Un test comune per le celle solari da interni, l'IoT satellitare misurato sul campo e le SIM come vettore di attacco: rassegna della ricerca, ottobre 2026

Questa è la prima rassegna mensile della ricerca: sei lavori recenti sull’Internet of Things, dall’energy harvesting alla connettività satellitare fino alla sicurezza, spiegati per ingegneri e responsabili tecnici. Ogni sezione rimanda all’articolo o alla sua pagina ufficiale, e l’etichetta di stato di ciascun lavoro indica se è stato sottoposto a revisione paritaria (peer review), se è un preprint o se è un progetto finanziato. Questo mese tutti e sei sono peer reviewed.

Un metodo comune per provare le celle solari da interni

Una dichiarazione di consenso (consensus statement) coordinata dal Centre for Hybrid and Organic Solar Energy dell’Università di Roma Tor Vergata è stata pubblicata su Nature Energy il 18 agosto (articolo). I suoi 73 autori provengono da più di 60 istituzioni e aziende, tra cui l’Istituto di Struttura della Materia del CNR e l’ENEA. Gli autori propongono buone pratiche per misurare le prestazioni delle celle fotovoltaiche sotto illuminazione da interni e una base di riferimento per provarne la stabilità. La procedura parte dalla raccomandazione di un’unica sorgente di luce artificiale di riferimento, poi descrive passo per passo come configurare il sistema di misura ed eseguire misure e prove, il tutto condensato in tre checklist. Le raccomandazioni si basano su dati sperimentali, specifiche degli standard, banche dati sull’illuminazione e normative.

Perché conta: La luce degli ambienti interni è una delle fonti più pratiche per l’energy harvesting in uno smart building, dove i sensori restano sotto le stesse lampade per anni. Oggi i valori di efficienza in interni sono difficili da confrontare, perché i laboratori usano lampade, spettri e livelli di luce diversi. Un protocollo condiviso permette a un team hardware di confrontare le celle a parità di condizioni e di dimensionare un harvester sul budget energetico reale di un sensore, che decide se un dispositivo può fare a meno della batteria a bottone o solo allungare la propria autonomia.

Limiti: Si tratta di un metodo di misura, non di una nuova cella, quindi non dice nulla su quanta potenza fornirà un dato prodotto in una data stanza. Secondo l’annuncio dei coordinatori, il protocollo è pensato come base di riferimento, e le condizioni più complesse, come la luce diurna che entra dalle finestre, sono lasciate a lavori futuri.

Occhiali che alimentano da soli i propri sensori

Ricercatori della Northwestern University hanno presentato GlassTENG all’ACM International Symposium on Wearable Computers, parte di UbiComp/ISWC 2026, con l’articolo pubblicato il 10 ottobre (articolo). Hanno integrato tre nanogeneratori triboelettrici nella montatura di un paio di occhiali: sul ponte nasale sopra l’arteria angolare, su un’asta prolungata sopra l’arteria temporale superficiale e alla tempia sopra il muscolo temporale. Ogni sensore converte il movimento meccanico in un segnale elettrico, e il front end analogico assorbe 1,36 µW per sensore. La montatura rileva le forme d’onda del polso, l’attività della mandibola, come serrare i denti, picchiettarli e mangiare, e i movimenti della parte superiore del viso, come sbattere le palpebre e alzare le sopracciglia. In uno studio con 20 partecipanti, il sistema ha classificato sei attività con un’accuratezza del 93,8% e ha stimato la frequenza cardiaca con un errore assoluto medio di 1,82 battiti al minuto rispetto a una fascia toracica.

Perché conta: In un wearable, la batteria determina le dimensioni, il peso e quanto spesso le persone si tolgono il dispositivo. Un sensore che genera da solo il proprio segnale sposta quasi tutto il budget energetico sulla radio e sul processore.

Limiti: Il dato in microwatt riguarda il front end analogico, non la radio e l’elaborazione necessarie per trasferire i dati fuori dagli occhiali. I risultati vengono da uno studio su 20 persone e sei attività, e gli autori presentano il lavoro come un passo verso l’uso prolungato nel tempo, non come un’installazione di lunga durata già provata.

Un sensore che impara sul dispositivo in 32 kB

Il Politecnico di Torino, con due coautori di STMicroelectronics, ha descritto MAUPITI su IEEE Embedded Systems Letters, pubblicato in early access il 6 agosto (articolo). Il sensore a infrarossi intelligente combina una matrice di 16 per 16 pixel MOSFET termici (TMOS) con un microcontrollore RISC-V esteso con istruzioni SIMD a bassa precisione, e riconosce pose e gesti con meno di 32 kB di memoria on-chip e circa 1,5 mW. Per evitare il costo in memoria della backpropagation e dei replay buffer, un piccolo encoder convoluzionale viene addestrato e quantizzato offline, mentre i prototipi di classe di un classificatore nearest-class-mean vengono memorizzati e aggiornati sul dispositivo man mano che arrivano i dati. Su due dataset l’accuratezza è risultata pari a quella di un classificatore convenzionale, e la classificazione insieme all’aggiornamento dei prototipi ha aggiunto meno dello 0,29% di latenza. Gli autori hanno anche pubblicato la versione accettata su arXiv.

Perché conta: Le matrici termiche a bassa risoluzione rilevano le persone senza catturarne il volto. La maggior parte dei dispositivi TinyML esegue solo l’inferenza con un modello congelato in fabbrica; questo progetto permette a un sensore di aggiungere un gesto o di adattarsi a una nuova stanza senza inviare dati fuori dal dispositivo e senza la memoria che un addestramento completo richiede. La guida TinyML: machine learning sui microcontrollori descrive i vincoli che questi progetti aggirano.

Limiti: Sul dispositivo si adattano solo i prototipi; l’encoder è fisso, quindi l’adattamento è limitato da ciò che le feature addestrate offline riescono a rappresentare. L’articolo riporta risultati su due dataset, e l’abstract non descrive alcuna installazione sul campo.

L’IoT satellitare misurato su una rete reale

Un gruppo della Hong Kong Polytechnic University, della Shanghai Jiao Tong University e della Hong Kong University of Science and Technology ha presentato ad ACM SIGCOMM 2026, con pubblicazione l’11 agosto (articolo), quella che definisce la prima misura su larga scala, sul campo, dell’IoT con collegamento diretto al satellite, condotta su una delle più grandi reti IoT satellitari operative. Gli autori riportano che la capacità non è il problema più urgente. A frenare il servizio sono invece il throughput basso, le latenze molto lunghe nella coda della distribuzione (long tail) e la scarsa sostenibilità energetica, che gli autori riconducono a scelte di architettura e di protocollo. Propongono tre modifiche applicabili senza stravolgere il sistema esistente (drop-in): un’affidabilità basata su conferme negative (negative acknowledgement), un controllo di flusso per ridurre i ritardi lunghi e una gestione più fine della sospensione (sleep). Nelle prove su testbed e in produzione reale, il protocollo riprogettato ha fornito un throughput 2,1 volte superiore, il 52% in meno di latenze di coda lunga e il 38% di energia in meno.

Perché conta: L’IoT satellitare viene presentato come il modo per raggiungere gli asset oltre la copertura delle LPWAN terrestri. Per un tracker a batteria, l’energia spesa ad aspettare il passaggio di un satellite e a ritrasmettere conta più del numero di dispositivi che un satellite può servire, e la coda della distribuzione della latenza decide se un allarme arriva in tempo. Correzioni di protocollo come queste potrebbero arrivare ai dispositivi con aggiornamenti software invece che con nuovo hardware. La nostra panoramica sulla connettività mette il satellite accanto alle opzioni terrestri.

Limiti: Le misure vengono da un’unica rete operativa, che l’abstract non nomina, quindi i risultati potrebbero non valere per ogni architettura di IoT satellitare. I miglioramenti richiedono che l’operatore e i produttori dei dispositivi adottino le modifiche.

Il tessuto del corpo come rete

Ricercatori del Georgia Institute of Technology, con colleghi del MIT e della Emory University School of Medicine, hanno descritto su Science il 24 settembre (articolo) una piattaforma di comunicazione che usa i tessuti come mezzo conduttivo tra impianti e wearable. I dispositivi emettono campi elettrici transitori, e un dispositivo ricevente si attiva solo quando riceve impulsi che accendono il suo specifico circuito a transistor. I segnali hanno attraversato la pelle, lo spazio sottocutaneo, la cavità addominale e l’intestino. Gli impianti si possono iniettare con una siringa e consumano una potenza trascurabile mentre sono in ascolto, e gli autori riportano una copertura dei tessuti oltre dieci volte superiore a quella del Bluetooth. Nei ratti, reti di sensori e interfacce neurali hanno permesso il controllo wireless di due arti; secondo l’annuncio del Georgia Tech, un sensore che rilevava il movimento della zampa anteriore ha attivato la stimolazione di un muscolo della zampa posteriore.

Perché conta: È una rete di risveglio (wake-up) con un costo in standby quasi nullo, lo stesso schema che i progettisti IoT usano quando un nodo resta in sospensione finché non arriva un segnale radio di attivazione. Per l’IoT medicale, apre la strada a terapie ad anello chiuso in cui un sensore può azionare un attuatore in un’altra parte del corpo senza uno smartphone o un collegamento Bluetooth Low Energy nel circuito. La guida L’IoT nella sanità spiega dove si collocherebbero dispositivi di questo tipo.

Limiti: I risultati in vivo riguardano i ratti, e il Georgia Tech precisa che l’uso terapeutico sull’uomo non è stato dimostrato. Il sistema è pensato per brevi messaggi di attivazione, non per lo streaming di dati.

Quando la SIM attacca il modem

Ricercatori della University of Birmingham e dell’azienda di sicurezza Fuzzware hanno presentato CATana alla USENIX WOOT Conference on Offensive Technologies, che si è tenuta il 10 e l’11 agosto a Baltimora insieme a USENIX Security (articolo). Hanno studiato RUN AT, un comando proattivo che permette a una SIM di chiedere al modem del dispositivo di eseguire un comando AT. Con il loro toolkit CATana hanno esaminato 26 dispositivi (8 dispositivi IoT e 18 smartphone) e hanno scoperto che 9 espongono questa interfaccia tra SIM e comandi AT, il che ha portato a 4 vulnerabilità. I casi di studio mostrano esecuzione di comandi, lettura di file arbitrari, downgrade forzati al 2G e denial of service. Secondo l’annuncio dell’università, tra i moduli provati ce ne sono alcuni usati nelle colonnine di ricarica per veicoli elettrici, il gruppo ha informato la GSMA e i fornitori coinvolti, e i principali produttori hanno rilasciato aggiornamenti e configurazioni con un hardening più rigoroso.

Perché conta: Nell’IoT cellulare la SIM è di solito considerata una parte fidata del dispositivo. Questo lavoro mostra che va inclusa nella superficie di attacco, tanto più che la gestione remota delle eSIM e le lunghe catene di fornitura aumentano i modi in cui un profilo o una scheda ostile può raggiungere una flotta. I team che usano un modulo IoT possono chiedere al fornitore se RUN AT è abilitato e mantenere aggiornato il firmware del modulo. Per il modello di minaccia più ampio, vedi Fondamenti di sicurezza IoT.

Limiti: Un attaccante deve prima disporre di una SIM malevola o del controllo del software della SIM, il che richiede accesso fisico, un operatore compromesso o una manomissione lungo la catena di fornitura. L’indagine copre 26 dispositivi, e l’abstract non dice quali prodotti siano risultati vulnerabili o siano stati corretti.

Come scegliamo ed etichettiamo la ricerca

Selezioniamo lavori recenti sull’Internet of Things da riviste, conferenze, server di preprint e progetti finanziati dall’UE, li riassumiamo a partire dall’articolo o dal suo abstract e dagli annunci ufficiali, e colleghiamo la fonte. Gli articoli citati mantengono il titolo originale in inglese. I preprint sono indicati come non ancora sottoposti a peer review, e non svolgiamo noi stessi alcuna revisione paritaria. Per segnalare un errore, consulta la nostra politica editoriale, che descrive come vengono fatte le correzioni.

Argomenti: ricerca, energy harvesting, TinyML, IoT satellitare, sicurezza IoT, wearable