Integrazione di strategie di Continual Learning e Machine Unlearning per la mitigazione del concept drift in ML-NIDS

I sistemi di Network Intrusion Detection basati su Machine Learning (ML-NIDS) soffrono di un rapido decadimento prestazionale dovuto alla natura non stazionaria del traffico di rete e al fenomeno del concept drift. In questo lavoro viene presentato un framework originale volto a garantire la resilienza e la scalabilità dei modelli ML-NIDS nel lungo periodo. L'approccio proposto integra metodologie di Continual Learning per l'acquisizione continua di nuove minacce senza incorrere nel catastrophic forgetting. Parallelamente, viene introdotta una tecnica di Machine Unlearning per la rimozione sistematica di dati obsoleti o inquinati, ottimizzando l'ingombro computazionale e preservando le prestazioni del sistema.