論文の概要: Case Study-Based Approach of Quantum Machine Learning in Cybersecurity:
Quantum Support Vector Machine for Malware Classification and Protection
- arxiv url: http://arxiv.org/abs/2306.00284v1
- Date: Thu, 1 Jun 2023 02:04:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 18:40:06.207541
- Title: Case Study-Based Approach of Quantum Machine Learning in Cybersecurity:
Quantum Support Vector Machine for Malware Classification and Protection
- Title(参考訳): サイバーセキュリティにおける量子機械学習の事例研究--マルウェア分類と保護のための量子支援ベクトルマシン
- Authors: Mst Shapna Akter, Hossain Shahriar, Sheikh Iqbal Ahamed, Kishor Datta
Gupta, Muhammad Rahman, Atef Mohamed, Mohammad Rahman, Akond Rahman, Fan Wu
- Abstract要約: 各種サイバーセキュリティトピックをカバーするQMLベースの学習モジュールを設計・開発する。
本稿では,マルウェアの分類と保護に量子支援ベクトルマシン(QSVM)を用いる。
我々はQSVMモデルを実証し、マルウェアの分類と保護において95%の精度を達成する。
- 参考スコア(独自算出の注目度): 8.34729912896717
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantum machine learning (QML) is an emerging field of research that
leverages quantum computing to improve the classical machine learning approach
to solve complex real world problems. QML has the potential to address
cybersecurity related challenges. Considering the novelty and complex
architecture of QML, resources are not yet explicitly available that can pave
cybersecurity learners to instill efficient knowledge of this emerging
technology. In this research, we design and develop QML-based ten learning
modules covering various cybersecurity topics by adopting student centering
case-study based learning approach. We apply one subtopic of QML on a
cybersecurity topic comprised of pre-lab, lab, and post-lab activities towards
providing learners with hands-on QML experiences in solving real-world security
problems. In order to engage and motivate students in a learning environment
that encourages all students to learn, pre-lab offers a brief introduction to
both the QML subtopic and cybersecurity problem. In this paper, we utilize
quantum support vector machine (QSVM) for malware classification and protection
where we use open source Pennylane QML framework on the drebin215 dataset. We
demonstrate our QSVM model and achieve an accuracy of 95% in malware
classification and protection. We will develop all the modules and introduce
them to the cybersecurity community in the coming days.
- Abstract(参考訳): 量子機械学習(QML)は、量子コンピューティングを利用して従来の機械学習アプローチを改善し、複雑な現実世界の問題を解決する研究分野である。
QMLは、サイバーセキュリティ関連の課題に対処する可能性がある。
QMLの斬新で複雑なアーキテクチャを考えると、サイバーセキュリティ学習者にこの新興技術の効率的な知識を浸透させるリソースは、まだ明らかではない。
本研究では,学習者中心のケーススタディに基づく学習アプローチを採用することで,様々なサイバーセキュリティトピックをカバーするQMLベースの学習モジュールを設計・開発する。
我々は、QMLの1つのサブトピックを、プレラボ、ラボ、ポストラボの活動からなるサイバーセキュリティトピックに適用し、現実世界のセキュリティ問題を解決するためのQML体験を学習者に提供します。
すべての生徒に学習を促す学習環境に学生を参加させ、動機づけるために、Pre-labはQMLのサブトピックとサイバーセキュリティの問題を簡潔に紹介する。
本稿では,drebin215データセット上のオープンソースのPennylane QMLフレームワークを用いて,マルウェアの分類と保護に量子支援ベクトルマシン(QSVM)を用いる。
我々はQSVMモデルを実証し、マルウェアの分類と保護において95%の精度を達成する。
すべてのモジュールを開発し、今後数日のうちにサイバーセキュリティコミュニティに導入する予定です。
関連論文リスト
- The WMDP Benchmark: Measuring and Reducing Malicious Use With Unlearning [88.26832208495078]
ホワイトハウス人工知能に関する大統領令は、生物、サイバー、化学兵器の開発において悪意あるアクターに力を与える大きな言語モデル(LLM)のリスクを強調している。
現在の評価は非公開であり、リスク軽減のさらなる研究を妨げている。
Weapons of Mass Destruction Proxyベンチマークを公開しています。
論文 参考訳(メタデータ) (2024-03-05T18:59:35Z) - Predominant Aspects on Security for Quantum Machine Learning: Literature
Review [0.0]
量子機械学習(Quantum Machine Learning, QML)は、量子コンピューティングと古典的な機械学習の有望な交わりとして登場した。
本稿では,セキュリティ上の懸念と強みがQMLとどのように結びついているのかを,系統的な文献レビューを用いて論じる。
論文 参考訳(メタデータ) (2024-01-15T15:35:43Z) - Foundations of Quantum Federated Learning Over Classical and Quantum
Networks [59.121263013213756]
量子フェデレーション学習(QFL)は、古典的フェデレーション学習(FL)の利点と量子技術の計算能力を統合する新しいフレームワークである。
QFLは古典的通信網と量子的通信網の両方に展開できる。
論文 参考訳(メタデータ) (2023-10-23T02:56:00Z) - A Survey on Quantum Machine Learning: Current Trends, Challenges,
Opportunities, and the Road Ahead [6.14975265413396]
量子コンピューティング(QC)は、古典的な計算に比べて複雑な問題を解く効率を改善すると主張している。
QCは機械学習(ML)アプリケーションに適用され、量子機械学習(QML)システムを形成する。
我々は、異なるQMLアルゴリズムとそのドメイン適用性、量子データセット、ハードウェア技術、ソフトウェアツール、シミュレータ、アプリケーションについて議論する。
論文 参考訳(メタデータ) (2023-10-16T11:52:54Z) - QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。
量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。
4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
論文 参考訳(メタデータ) (2023-08-25T15:08:19Z) - Towards Quantum Federated Learning [64.87496003036999]
量子フェデレートラーニング(Quantum Federated Learning)は、学習プロセスにおけるプライバシ、セキュリティ、効率性の向上を目的とする。
我々は、QFLの原則、技術、および新しい応用について、包括的に理解することを目指している。
QFLの分野が進むにつれ、様々な産業でさらなるブレークスルーや応用が期待できる。
論文 参考訳(メタデータ) (2023-06-16T15:40:21Z) - Towards Developing Safety Assurance Cases for Learning-Enabled Medical
Cyber-Physical Systems [3.098385261166847]
我々は、学習可能なMCPSにおける機械学習コントローラの安全性保証ケースを開発する。
我々は,人工膵システムにおける予測のためのディープニューラルネットワークを実装することで,詳細な解析を行う。
本稿では,MLデータの妥当性を確認し,形式的検証を用いてMLに基づく予測の正しさを解析する。
論文 参考訳(メタデータ) (2022-11-23T22:43:48Z) - Machine Learning with Confidential Computing: A Systematization of
Knowledge [5.457279006229211]
機械学習(ML)におけるプライバシとセキュリティの課題は、MLの広範な開発と、最近の大規模な攻撃面のデモとともに、ますます深刻になっている。
成熟したシステム指向のアプローチとして、Confidential Computingは、さまざまなMLシナリオにおけるプライバシとセキュリティの問題を軽減するために、学術と産業の両方で使用されている。
機密性保証とii)整合性保証を提供する機密コンピューティング支援ML技術に関する先行研究を体系化し、それらの高度な特徴と欠点について論じる。
論文 参考訳(メタデータ) (2022-08-22T08:23:53Z) - Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。
機械学習の観点からQGLMの現状を概観する。
従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
論文 参考訳(メタデータ) (2022-06-07T07:32:57Z) - Security Aspects of Quantum Machine Learning: Opportunities, Threats and
Defenses [5.444459446244819]
量子機械学習(QML)は、高次元ヒルベルト空間を利用して、限られたデータからよりリッチな表現を学習することができる。
ハードウェアセキュリティ領域におけるQMLの今後の可能性について検討する。
我々は、QMLおよび新興攻撃モデルのセキュリティ脆弱性を暴露し、対応する対策を講じる。
論文 参考訳(メタデータ) (2022-04-07T17:44:22Z) - Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。
我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。
我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
論文 参考訳(メタデータ) (2020-10-19T13:09:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。