Il Ruolo degli Algoritmi di Machine Learning per la Sicurezza delle Reti Non Terrestri

Non-Terrestrial Networks (NTNs), which integrate satellites and drones with ground-based network infrastructure, are essential for future global connectivity. However, their complex architecture exposes them to unique cybersecurity threats that traditional security systems cannot effectively handle. This thesis analyzes the use of specific Machine Learning (ML) algorithms as a defense tool for NTNs. The objective is to provide an overview of the main algorithmic techniques proposed in the literature to solve concrete security vulnerabilities. Through a critical review of the literature, case studies applying these algorithms to specific problems will be examined. The analysis will focus on evaluating the strengths and limitations of each approach in mitigating threats. The work will conclude by identifying open challenges and future directions for the development of ML-based autonomous defense systems.

Le Reti Non Terrestri (NTN), che integrano satelliti e droni con le infrastrutture di rete a terra, sono essenziali per la futura connettività globale. Tuttavia, la loro architettura complessa le espone a minacce informatiche uniche che i sistemi di sicurezza tradizionali non possono gestire efficacemente. Questa tesi analizza l'utilizzo di specifici algoritmi di Machine Learning (ML) come strumento di difesa per le NTN. L'obiettivo è fornire una panoramica delle principali tecniche algoritmiche proposte in letteratura per risolvere concrete vulnerabilità di sicurezza. Attraverso una rassegna critica della letteratura, verranno esaminati studi di caso che applicano questi algoritmi a problemi specifici. L'analisi si concentrerà sulla valutazione dei punti di forza e dei limiti di ciascun approccio nel mitigare le minacce. Il lavoro si concluderà identificando le sfide ancora aperte e le direzioni future per lo sviluppo di sistemi di difesa autonomi basati su ML.