GreenShieldX è un progetto di Ricerca e Sviluppo promosso da Mashfrog Group per realizzare una piattaforma e una nuova linea di servizio Security Operations Center secondo un modello platform + service. L’obiettivo è sviluppare un SOC AI-native capace di supportare il rilevamento e la correlazione delle minacce, l’orchestrazione della risposta e il lavoro degli analisti attraverso decisioni più comprensibili, verificabili e tracciabili.
Il progetto affronta il ciclo operativo della sicurezza in modo integrato. I segnali provenienti dai sistemi monitorati vengono analizzati attraverso modelli di intelligenza artificiale e meccanismi di correlazione semantica, così da ricostruire relazioni tra eventi, asset e comportamenti potenzialmente anomali e fornire al SOC un contesto più ricco rispetto alla semplice gestione di alert isolati.
Una parte centrale della ricerca riguarda l’applicazione di modelli avanzati, tra cui Graph Neural Network, architetture LSTM e Transformer, insieme a Knowledge Graph e tecniche di rappresentazione semantica. Questi approcci sono studiati per migliorare la capacità di individuare pattern complessi e mettere in relazione informazioni distribuite tra sorgenti differenti.
GreenShieldX estende l’automazione anche alla risposta agli incidenti. L’orchestrazione è progettata per ridurre le attività manuali ripetitive e abbreviare il tempo tra identificazione della minaccia e azione, mantenendo il coinvolgimento dell’analista nei passaggi che richiedono validazione, valutazione del rischio o autorizzazione.
La spiegabilità è trattata come un requisito operativo. In un Security Operations Center non è sufficiente che un modello produca un risultato: analisti, responsabili della sicurezza e funzioni di compliance devono poter ricostruire le evidenze e le motivazioni che hanno portato a una classificazione o a una raccomandazione. Per questo il progetto sviluppa un layer di Explainable AI e Knowledge Interface orientato a rendere le decisioni supportate dall’AI maggiormente verificabili.
Accanto alle prestazioni di sicurezza, il progetto considera l’efficienza computazionale dei modelli. Tecniche di Frugal AI come pruning, quantizzazione e distillazione vengono studiate insieme a metriche performance-per-watt e carbon footprint, con l’obiettivo di contenere il consumo di risorse senza separare questo tema dalla progettazione complessiva della piattaforma.
