi dell’indagine

Identificazione e raccolta

Gli strumenti di IA esaminano rapidamente grandi quantità di dati e indicano quali fonti e quali elementi meritano attenzione per primi. Classificano automaticamente immagini, documenti e conversazioni, segnalano informazioni sensibili e ordinano i risultati per rilevanza. Questo riduce il tempo dedicato alla selezione manuale e il rischio di errori nelle prime fasi, quando una decisione sbagliata su che cosa acquisire può compromettere l’indagine.

Acquisizione e conservazione

La copia forense resta un’operazione deterministica, affidata a strumenti validati e a dispositivi che impediscono la scrittura sui supporti originali, e l’IA non deve intervenire su di essa. Le tecniche di apprendimento automatico aiutano invece a recuperare dati da supporti danneggiati o da file cancellati e frammentati. Il file carving, cioè la ricostruzione di file a partire dai frammenti senza le informazioni del file system, beneficia di modelli che riconoscono il tipo di contenuto di ogni frammento e lo ricollegano ai frammenti vicini. Ogni operazione deve comunque restare documentata nella catena di custodia.

Analisi

È la fase in cui l’IA offre il contributo maggiore. Riconosce schemi e correlazioni in grandi insiemi di dati, classifica il malware, individua tentativi di phishing e schemi di frode, ricostruisce le sequenze temporali collegando messaggi, chiamate, posizioni e attività sui dispositivi. L’analisi del comportamento di utenti ed entità (UEBA) confronta le attività con un profilo di riferimento e mette in evidenza accessi anomali, possibili minacce interne o compromissioni silenziose. L’analista resta responsabile di interpretare i risultati, verificarli sulle evidenze originali e scartare le correlazioni casuali.

Documentazione e presentazione

L’IA può preparare bozze di relazioni, riassumere grandi raccolte di documenti e produrre rappresentazioni visive come grafi di relazioni, linee temporali e mappe degli argomenti trattati in un insieme di testi. Queste visualizzazioni aiutano magistrati, avvocati e giurie a comprendere analisi complesse. Una relazione forense deve però restare opera del consulente, che ne risponde, e ogni affermazione deve poter essere ricondotta a evidenze verificabili.

Verso una forensica proattiva

Tradizionalmente la digital forensics interviene dopo un incidente o un reato. Le capacità di monitoraggio e di analisi predittiva dell’IA permettono di integrarla nelle attività di sicurezza, con la raccolta continua delle evidenze utili (forensic readiness) e la ricerca di indizi di compromissione prima che il danno si manifesti. Questo avvicina la forensica alla risposta agli incidenti e alla threat intelligence e richiede ai professionisti nuove competenze di analisi dei dati.
La tabella riassume le principali applicazioni per fase:
Fase Tecniche di IA Benefici
Identificazione Classificazione, riconoscimento di schemi, ordinamento per priorità Individuazione rapida delle fonti e degli elementi più rilevanti
Raccolta Automazione, analisi preliminare Minori tempi ed errori nelle prime fasi
Acquisizione e conservazione Modelli per il recupero e la ricostruzione dei dati Recupero di file cancellati, frammentati o danneggiati, nel rispetto della catena di custodia
Analisi Apprendimento automatico, deep learning, UEBA, analisi predittiva Rilevamento di malware, frodi e minacce interne, ricostruzione delle sequenze temporali, esame di grandi volumi di dati
Documentazione NLP, generazione assistita di testi Bozze di relazioni e sintesi più rapide
Presentazione NLP, visualizzazione dei dati Grafi, linee temporali e mappe comprensibili anche ai non tecnici

Le tecniche principali

Analisi del malware

L’apprendimento automatico è ormai una componente stabile dell’analisi del malware. A differenza dei metodi basati su firme, riconosce anche varianti nuove a partire dalle loro caratteristiche. I modelli possono usare:
  • caratteristiche statiche, estratte senza eseguire il file, come sequenze di istruzioni, intestazioni, sezioni, stringhe e librerie importate;
  • caratteristiche dinamiche, osservate eseguendo il campione in un ambiente isolato, come chiamate di sistema, modifiche al registro, file creati e traffico di rete;
  • approcci ibridi, che combinano i due tipi di informazione.
Le reti neurali convoluzionali e ricorrenti, come le LSTM, analizzano file eseguibili e sequenze di comportamenti, e il transfer learning permette di riusare modelli addestrati su grandi insiemi di dati quando i campioni di una famiglia rara sono pochi. Gli LLM aiutano a leggere codice decompilato o offuscato, a spiegarne la logica e a produrre regole di rilevamento. Le accuratezze molto elevate riportate in letteratura, spesso superiori al 95%, sono ottenute su dataset specifici e tendono a ridursi su campioni reali e in evoluzione, un limite che va dichiarato quando questi strumenti sono usati in una perizia.

Immagini e video

Il deep learning è lo stato dell’arte nella forensica delle immagini. Aiuta a identificare la fotocamera che ha scattato una foto, a scoprire manipolazioni come copia e incolla, ritocchi e fotomontaggi, e a riconoscere contenuti generati o alterati con l’IA. Per i video le tecniche si concentrano su più fronti:
  • il rilevamento dei deepfake, con modelli che cercano incoerenze nei volti, nel battito delle palpebre, nei movimenti della testa, nella sincronia tra labbra e audio e negli artefatti lasciati dalle reti generative;
  • l’analisi del movimento tra fotogrammi, con il flusso ottico e la correlazione temporale e spaziale, per scoprire fotogrammi copiati, inseriti o rimossi;
  • il rilevamento delle manipolazioni all’interno del singolo fotogramma, come oggetti aggiunti o cancellati;
  • l’estrazione di informazioni, come la selezione dei fotogrammi chiave e il riconoscimento e tracciamento di oggetti e persone.
I rilevatori di deepfake perdono efficacia quando incontrano tecniche di generazione diverse da quelle su cui sono stati addestrati, e la compressione applicata dalle piattaforme cancella molte tracce utili. Anche alcune tecniche di compressione basate sull’IA possono agire, di fatto, come strumenti anti-forensi. Iniziative come lo standard C2PA per la provenienza dei contenuti offrono un complemento, perché permettono di verificare l’origine di un file quando i produttori di dispositivi e software le adottano.

Analisi dei testi

Una parte rilevante delle evidenze digitali è costituita da testi, come email, chat, documenti e post. L’NLP rende gestibili grandi volumi di questi dati:
  • la preelaborazione, con tokenizzazione, riduzione delle parole alla radice e riconoscimento delle entità, che permette di trovare rapidamente persone, luoghi, organizzazioni, numeri di telefono e indirizzi;
  • il raggruppamento dei documenti simili, la sintesi automatica dei testi lunghi e la classificazione per argomento;
  • la visualizzazione, con nuvole di parole, grafi delle relazioni e modelli degli argomenti;
  • l’analisi stilometrica, che confronta lo stile di scrittura per valutare se testi diversi possano essere attribuiti allo stesso autore;
  • la traduzione automatica, utile quando le comunicazioni sono in più lingue o in gergo.
Gli LLM permettono di interrogare in linguaggio naturale grandi archivi di messaggi e documenti. Possono però inventare informazioni assenti dalle fonti, e ogni risultato va quindi ricondotto ai documenti originali prima di essere usato.

Analisi predittiva e anomalie

I modelli che imparano il comportamento normale di reti, sistemi e utenti segnalano le deviazioni, aiutando a individuare attacchi persistenti, movimenti laterali, esfiltrazioni e minacce interne. Nelle indagini aziendali e nella risposta agli incidenti queste segnalazioni orientano la ricerca delle evidenze. In ambito penale servono soprattutto come indizi da verificare con metodi tradizionali.

Una corsa tra attacco e difesa

Le stesse tecniche che servono agli investigatori sono usate da chi vuole eludere le indagini. Il deep learning genera deepfake e serve a riconoscerli, l’IA aiuta a nascondere tracce e a scoprirle. La forensica deve quindi aggiornare continuamente metodi e strumenti, e i professionisti devono spostare il proprio lavoro dalla selezione manuale dei dati all’interpretazione e alla validazione dei risultati prodotti dai modelli.
La tabella confronta le famiglie di tecniche:
Tecnica Applicazioni Benefici Esempi
Apprendimento automatico Analisi del malware, frodi, comportamento degli utenti, priorità dei dati Rilevamento di varianti nuove, esame di grandi quantità di file Analisi statica e dinamica, clustering, UEBA
Deep learning Immagini e video, deepfake, malware, recupero dei dati Riconoscimento di manipolazioni visive, ricostruzione di file frammentati Reti convoluzionali, reti ricorrenti, analisi degli artefatti generativi
NLP e LLM Email, chat, documenti, attribuzione, relazioni Estrazione rapida di informazioni, sintesi, ricerca in linguaggio naturale Riconoscimento delle entità, clustering, sintesi, stilometria

Esempi e applicazioni

Le funzioni di IA sono già integrate negli strumenti forensi più diffusi. Le principali piattaforme di analisi per dispositivi mobili e computer classificano automaticamente immagini e conversazioni per categorie, come armi, documenti, droga o contenuti di abuso, e riconoscono nelle chat argomenti come minacce, adescamento o compravendita. Nei casi di sfruttamento sessuale dei minori, la classificazione automatica e il confronto con banche dati di contenuti noti, come la britannica CAID, riducono il tempo di esame e l’esposizione degli investigatori a materiale traumatico, e aiutano a identificare le vittime.
Nella risposta agli incidenti, i produttori di sicurezza propongono agenti di IA che smistano gli allarmi e svolgono le prime indagini. CrowdStrike ha dichiarato che il servizio di triage di Charlotte AI, presentato nel febbraio 2025, supera il 98% di accuratezza nella valutazione delle rilevazioni e fa risparmiare oltre 40 ore di lavoro manuale a settimana. ReliaQuest afferma che il proprio agente automatizza la gestione della quasi totalità degli allarmi e riduce i tempi di contenimento a pochi minuti. Sono dati dichiarati dai produttori, che indicano la direzione del mercato e vanno verificati nel proprio contesto.
Nell’e-discovery e nelle indagini aziendali, piattaforme come quelle di Exterro usano l’IA per la valutazione preliminare dei casi, la raccolta e l’elaborazione dei dati e la revisione dei documenti. La revisione assistita da tecnologia (technology-assisted review), accettata dai tribunali statunitensi già dal 2012, permette di esaminare grandi archivi documentali con tempi e costi ridotti.

Difficoltà e questioni etiche

Bias e falsi positivi

Un modello addestrato su dati distorti riproduce le distorsioni. In un’indagine questo può portare a identificazioni errate, a sospetti infondati o a interpretazioni sbagliate delle evidenze. Anche un numero elevato di falsi positivi è un problema, perché disperde l’attenzione degli analisti. Servono procedure di validazione, prove su casi noti, misure degli errori per tipo di dati e monitoraggio delle prestazioni nel tempo.

Privacy e proporzionalità

Un dispositivo contiene molte informazioni estranee all’indagine, spesso relative anche a terzi. Gli strumenti di IA, capaci di analizzare tutto e in fretta, rendono più facile superare i limiti di ciò che è pertinente. Le analisi devono rispettare le autorizzazioni dell’autorità giudiziaria, il GDPR o, per le attività di polizia, la direttiva (UE) 2016/680, con criteri di minimizzazione che limitino l’esame alle informazioni rilevanti.

Ammissibilità delle prove

I tribunali si interrogano sull’affidabilità e sulla trasparenza dei risultati ottenuti con l’IA. Occorre distinguere tra due situazioni. Nella prima l’IA è usata in modo dichiarato per elaborare o migliorare un’evidenza, come un audio ripulito o una ricostruzione tridimensionale. Nella seconda un contenuto generato o manipolato con l’IA viene presentato come autentico. In entrambi i casi la prova deve essere autentica, pertinente, affidabile e verificabile dalla controparte.
Negli Stati Uniti il comitato competente della Judicial Conference ha approvato nel giugno 2025 la pubblicazione, per la consultazione pubblica, della proposta di una nuova Federal Rule of Evidence 707. La regola sottoporrebbe le prove prodotte da macchine agli stessi criteri di affidabilità previsti dalla Rule 702 per la testimonianza dei periti. In Europa l’AI Act classifica come ad alto rischio i sistemi di IA usati dalle autorità di contrasto per valutare l’affidabilità degli elementi di prova, con obblighi di documentazione, trasparenza e supervisione umana. In Italia valgono i principi del contraddittorio e della verificabilità degli accertamenti tecnici, che richiedono di poter spiegare come un risultato è stato ottenuto.
La spiegabilità diventa quindi un requisito. Uno strumento che segnala un file come rilevante deve permettere di capire perché, e il consulente deve saper illustrare metodo, limiti e tassi di errore.

Anti-forensica basata sull’IA

I criminali possono usare l’IA per alterare log e metadati in modo coerente, generare documenti e conversazioni falsi, modificare immagini in modo da ingannare i rilevatori o automatizzare la cancellazione delle tracce. L’evoluzione di queste tecniche impone alla forensica un aggiornamento continuo di strumenti e metodi.

Supervisione umana e buone pratiche

Per usare l’IA in modo affidabile valgono alcune regole:
  • l’IA assiste l’analista, che resta il responsabile delle conclusioni, e ogni risultato rilevante va verificato sulle evidenze originali e, quando possibile, con metodi tradizionali;
  • si preferiscono strumenti che registrano le operazioni e spiegano i risultati, evitando modelli opachi per le conclusioni che entrano in una relazione;
  • si documentano versione dello strumento, impostazioni, dati analizzati ed eventuali limiti noti;
  • si adottano procedure operative standard e si validano gli strumenti prima dell’uso su casi reali;
  • si cura la formazione dei professionisti su tecniche, limiti ed etica dell’IA;
  • si promuovono standard e cooperazione internazionale per regole comuni sull’uso dell’IA nelle indagini.

Prospettive future

Forensica predittiva e in tempo reale

L’analisi continua dei dati permetterà di raccogliere evidenze mentre un incidente è in corso e di anticipare alcune minacce sulla base di andamenti e comportamenti. Questo rafforzerà la ricerca proattiva delle minacce e accorcerà i tempi della risposta.

Integrità delle prove e registri distribuiti

L’uso di registri distribuiti, come la blockchain, viene studiato per conservare in modo non modificabile le impronte hash delle evidenze, i log di accesso e i passaggi della catena di custodia. Combinati con l’IA, questi sistemi potrebbero segnalare automaticamente incoerenze nei log e tentativi di manomissione.

Indagini assistite da agenti

I sistemi futuri potranno svolgere in autonomia le prime fasi di un’indagine, come l’inventario delle fonti, la classificazione dei dati e la costruzione delle linee temporali, lasciando agli analisti le decisioni e l’interpretazione. La collaborazione tra persone e IA diventerà il modello operativo ordinario, con la responsabilità finale sempre in capo al professionista.

L’evoluzione dei modelli linguistici

Gli LLM diventeranno più capaci di comprendere il significato degli artefatti digitali e il loro ruolo in un’indagine, di leggere codice e log e di collegare informazioni provenienti da fonti diverse. Per essere usati in ambito forense dovranno però offrire risultati riproducibili, citare le fonti da cui traggono ogni affermazione e poter essere eseguiti in ambienti controllati, senza inviare le evidenze a servizi esterni.

Considerazioni finali

L’intelligenza artificiale sta cambiando la digital forensics in ogni fase dell’indagine, dall’identificazione delle fonti al recupero dei dati, dall’analisi di grandi volumi di informazioni alla preparazione delle relazioni. Accelera il lavoro, riduce gli errori nelle attività ripetitive e permette di riconoscere schemi complessi, comportamenti anomali e contenuti manipolati.
Il suo uso è diventato necessario per mantenere la capacità investigativa di fronte a volumi di dati crescenti e ad avversari che usano a loro volta l’IA. Il ruolo dei professionisti si sposta dall’esame manuale all’interpretazione e alla validazione dei risultati, allo sviluppo di metodi e alla gestione dei casi che richiedono giudizio.
Bias, privacy, ammissibilità delle prove e anti-forensica basata sull’IA richiedono però attenzione rigorosa. Trasparenza, spiegabilità, documentazione e supervisione umana sono le condizioni perché i risultati ottenuti con l’IA siano affidabili e utilizzabili in giudizio. La ricerca, le regole e la formazione dovranno procedere insieme, perché la digital forensics continui a servire la giustizia con la stessa solidità metodologica che le si richiede oggi.

Riferimenti

  • NIST (2006). SP 800-86, Guide to Integrating Forensic Techniques into Incident Response.
  • ISO/IEC 27037:2012, Guidelines for identification, collection, acquisition and preservation of digital evidence.
  • ISO/IEC 27042:2015, Guidelines for the analysis and interpretation of digital evidence.
  • Legge 18 marzo 2008, n. 48, Ratifica ed esecuzione della Convenzione del Consiglio d’Europa sulla criminalità informatica.
  • Regolamento (UE) 2024/1689 (AI Act), Allegato III, punto 6.
  • National Center for State Courts. AI-generated evidence: a guide for judges. https://www.ncsc.org/resources-courts/ai-generated-evidence-guide-judges
  • Nelson Mullins. Safeguarding the Courtroom from AI-Generated Evidence: Federal Rule of Evidence 707. https://www.nelsonmullins.com/insights/blogs/red-zone/news/safeguarding-the-courtroom-from-ai-generated-evidence-federal-rule-of-evidence-707-approved-by-judicial-conference
  • Eurecom. Deep Learning Methods and Advancements in Digital Image Forensics. https://www.eurecom.fr/publication/7015/download/sec-publi-7015.pdf
  • Alyemni, N., e Frikha, M. (2025). Exploring Machine Learning in Malware Analysis: Current Trends and Future Perspectives. IJACSA, 16(1). https://thesai.org/Downloads/Volume16No1/Paper_120-Exploring_Machine_Learning_in_Malware_Analysis.pdf
  • MDPI Computers (2024). Forensic Investigation, Challenges, and Issues of Cloud Data: A Systematic Literature Review. https://www.mdpi.com/2073-431X/13/8/213
  • DFRWS. Natural Language Processing for Digital Forensics. https://dfrws.org/presentation/natural-language-processing-for-digital-forensics/
  • University of Pretoria. A natural human language framework for digital forensic readiness in the public cloud. https://repository.up.ac.za/bitstreams/ddbb3fbd-0221-4b9e-8daf-2e61cd0a59bd/download
  • ICT Security Magazine. Anti-Forensics: una sfida in continua evoluzione. https://www.ictsecuritymagazine.com/articoli/anti-forensics-digital/
  • Exterro. Case Studies. https://www.exterro.com/resources/case-studies
  • IJIRMPS (2025). Ethical Considerations in Digital Forensic. https://www.ijirmps.org/papers/2025/1/231831.pdf
 
 

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