論文の概要: Quantum Machine Learning Approaches for Coordinated Stealth Attack Detection in Distributed Generation Systems

• arxiv url: http://arxiv.org/abs/2601.00873v1
• Date: Tue, 30 Dec 2025 18:32:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.814399
• Title: Quantum Machine Learning Approaches for Coordinated Stealth Attack Detection in Distributed Generation Systems
• Title（参考訳）: 分散型システムにおける協調ステルス攻撃検出のための量子機械学習手法
• Authors: Osasumwen Cedric Ogiesoba-Eguakun, Suman Rath,
• Abstract要約: コーディネートステルス攻撃は、分散型システムにとって深刻なサイバーセキュリティの脅威である。 本研究では,マイクログリッドにおける分散生成ユニットにおける協調ステルス攻撃検出のための量子機械学習手法について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coordinated stealth attacks are a serious cybersecurity threat to distributed generation systems because they modify control and measurement signals while remaining close to normal behavior, making them difficult to detect using standard intrusion detection methods. This study investigates quantum machine learning approaches for detecting coordinated stealth attacks on a distributed generation unit in a microgrid. High-quality simulated measurements were used to create a balanced binary classification dataset using three features: reactive power at DG1, frequency deviation relative to the nominal value, and terminal voltage magnitude. Classical machine learning baselines, fully quantum variational classifiers, and hybrid quantum classical models were evaluated. The results show that a hybrid quantum classical model combining quantum feature embeddings with a classical RBF support vector machine achieves the best overall performance on this low dimensional dataset, with a modest improvement in accuracy and F1 score over a strong classical SVM baseline. Fully quantum models perform worse due to training instability and limitations of current NISQ hardware. In contrast, hybrid models train more reliably and demonstrate that quantum feature mapping can enhance intrusion detection even when fully quantum learning is not yet practical.
• Abstract（参考訳）: コーディネートステルス攻撃は、通常の行動に近づきながら制御と測定信号を修正し、標準的な侵入検知方法を用いて検出することが困難になるため、分散型システムにとって深刻なサイバーセキュリティ脅威である。 本研究では,マイクログリッドにおける分散生成ユニットにおける協調ステルス攻撃検出のための量子機械学習手法について検討した。 DG1における反応性パワー、名目値に対する周波数偏差、終端電圧の3つの特徴を用いて、高品質な2値分類データセットを作成する。 古典的機械学習ベースライン,完全量子変分分類器,ハイブリッド量子古典モデルの評価を行った。 その結果、量子特徴埋め込みと古典的RBFサポートベクトルマシンを組み合わせたハイブリッド量子古典モデルは、この低次元データセット上で最高の全体的な性能を達成でき、精度はわずかに向上し、F1スコアは強力な古典的SVMベースラインを上回ります。 完全量子モデルは、トレーニングの不安定性と現在のNISQハードウェアの制限により、さらに悪化する。 対照的に、ハイブリッドモデルはより確実なトレーニングを行い、完全な量子学習がまだ実用的でない場合でも、量子特徴写像が侵入検出を強化することを実証する。

関連論文リスト

• Quantum AI for Cybersecurity: A hybrid Quantum-Classical models for attack path analysis [1.2676356746752895]
  本研究では,ハイブリッド量子古典学習の可能性について検討し,侵入検出のための特徴表現を強化する。 量子化された表現は、データが不足している場合により優れた攻撃リコールとクラス分離性を示す。 結果は、サイバーセキュリティタスクの一般化と表現品質を改善するための量子埋め込みの可能性を強調している。
  論文  参考訳（メタデータ） (2026-01-05T16:11:39Z)
• Quantum Gated Recurrent GAN with Gaussian Uncertainty for Network Anomaly Detection [10.435718832887988]
  時系列データの異常検出は、ネットワークセキュリティに重要な意味を持つ重要な課題である。 最近の量子機械学習アプローチでは、異常検出のための複雑なデータ分布をキャプチャするが、制限されたキュービット数によって制限される。 本稿では,QGRU(Quantum Gated Recurrent Unit)をベースとしたGAN(Generative Adversarial Network)によるネットワーク異常検出手法を提案する。
  論文  参考訳（メタデータ） (2025-10-30T13:39:44Z)
• Towards Quantum Enhanced Adversarial Robustness with Rydberg Reservoir Learning [45.92935470813908]
  量子コンピューティング貯水池(QRC)は、量子多体系に固有の高次元非線形力学を利用する。 近年の研究では、変動回路に基づく摂動量子は逆数の影響を受けやすいことが示されている。 QR学習モデルにおける対向的堅牢性の最初の体系的評価について検討する。
  論文  参考訳（メタデータ） (2025-10-15T12:17:23Z)
• Resisting Quantum Key Distribution Attacks Using Quantum Machine Learning [2.9189969146057]
  量子鍵分布(QKD)は、量子力学の原理を利用してセキュアな鍵を確立することで、有望なソリューションを提供する。 QKDの実装は、ハードウェアの欠陥やPhoton Number SplittingやTrojan-Horse攻撃といった高度な攻撃に弱いままである。 本稿では、一般的なQKD攻撃の検出を改善するために、QLSTM(Hybrid Quantum Long Short-Term Memory)モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-16T14:22:39Z)
• Enhancing Network Anomaly Detection with Quantum GANs and Successive Data Injection for Multivariate Time Series [6.576759206183036]
  本稿では,異常検出のためのQGANアーキテクチャを提案する。 データ再アップロードとSuDaIを統合することで、アプローチは古典的なデータを量子状態に効率的にマッピングする。 QGANは、異常検出において高いリコールとF1スコアとともに高い精度を達成し、古典モデルと比較して低いMSEを達成する。
  論文  参考訳（メタデータ） (2025-05-16T18:47:42Z)
• Toward Practical Quantum Machine Learning: A Novel Hybrid Quantum LSTM for Fraud Detection [0.1398098625978622]
  本稿では,不正検出のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。 重畳や絡み合いなどの量子現象を活用することで、我々のモデルはシーケンシャルトランザクションデータの特徴表現を強化する。 その結果,従来のLSTMベースラインと比較して,精度,精度,リコール,F1スコアの競争力の向上が示された。
  論文  参考訳（メタデータ） (2025-04-30T19:09:12Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer [55.41644538483948]
  本稿では, 量子回路に基づく生成モデルを構築し, 生成逆数ネットワークの事前分布を学習し, サンプル化する。 我々は、このハイブリッドアルゴリズムを171ドルのYb$+$ ion qubitsに基づいてイオントラップデバイスでトレーニングし、高品質な画像を生成する。
  論文  参考訳（メタデータ） (2020-12-07T18:51:28Z)

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。