TIERRA - Bando SWIch Regione Piemonte
Autori
TIERRA - Tecnologie Innovative per l'Energia Rinnovabile e la Resilienza Ambientale
TIERRA sviluppa soluzioni avanzate per la gestione intelligente di vettori energetici cross-correlati nelle Smart City e nelle Comunità Energetiche. Il suo mercato di riferimento comprende enti pubblici e privati che cercano di ottimizzare le risorse energetiche (ad es. produzione e consumo di elettricità, uso dell'acqua e altro) con particolare attenzione alle comunità che operano nel rispetto del proprio patrimonio culturale e territoriale. Il progetto risponde alla necessità di una maggiore efficienza energetica integrando tecnologie di Internet of Things (IoT), intelligenza artificiale (AI) e realtà virtuale (VR). Al centro si trova un ecosistema di Digital Twin che ottimizza la gestione multi-vettore dell'energia, monitora i consumi in tempo reale e simula scenari futuri a supporto della pianificazione di impianti rinnovabili.
L'ecosistema consente un monitoraggio dei consumi non invasivo, previsioni accurate basate sull'AI e visualizzazione avanzata dei dati attraverso interfacce VR, offrendo agli utenti una comprensione più profonda delle dinamiche energetiche. La combinazione di ecosistemi IoT avanzati e AI garantisce un controllo preciso e granulare delle risorse, supportato da simulazioni predittive per la pianificazione strategica, un approccio dinamico e personalizzato che distingue TIERRA da soluzioni di mercato meno adattive. Integrando la consapevolezza del contesto culturale e territoriale in cui opera, il progetto preserva e valorizza il patrimonio locale promuovendo al contempo la sostenibilità. Scalabile e replicabile su diversi territori, TIERRA riduce gli sprechi, migliora l'efficienza complessiva del sistema e guida le comunità verso una maggiore consapevolezza e resilienza nell'uso delle risorse energetiche.
digital twinIoTAIVRcomunità energetichesmart city
AIDA - Bando SWIch Regione Piemonte
Autori
AIDA - Automazione della Progettazione Assistita dall'IA per Sistemi Elettronici Eterogenei
AIDA sviluppa soluzioni di intelligenza artificiale (AI) per automatizzare e ottimizzare la progettazione e il collaudo di sistemi elettronici complessi per i settori automotive e IoT. Integrando il machine learning nel flusso di lavoro ingegneristico, il progetto accorcia i cicli di progettazione, innalza la qualità dei prodotti finali e apre nuove opportunità di business per le aziende del mercato dei sistemi elettronici. Il suo risultato centrale è una piattaforma di facile utilizzo che riduce al minimo lo sforzo manuale, colmando il divario tra due mondi tradizionalmente separati: la microelettronica e l'AI.
Il nucleo tecnologico della piattaforma combina AI generativa e predittiva. Gli algoritmi generativi esplorano lo spazio di progettazione e sintetizzano automaticamente soluzioni ottimizzate, mentre i modelli predittivi affinano l'accuratezza e l'affidabilità delle previsioni di prestazione, riducendo insieme in modo sostanziale i tempi e i costi di sviluppo. Attorno a questo nucleo, AIDA fornisce software AI modulare per la progettazione e l'ottimizzazione, un'interfaccia intuitiva che rende le funzionalità avanzate accessibili anche a utenti non esperti, e dimostratori funzionanti che validano l'approccio in contesti reali automotive e IoT. Supportato da documentazione tecnica dettagliata e da linee guida operative, AIDA è pensato per accelerare l'adozione dell'AI nei settori della microelettronica, dell'automotive e dell'IoT.
AI generativaautomazione della progettazione elettronicaottimizzazione della progettazioneautomotiveIoTmicroelettronica
Verso un'Automazione dei Workflow Generalizzabile ed Estensibile per l'Elaborazione di Dati Multi-Sorgente
Autori Danial Soltanali Khalili, Alessio Viticchié, Felice Cetrone, Edoardo Patti, Alessandro Aliberti
Le moderne applicazioni data-driven richiedono soluzioni sempre più flessibili, scalabili e generalizzabili per gestire workflow complessi ed eterogenei. I tradizionali Workflow Management System (WMS) risultano spesso inadeguati in contesti dinamici e ad alto throughput a causa della loro dipendenza da configurazioni statiche e della limitata adattabilità.
Questo articolo introduce un framework modulare ed estensibile per la costruzione di pipeline di elaborazione dati dinamiche, in grado di integrare più fonti di dati e attività analitiche in evoluzione. Il sistema proposto impiega un'architettura a tre livelli per facilitare la costruzione, la validazione e il deployment delle pipeline attraverso componenti riutilizzabili e metadati standardizzati.
automazione dei workflowIoTGAIApipeline di datiframework modulare
Framework Avanzato di Attack Graph per la Tecnologia Operativa: Modellazione Scalabile, Validazione e Mitigazione del Rischio
Autori Alessio Viticchiè, Alberto Salvatore Colletto, Giulio Sunder, Cataldo Basile, Alessandro Aliberti
I sistemi di Tecnologia Operativa (OT) sono essenziali per i processi industriali, ma sono sempre più esposti a minacce informatiche a causa della loro integrazione con le reti IT. Questo articolo presenta un framework avanzato per la modellazione, l'analisi e la mitigazione dei rischi cyber in ambito OT, utilizzando grafi di attacco logici con una modellazione specifica per l'OT, che include protocolli, gerarchie dei dispositivi e dipendenze multi-livello.
Per migliorare la scalabilità, un nuovo algoritmo di pruning del grafo elimina dall'81% al 98% dei nodi ridondanti, riducendo la complessità pur preservando i percorsi di attacco critici. Inoltre, una pipeline di validazione automatizzata collega la modellazione teorica all'applicabilità nel mondo reale, perfezionando i grafi di attacco e fornendo indicazioni concrete di mitigazione.
Il design modulare e adattabile del framework garantisce che rimanga efficace in ambienti OT in continua evoluzione, affrontando le minacce emergenti con elevata resilienza. La validazione in scenari OT realistici ne conferma la scalabilità e l'efficacia, rendendolo una soluzione di cybersecurity pratica ed estensibile per proteggere le infrastrutture industriali e i processi critici dai rischi informatici avanzati.
OTattack graphcybersecurityscalabilitàmitigazione del rischio
Automazione Guidata dall'AI per la Digitalizzazione Industriale: un Framework Scalabile per la Network Discovery e il Deployment di Digital Twin
Autori Alessio Viticchié, Alberto Salvatore Colletto, Paolo Bonelli Bassano, Roberto Puntorieri, Alessandro Aliberti
La crescente complessità dei Sistemi di Controllo Industriale (ICS) e delle reti di Tecnologia Operativa (OT) presenta sfide significative nella network discovery, nella classificazione dei dispositivi e nell'inferenza causale dei processi. Le metodologie tradizionali, che dipendono da configurazioni manuali e approcci statici basati su regole, si rivelano spesso inadeguate in ambienti industriali dinamici a causa della loro limitata scalabilità e adattabilità.
Questo articolo introduce un framework agentico basato sull'AI progettato per automatizzare questi processi critici. Il sistema proposto impiega agenti AI autonomi per la scansione di rete in tempo reale, l'identificazione dei dispositivi tramite l'analisi dei pattern di comunicazione e l'inferenza delle dipendenze di processo.
AIOTICSdigital twinnetwork discoveryAI agentica
Sfruttare i Large Language Model per l'Analisi delle Configurazioni di Rete OT
Autori Alberto Salvatore Colletto, Mario Todaro, Alessio Viticchié, Alessandro Aliberti
Le reti di Tecnologia Operativa (OT) affrontano rischi di cybersecurity crescenti, eppure l'applicazione delle linee guida di best practice rimane difficile — in particolare in contesti con competenze limitate in materia di sicurezza informatica. Questo articolo propone un framework modulare che combina un Large Language Model (Llama3 8B Instruct), la ricerca semantica (FAISS) e un prompting strutturato per supportare l'analisi delle configurazioni OT.
Il sistema estrae le best practice da fonti autorevoli, genera template JSON standardizzati per la raccolta dati e si avvale di un assistente chatbot per la validazione della conformità e le indicazioni di mitigazione. I risultati sperimentali mostrano un'accuratezza moderata (60–66,67%), evidenziando sia il potenziale che i limiti attuali degli strumenti di sicurezza basati su LLM.
LLMOTcybersecurityFAISSLlama3analisi delle configurazioni
Un Framework Multi-Agente per la Simulazione di Rete Guidata dal Linguaggio Naturale
Autori Alberto Salvatore Colletto, Paolo Bonelli Bassano, Alessio Viticchié, Alessandro Aliberti
Questo articolo presenta un framework che combina large language model (LLM) con un sistema multi-agente (MAS) per automatizzare la traduzione di istruzioni in linguaggio naturale in simulazioni di rete eseguibili. Progettato per migliorare l'usabilità dei simulatori tradizionali, il sistema proposto consente agli utenti, indipendentemente dal background tecnico, di interagire con Mininet attraverso prompt in linguaggio intuitivo.
L'architettura MAS assegna compiti specifici agli agenti, tra cui il parsing dell'input, l'analisi della topologia, la generazione del codice, l'esecuzione e l'interpretazione dei risultati. Un modulo di retrieval-augmented generation (RAG) potenzia la comprensione contestuale accedendo a documentazione autorevole.
LLMmulti-agentesimulazione di reteRAGMininetNLP
Dai Dati Frammentati alle Conversazioni Intelligenti nelle Comunità Energetiche: l'Approccio GAIA per l'Integrazione IoT Cross-Domain
Autori Alessio Viticchié, Felice Cetrone, Roberto Puntorieri, Christian Camarda, Leonardo Napoli, Edoardo Patti, Alessandro Aliberti
Negli ecosistemi digitali moderni, la gestione di fonti di dati eterogenee rappresenta una sfida significativa, in particolare nelle Comunità Energetiche Rinnovabili (REC), dove più vettori energetici — come elettricità, riscaldamento e acqua — devono essere integrati senza soluzione di continuità. La meta-piattaforma GAIA affronta la persistente frammentazione degli ecosistemi IoT abilitando l'accesso federato, l'armonizzazione semantica e l'analisi cross-domain tra silos di dati eterogenei.
Progettata per supportare sia utenti esperti che non esperti, GAIA combina un'elaborazione dati modulare, un SDK Python e un agente conversazionale basato su AI (ovvero GAIA Chat) per facilitare un'interazione intuitiva con dataset multi-sorgente.
IoTcomunità energeticheGAIALLMcross-domainarmonizzazione semantica
Valutazione automatizzata basata su NLP delle configurazioni errate OT tramite mapping CWE e CVSS
Autori Mario Todaro, Alberto Salvatore Colletto, Alessio Viticchié, Alessandro Aliberti
Le configurazioni errate negli ambienti di Tecnologia Operativa (OT) rappresentano una fonte significativa di rischio informatico, causando spesso interruzioni critiche ai processi industriali. Tuttavia, l'assenza di metodologie standardizzate per quantificarne l'impatto ostacola una valutazione e una prioritizzazione efficaci del rischio. Questo studio propone un framework innovativo e completamente automatizzato che mappa le configurazioni errate sulla tassonomia Common Weakness Enumeration (CWE) attraverso tecniche di similarità semantica, impiegando modelli di sentence embedding allo stato dell'arte e metriche di similarità del coseno.
Il framework consente il calcolo di indicatori di rischio quantitativi collegando i CWE individuati alle relative Common Vulnerabilities and Exposures (CVE) e aggregandone i punteggi Common Vulnerability Scoring System (CVSS). Viene inoltre introdotto un ensemble a votazione di modelli linguistici pre-addestrati per migliorare la robustezza e l'accuratezza semantica. La validazione sperimentale dimostra una precisione superiore rispetto a baseline a modello singolo, confermando l'efficacia dell'approccio proposto.
NLPOTCWECVSScybersecurityconfigurazioni errate
COMPLAI - Next Generation EU — PNRR Partenariato Esteso SERICS - Spoke 3 "Attacchi e Difese"
Autori
COMPLAI è la piattaforma sviluppata da AlphaWaves per rivoluzionare la valutazione della conformità normativa nei sistemi di Tecnologia Operativa (OT). Il progetto integra tecnologie di Intelligenza Artificiale (AI) e Explainable AI (XAI) per analizzare la sicurezza e automatizzare la verifica della conformità a normative quali NIS2, DORA e il Cyber Resilience Act.
Attraverso strumenti avanzati di threat modeling e un motore di Compliance Scoring progettato su misura, COMPLAI consente il monitoraggio continuo delle infrastrutture industriali, identificando vulnerabilità, configurazioni errate e comportamenti ad alto rischio. La piattaforma si distingue per l'interfaccia intuitiva, l'architettura scalabile e l'approccio plug-and-play, che la rendono facilmente integrabile nei processi produttivi reali senza interrompere le operazioni.
PNRROTconformitàNIS2DORAAIXAISERICS
Sviluppo e Validazione di un Modello per la Classificazione dell'Ipossia negli Equipaggi Militari Utilizzando ECG e Temperatura Cutanea
Autori Maarten P.D. Schadd, Jan Ubbo van Baardewijk, Mattia Tachini Bojczuk, Alessandro Aliberti, Fred L. Vuik, Lotte Linssen, Kaj Gijsbertse, Mark M.J. Houben, Mario Arrigoni-Neri, Boris R.M. Kingma, Eugene P. van Someren
L'ipossia si verifica quando il sangue o i tessuti non ricevono ossigeno a sufficienza, rappresentando un rischio significativo per gli equipaggi militari che operano ad alta quota a causa della ridotta pressione atmosferica. Il pericolo risiede nei suoi sintomi subdoli — come il giudizio compromesso — spesso non notati fino a quando non si manifestano conseguenze gravi. Sebbene l'ipossia possa essere rilevata con metodi diretti (ad es. pulsossimetria), indiretti (ad es. PPG) o a livello tissutale (ad es. NIRS), questi risultano spesso poco pratici in ambito di volo a causa di artefatti da movimento, bassa perfusione o invasività. Questo studio si propone di sviluppare e validare internamente modelli di machine learning per classificare le condizioni di ipossia negli equipaggi militari utilizzando segnali di elettrocardiogramma (ECG) e temperatura cutanea, offrendo un approccio di monitoraggio non invasivo e in tempo reale.
ipossiaECGmachine learningmilitaresensori indossabiliclassificazione
ASTERIA - Next Generation EU — PNRR M4C2I2.3
Autori
ASTERIA è il nuovo progetto di AlphaWaves sviluppato nell'ambito dell'iniziativa CIM4.0, dedicato all'analisi e alla simulazione di infrastrutture industriali intelligenti. L'iniziativa mira a creare un ambiente virtuale avanzato per testare architetture di rete e tecnologie emergenti nel contesto dell'Industria 4.0, combinando approcci di modellazione, digital twin e machine learning. Il progetto rafforza le competenze di AlphaWaves nell'integrazione di dati eterogenei e nello sviluppo di soluzioni di simulazione plug-and-play, progettate per accelerare l'implementazione di sistemi industriali sicuri, resilienti e ad alte prestazioni. ASTERIA è concepito come un laboratorio digitale per l'innovazione nei processi produttivi, a supporto sia delle PMI che delle grandi imprese nella loro transizione verso la fabbrica del futuro.
PNRRIndustria 4.0digital twinmachine learningCIM4.0
Migliorare il Threat Modelling OT: un Approccio Efficace Basato su Regole per la Generazione di Attack Graph
Autori Giulio Sunder, Alberto Salvatore Colletto, Sara Raimondi, Cataldo Basile, Alessio Viticchié, Alessandro Aliberti
Nel mondo odierno guidato dai dati, l'interconnessione e l'automazione dei processi quotidiani sono diventate essenziali. Con la crescita della domanda di connettività Internet, cresce anche la necessità di solide misure di cybersecurity. La Tecnologia Operativa (OT), fondamentale nel controllo di infrastrutture critiche come centrali elettriche e sistemi di distribuzione idrica, rimane altamente vulnerabile.
Molti sistemi OT si affidano ancora agli 'air gap' per la sicurezza, una misura sempre più insufficiente man mano che un numero crescente di sistemi si connette a Internet per l'operatività da remoto e l'analisi dei dati. Questo articolo affronta la necessità critica di soluzioni di sicurezza OT avanzate introducendo uno strumento innovativo basato su sistemi intelligenti per il rilevamento efficace degli attacchi informatici.
Lo strumento automatizza la creazione di attack graph ed estrae i percorsi di attacco da un file JSON che descrive la rete OT. Sfruttando il motore di generazione di attack graph MulVAL, fornisce una visualizzazione completa dei potenziali vettori di attacco, potenziando la capacità di individuare e mitigare le minacce alla sicurezza negli ambienti OT.
OTattack graphthreat modellingMulVALcybersecurity
Meta-piattaforma GAIA: abilitare l'analisi dei dati multi-vettore energetico tramite federazione IoT
Autori A Viticchié, F Cetrone, C Camarda, V Vassallo, L Napoli, E Patti, A Aliberti
Nonostante la crisi ambientale globale con livelli record di CO2, un'azione climatica urgente è imperativa. Gli ambiziosi obiettivi UE di riduzione delle emissioni e il traguardo della neutralità climatica entro il 2050 sottolineano la gravità della situazione. Il caso studio italiano incontra difficoltà nell'allinearsi a questi obiettivi, richiedendo tagli significativi alle emissioni nonostante i progressi nelle energie rinnovabili e la riduzione dei consumi energetici. Le Comunità Energetiche Rinnovabili (REC) emergono come attori fondamentali, concentrandosi sulla produzione, il consumo e la gestione locale dell'energia elettrica.
La nostra ricerca introduce la metapiattaforma software federata GAIA, che affronta la mancanza di gestione multi-vettore energetico integrando diverse infrastrutture software IoT (Internet of Things). Semplifica lo sviluppo di servizi multi-vettore energetico amalgamando i dati provenienti da infrastrutture IoT federate a vettore singolo. GAIA mira a colmare il divario informativo su consumo delle risorse e interconnessioni, a beneficio dei cittadini delle REC e dei fornitori di servizi.
IoTcomunità energeticheGAIApiattaforma federataenergia rinnovabile
LORAWINE - NODES Cascade Grant (PNRR, D.D. n.1054 del 23 giugno 2022)
Autori
LORAWINE — Il Vino Si Fa in Vigna
Una piattaforma IoT per la tracciabilità precisa dell'intera filiera di produzione e trasformazione nel settore vitivinicolo.
PNRRNODESIoTagricolturavinotracciabilità
Analisi comparativa di tecniche di reti neurali per la previsione dei prezzi dei biglietti aerei
Autori A Aliberti, Y Xin, A Viticchié, E Macii, E Patti
Con la crescita del settore turistico, gli aerei sono diventati una scelta accessibile per viaggi di media e lunga distanza. Una previsione accurata dei prezzi dei biglietti aerei aiuta il settore aeronautico ad allineare domanda e offerta in modo flessibile e a ottimizzare le risorse. Le compagnie aeree utilizzano strategie di dynamic pricing per determinare il prezzo dei biglietti al fine di massimizzare i profitti.
Il nostro lavoro di ricerca fornisce un confronto sistematico tra vari metodi tradizionali di machine learning (Ridge Regression, Lasso Regression, K-Nearest Neighbor, Decision Tree, XGBoost, Random Forest) e metodi di deep learning (ad es. Fully Connected Networks, Convolutional Neural Networks, Transformer) per affrontare il problema della previsione delle tariffe aeree. Inoltre, abbiamo proposto innovative reti neurali bayesiane, che rappresentano il primo tentativo di sfruttare l'inferenza bayesiana per il task di previsione delle tariffe aeree.
reti neuraliprevisione tariffe aereedeep learningbayesianoforecasting
GAIA - NODES Cascade Grant (PNRR, D.D. n.1054 del 23 giugno 2022)
Autori
GAIA — Gestione Avanzata dell'Idrico e dell'energia nelle comunità Alpine
Una piattaforma per un accesso unificato e armonizzato ai dati multi-vettore, che abilita lo sviluppo di algoritmi AI/ML.
Il progetto GAIA mira a standardizzare il mondo IoT, fornendo uno strumento potente per descrivere le fonti di dati e accedervi in modo unificato, come se fossero un'unica fonte. L'attenzione è rivolta a un meta-linguaggio per descrivere i dati, accedervi e utilizzarli in metodologie avanzate di analisi dei dati.
PNRRNODESIoTenergiacomunità alpineAI/ML
PEARL - NODES Cascade Grant (PNRR, D.D. n.1054 del 23 giugno 2022)
Autori
Soluzione di cybersecurity per magazzini intelligenti distribuiti.
PNRRNODEScybersecuritymagazzino intelligentesistemi distribuiti
