La sicurezza dei data center parte dall’energia.
Più cresce la nostra dipendenza dai servizi digitali, più diventano strategiche la sicurezza e l’efficienza delle infrastrutture che li rendono possibili.
Pagamenti, servizi sanitari digitali, Pubblica Amministrazione e telecomunicazioni si basano su data center che elaborano e custodiscono enormi quantità di informazioni. Il funzionamento continuo dei server richiede però energia per l’elaborazione e per la gestione del calore prodotto.
Le organizzazioni devono quindi affrontare una doppia sfida, proteggere sistemi sempre più critici dalle minacce informatiche e contenere i consumi energetici, riducendo gli sprechi e l’impatto ambientale.
Molte soluzioni di sicurezza si basano su agenti installati nei server o sull’analisi delle informazioni gestite dai sistemi. Questi componenti possono utilizzare risorse di calcolo, incidere sui consumi e diventare un possibile punto di osservazione per malware capaci di agire a livelli profondi del sistema.
Osservare il comportamento elettrico della macchina, senza accedere ai dati che elabora.
Una sonda IoT viene applicata alla linea di alimentazione del server o del rack e misura parametri fisici della corrente, come potenza attiva, reattiva e apparente.
La sonda non legge i dati personali o aziendali trattati dal server. Il progetto adotta così un’impostazione orientata alla privacy by design, senza ispezionare i contenuti delle elaborazioni.
L’acquisizione e l’elaborazione dei segnali avvengono su hardware dedicato. Le risorse dei sistemi monitorati restano disponibili per i carichi di lavoro a cui sono destinate.
S4S sposta il monitoraggio dal software all’hardware; le variazioni della corrente diventano segnali da interpretare per riconoscere comportamenti anomali, senza dover accedere direttamente alle informazioni elaborate dalla macchina.
Due componenti coordinati per acquisire i segnali, analizzarli e rendere le informazioni disponibili agli operatori.
Progettata per l’installazione sul singolo server o sul rack, integra circuiteria dedicata ed elettronica di precisione. Le caratteristiche previste comprendono schermature per la compatibilità elettromagnetica, antenne microstrip e dissipazione del calore per convezione naturale, senza ventole.
La sonda opera come nodo di edge computing, acquisisce segnali elettrici ad alta frequenza ed esegue elaborazioni locali a bassa latenza.
Una centrale operativa accessibile via web e app mobile riceve i dati dalle sonde attraverso connessioni Wi-Fi, 4G o 5G, secondo una configurazione fault-tolerant.
Dashboard avanzate e notifiche automatiche aiutano gli operatori a seguire lo stato dell’infrastruttura. In caso di minaccia confermata, l’architettura prevede funzioni di remediation e integrazione con ambienti di virtualizzazione come VMware e KVM.
Un progetto che integra protezione, sostenibilità e autonomia tecnologica.
L’analisi dei segnali elettrici offre un punto di osservazione indipendente dal software del server e mira a individuare anomalie senza installare agenti interni o accedere ai dati trattati.
Il monitoraggio dei profili di consumo aiuta a riconoscere inefficienze e a individuare opportunità di ottimizzazione dei carichi, con attenzione ai consumi e agli indicatori di performance energetica.
Il progetto punta a sviluppare e mantenere all’interno della filiera europea componenti hardware, firmware, software e algoritmi, contribuendo a ridurre le dipendenze strategiche da fornitori extra-UE.
La convergenza tra fisica applicata, ingegneria elettronica, elaborazione dei segnali e Intelligenza Artificiale apre la strada a un monitoraggio non invasivo che mette in relazione cybersecurity, efficienza operativa e sostenibilità.
Ogni macchina presenta un profilo elettrico che può essere analizzato per individuare scostamenti rispetto al comportamento atteso.
Il progetto utilizza tecniche di elaborazione digitale dei segnali (DSP), filtri FIR e trasformata veloce di Fourier (FFT) per analizzare le caratteristiche del segnale e ricavarne un’impronta spettrale.
Modelli di Intelligenza Artificiale e Machine Learning eseguiti direttamente sulla
sonda confrontano l’impronta rilevata con quella nominale. L’obiettivo è riconoscere
variazioni potenzialmente associate a minacce informatiche, inefficienze operative
o anomalie fisiche.
Gli scostamenti non riconosciuti possono essere inviati alla piattaforma centralizzata per alimentare un processo di ri-addestramento e aggiornamento del repository delle impronte spettrali. Il progetto prevede inoltre l’integrazione con strumenti di Threat Intelligence e l’attivazione di procedure di risposta in caso di minaccia confermata.
Il progetto mira a rilevare anomalie compatibili con attività quali ransomware, attacchi DoS/DDoS, trojan e minacce zero-day che possono modificare i profili di consumo di CPU e memoria.
Scostamenti nei consumi possono evidenziare sovra-utilizzo, sotto-utilizzo, picchi anomali dovuti a loop software o macchine che assorbono energia senza produrre lavoro utile.
Le micro-variazioni elettriche possono contribuire a individuare anomalie negli alimentatori o nei componenti fisici, favorendo strategie di manutenzione predittiva.
Dalla ricerca alla validazione in contesti operativi reali, per portare l’ecosistema S4S verso la maturità industriale. Il risultato atteso è il raggiungimento del livello TRL 9, corrispondente a un sistema validato in contesti operativi reali e pronto per la commercializzazione su larga scala. Le innovazioni previste nell’hardware della sonda e nei processi di analisi possono inoltre costituire la base per il deposito di brevetti industriali.
Studio e definizione dei principi tecnologici, dei segnali da analizzare e dell’architettura di riferimento per la soluzione.
Realizzazione e affinamento dei componenti hardware e software, degli algoritmi di analisi e delle funzionalità della piattaforma.
Verifica dell’ecosistema integrato e validazione della tecnologia in condizioni operative, in vista della sua industrializzazione.