論文の概要: Enabling Quantum Cybersecurity Analytics in Botnet Detection: Stable
Architecture and Speed-up through Tree Algorithms
- arxiv url: http://arxiv.org/abs/2306.13727v4
- Date: Mon, 31 Jul 2023 18:25:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-02 17:17:28.634066
- Title: Enabling Quantum Cybersecurity Analytics in Botnet Detection: Stable
Architecture and Speed-up through Tree Algorithms
- Title（参考訳）: ボットネット検出における量子サイバーセキュリティ分析の活用:ツリーアルゴリズムによる安定したアーキテクチャとスピードアップ
- Authors: Madjid Tehrani, Eldar Sultanow, William J Buchanan, Malik Amir, Anja
Jeschke, Raymond Chow, Mouad Lemoudden
- Abstract要約: 我々は,100個のデータサンプルと5,000個のデータサンプルを用いた実デバイスシミュレーションを用いて,実量子コンピュータ上でのハイブリッド機械学習手法の実行を可能にする。
我々は,データサンプル1000件と量子シミュレータのみを処理していた2022年のSuryotrisongko と Musashi の精度を上回りました。
我々はHoeffding決定木アルゴリズムに基づく新しいハイブリッド量子二項分類アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For the first time, we enable the execution of hybrid machine learning
methods on real quantum computers with 100 data samples and real-device-based
simulations with 5,000 data samples, thereby outperforming the current state of
research of Suryotrisongko and Musashi from 2022 who were dealing with 1,000
data samples and quantum simulators (pure software-based emulators) only.
Additionally, we beat their reported accuracy of $76.8\%$ by an average
accuracy of $91.2\%$, all within a total execution time of 1,687 seconds. We
achieve this significant progress through two-step strategy: Firstly, we
establish a stable quantum architecture that enables us to execute HQML
algorithms on real quantum devices. Secondly, we introduce new hybrid quantum
binary classification algorithms based on Hoeffding decision tree algorithms.
These algorithms speed up the process via batch-wise execution, reducing the
number of shots required on real quantum devices compared to conventional
loop-based optimizers. Their incremental nature serves the purpose of online
large-scale data streaming for DGA botnet detection, and allows us to apply
hybrid quantum machine learning to the field of cybersecurity analytics. We
conduct our experiments using the Qiskit library with the Aer quantum
simulator, and on three different real quantum devices from Azure Quantum:
IonQ, Rigetti, and Quantinuum. This is the first time these tools are combined
in this manner.
- Abstract（参考訳）: 本研究では,100個のデータサンプルと5,000個のデータサンプルを持つ実量子コンピュータ上でのハイブリッド機械学習手法の実行を初めて可能とし,1000個のデータサンプルと量子シミュレータ(純粋なソフトウェアベースのエミュレータ)のみを扱う2022年の研究状況よりも優れていた。
さらに、報告された7.8.%$を平均91.2.%$で上回り、総実行時間は1,687秒でした。
まず、実際の量子デバイス上でHQMLアルゴリズムを実行できる安定した量子アーキテクチャを構築します。
次に,hoeffding decision treeアルゴリズムに基づく新しいハイブリッド量子二分分類アルゴリズムを提案する。
これらのアルゴリズムはバッチ実行によってプロセスを高速化し、実際の量子デバイスに必要なショット数を従来のループベースのオプティマイザと比較して削減する。
彼らのインクリメンタルな性質は、DGAボットネット検出のためのオンライン大規模データストリーミングの目的に役立ち、サイバーセキュリティ分析の分野にハイブリッド量子機械学習を適用することができる。
我々は,Aer量子シミュレータを用いたQiskitライブラリと,Azure QuantumのIonQ,Rigetti,Quantinuumの3種類の実量子デバイスを用いた実験を行った。
このようなツールが組み合わされるのは,これが初めてです。
関連論文リスト
- Supervised binary classification of small-scale digits images with a trapped-ion quantum processor [56.089799129458875]
量子プロセッサは、考慮された基本的な分類タスクを正しく解くことができることを示す。
量子プロセッサの能力が向上するにつれ、機械学習の有用なツールになり得る。
論文 参考訳（メタデータ） (2024-06-17T18:20:51Z) - Data augmentation experiments with style-based quantum generative adversarial networks on trapped-ion and superconducting-qubit technologies [0.0]
この研究は、初めて、スタイルベースの量子生成逆数ネットワーク(qGAN)の量子ジェネレータアーキテクチャをどのように実装できるかを実証する。
2022年に提案されたスタイルベースのqGANは、qGANのための技術の現状を一般化し、浅い深度ネットワークを可能にする。
両デバイスで得られた結果は同等の品質であり、ia-1デバイスはibm_torinoデバイスよりもかなり正確な結果をもたらす。
論文 参考訳（メタデータ） (2024-05-07T15:26:51Z) - Quantum Subroutine for Variance Estimation: Algorithmic Design and Applications [80.04533958880862]
量子コンピューティングは、アルゴリズムを設計する新しい方法の基礎となる。
どの場の量子スピードアップが達成できるかという新たな課題が生じる。
量子サブルーチンの設計は、従来のサブルーチンよりも効率的で、新しい強力な量子アルゴリズムに固い柱を向ける。
論文 参考訳（メタデータ） (2024-02-26T09:32:07Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳（メタデータ） (2024-02-23T14:09:41Z) - QuantumSEA: In-Time Sparse Exploration for Noise Adaptive Quantum
Circuits [82.50620782471485]
QuantumSEAはノイズ適応型量子回路のインタイムスパース探索である。
1)トレーニング中の暗黙の回路容量と(2)雑音の頑健さの2つの主要な目標を達成することを目的としている。
提案手法は, 量子ゲート数の半減と回路実行の2倍の時間節約で, 最先端の計算結果を確立する。
論文 参考訳（メタデータ） (2024-01-10T22:33:00Z) - Rapid cryogenic characterisation of 1024 integrated silicon quantum dots [0.6819010383838326]
1024個のシリコン量子ドットとオンチップのデジタルおよびアナログエレクトロニクスの統合を実証し、1K以下で動作した。
量子ドットパラメータは、高速自動機械学習ルーチンによって抽出され、量子ドットの収量を評価し、デバイス設計の影響を理解する。
その結果、シリコン量子デバイスの高速な大規模研究が、現在の探査技術よりも低い温度と測定速度で実施できることが示されている。
論文 参考訳（メタデータ） (2023-10-31T13:14:43Z) - A Model for Circuit Execution Runtime And Its Implications for Quantum
Kernels At Practical Data Set Sizes [0.5906031288935515]
本稿では,量子回路に要する総回路実行時間に関するモデルを提案する。
また、「回路の量子体積層の有効数」の概念も導入する。
現在の量子コンピュータの速度で、我々のモデルはデータセットを数時間で処理できると予測している。
論文 参考訳（メタデータ） (2023-07-11T02:38:22Z) - Quantum Clustering with k-Means: a Hybrid Approach [117.4705494502186]
我々は3つのハイブリッド量子k-Meansアルゴリズムを設計、実装、評価する。
我々は距離の計算を高速化するために量子現象を利用する。
我々は、我々のハイブリッド量子k-平均アルゴリズムが古典的バージョンよりも効率的であることを示す。
論文 参考訳（メタデータ） (2022-12-13T16:04:16Z) - Iterative Qubits Management for Quantum Index Searching in a Hybrid
System [56.39703478198019]
IQuCSは、量子古典ハイブリッドシステムにおけるインデックス検索とカウントを目的としている。
我々はQiskitでIQuCSを実装し、集中的な実験を行う。
その結果、量子ビットの消費を最大66.2%削減できることが示されている。
論文 参考訳（メタデータ） (2022-09-22T21:54:28Z) - Quantum Support Vector Machines for Continuum Suppression in B Meson
Decays [0.27342795342528275]
古典的データを量子状態に変換するプロセスである異なる量子符号化回路が最終分類性能に与える影響について検討する。
本稿では、量子回路シミュレーションを用いて、0.848のAUC(Area Under Receiver Operating Characteristics Curve)の符号化手法を提案する。
データセットの縮小バージョンを使用して、IBM Quantum ibmq_casablancaデバイス上でアルゴリズムを実行し、平均AUCは0.703に達した。
論文 参考訳（メタデータ） (2021-03-23T02:09:05Z) - A Hybrid System for Learning Classical Data in Quantum States [13.900722734372254]
我々は、量子状態を通して古典的なデータを学習するためのハイブリッドで汎用的な量子フレームワークGenQuを提案する。
我々は、実際のデータセットを用いてGenQuを評価し、シミュレーションと実量子コンピュータIBM-Qの両方で実験を行う。
論文 参考訳（メタデータ） (2020-12-01T04:17:33Z)
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。