Uno studio pubblicato il 27 ottobre 2026 su Neural Computing and Applications ha rilevato con alta accuratezza gli attacchi RISC-V già rappresentati nei test simulati, ma i risultati cambiano quando il modello incontra un programma escluso dall’addestramento. Gli esperimenti di Joan-Tomàs Pujol, Beatriz Otero, Javier Verdú e Ramon Canal si sono svolti in gem5, non su processori fisici.

Che cosa osserva il rilevatore

Il dataset HARPY-V-GEM5 combina due tipi di segnali: i contatori delle prestazioni hardware (HPC), che registrano eventi dell’attività del processore, e la frequenza dei mnemonici delle istruzioni ritirate, cioè dei codici che identificano le istruzioni completate. La telemetria viene campionata ogni 10.000 istruzioni ritirate.

Gli autori hanno generato i dati con gem5 24.1.0.3, usando 32 programmi simulati: 16 benigni e 16 malevoli. La macchina virtuale riproduceva un processore RISC-V fuori ordine, con un solo core e un solo thread, a 3 GHz; aveva cache L1 da 16 KiB per istruzioni e dati e una cache L2 da 256 KiB. Il dataset bilanciato comprendeva 12.890 campioni per programma, 412.480 in totale.

I risultati sugli attacchi già noti

Nel test simulato sugli attacchi noti, i modelli basati sugli HPC hanno raggiunto un’accuratezza di rilevamento del 99,55% con Random Forest e del 99,54% con Decision Tree. Usando le caratteristiche delle istruzioni, i risultati sono stati rispettivamente del 99,08% e del 99,06%.

Rilevare un programma malevolo e identificarne la famiglia sono compiti diversi. Nel test sulle famiglie di attacco, Random Forest con caratteristiche HPC ha raggiunto il 97,52%; con le caratteristiche delle istruzioni, la classificazione si è fermata intorno al 60%. I punteggi elevati sul rilevamento dei programmi noti, quindi, non descrivono da soli la capacità di riconoscere programmi mai incontrati.

Che cosa indicano i test sui programmi esclusi

Il 90,08% riportato per Random Forest basata sugli HPC appartiene a un caso di studio selezionato su un attacco sconosciuto. La valutazione sistematica leave-one-program-out (LOPO), che esclude a turno un intero programma, riporta invece una media del 77,95% per HPC-RF. La sezione dei risultati indica inoltre l’89,38% per Decision Tree basato sulle istruzioni.

Ogni iterazione LOPO mette da parte un programma completo e i suoi 12.890 campioni; il gruppo di test contiene quindi una sola classe. La variabilità tra programmi è ampia: lo studio riporta deviazioni standard dal 25% al 36% tra i modelli e le caratteristiche valutati. Il dato del caso selezionato e le medie LOPO descrivono protocolli distinti.

Per le caratteristiche basate sulle istruzioni, l’abstract riporta un’accuratezza superiore al 96% sugli attacchi non visti, mentre la sezione LOPO dei risultati indica l’89,38% per Decision Tree. L’articolo non concilia queste due cifre.

Gli errori dipendono dall’attacco

I risultati variano anche da un programma malevolo all’altro. Nella valutazione specifica riportata nello studio, l’accuratezza è stata dell’1,34% per spectrev2 e dello 0,00% per flush-fault-ret. Le due fonti di caratteristiche hanno inoltre punti deboli diversi: per timer-drift, i modelli basati sulle istruzioni hanno ottenuto lo 0,00%, mentre quelli basati sugli HPC hanno rilevato l’attacco quasi perfettamente.

Gli autori propongono un Decision Tree basato sulle istruzioni per un monitoraggio iniziale leggero, Random Forest con HPC per classificare gli attacchi o una combinazione in due fasi. Gli esperimenti restano però limitati ai programmi simulati del dataset: la validazione su hardware RISC-V fisico e l’integrazione in un monitor operativo sono indicate come sviluppi futuri.