論文の概要: Beyond the QBER Threshold: A Temporal QBER Based Machine Learning Framework for Multi Attack Detection in BB84 QKD

• arxiv url: http://arxiv.org/abs/2608.04047v1
• Date: Tue, 04 Aug 2026 08:04:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.43597
• Title: Beyond the QBER Threshold: A Temporal QBER Based Machine Learning Framework for Multi Attack Detection in BB84 QKD
• Title（参考訳）: QBER Thresholdを超えて - BB84 QKDにおけるマルチ攻撃検出のための一時的QBERベース機械学習フレームワーク
• Authors: Isha, Deepak Singh, Devesh Kumar, S. K Pal, Praful Hambarde, Amit Shukla,
• Abstract要約: 本稿では,BB84QKDシステムにおける盗聴攻撃を検知・分類するための時間的QBERベースの機械学習フレームワークを提案する。 このフレームワークは、バースト挙動、時間不安定性、基底依存非対称性、QBER損失相互作用をキャプチャする63の物理インフォームド時間特徴を抽出する。 XGBoostは10回以上の独立ランで、88.01%(0.47%)の精度で、マクロF1スコアは0.8803である。
• 参考スコア（独自算出の注目度）: 4.593655791143225
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Conventional BB84 Quantum Key Distribution (QKD) systems rely on a fixed 11% Quantum Bit Error Rate (QBER) threshold to detect eavesdropping. However, stealthy attacks can remain below this threshold while still compromising channel security. This paper proposes a temporal QBER based machine learning framework for detecting and classifying eavesdropping attacks in BB84 QKD systems. Rather than relying on average session level QBER, the framework extracts 63 physics-informed temporal features capturing burst behavior, temporal instability, basis dependent asymmetry, and QBER loss interactions. Random Forest, XGBoost, and Support Vector Machine with a Radial Basis Function kernel (SVM-RBF) classifiers are evaluated on seven eavesdropping attacks and a normal channel scenario under noisy and lossy conditions. Averaged over ten independent runs, XGBoost achieves the best performance with 88.01% (0.47%) accuracy and a macro F1 score of 0.8803, while SVM-RBF performs comparably, confirming the robustness of the proposed features. Evaluated as a binary attack-versus-normal detector for comparison with conventional monitoring, a fixed 11% QBER threshold achieves only 25.82% accuracy with a False Negative Rate (FNR) of 0.8477, whereas the proposed framework reduces the FNR to 0.0198, substantially improving detection of stealthy attacks that evade threshold-based monitoring. SHapley Additive exPlanations based (SHAP) explainability shows that physics-informed temporal and channel derived features are highly discriminative for identifying eavesdropping strategies. These results demonstrate that temporal QBER driven machine learning provides an accurate, explainable, and practical framework for multi attack security monitoring in BB84 QKD systems.
• Abstract（参考訳）: 従来の BB84 Quantum Key Distribution (QKD) システムは、盗聴を検出するために11%のQuantum Bit Error Rate (QBER) しきい値に依存している。 しかし、ステルス攻撃はこのしきい値以下に留まり、通信路のセキュリティを損なう可能性がある。 本稿では,BB84QKDシステムにおける盗聴攻撃を検知・分類するための時間的QBERベースの機械学習フレームワークを提案する。 平均セッションレベルQBERに頼るのではなく、このフレームワークは、バースト挙動、時間不安定性、基底依存非対称性、QBER損失相互作用をキャプチャする63の物理インフォームド時間特徴を抽出する。 7つの盗聴攻撃と正常チャネルシナリオに対して,Random Forest,XGBoost,Support Vector Machine with a Radial Basis Function kernel (SVM-RBF) Classifiersの評価を行った。 XGBoostは10回以上の独立ランで88.01%(0.47%)の精度とマクロF1スコアの0.8803で最高のパフォーマンスを達成し、SVM-RBFは互換性を持って機能し、提案された機能の堅牢性を確認する。 11%のQBERしきい値が25.82%の精度でFalse Negative Rate (FNR)が0.8477であるのに対し、提案フレームワークはFNRを0.0198に削減し、しきい値に基づく監視を回避するステルス攻撃の検出を大幅に改善した。 SHAP (SHapley Additive exPlanations based) の説明能力は、物理インフォームドの時間的特徴とチャネル的特徴が盗聴戦略の識別に極めて重要であることを示している。 これらの結果は、BB84 QKDシステムにおけるマルチ攻撃セキュリティ監視のための正確な、説明可能な、実用的なフレームワークを提供する。

関連論文リスト

• From Provable to Practical: A Problem-Driven Survey of Classical and Machine-Learning Defenses for DV/CV Quantum Key Distribution [0.13750624267664155]
  量子鍵分布(QKD)は、情報理論上のセキュリティを約束するが、離散可変(DV)および連続可変(CV)設定での実践的なデプロイは、デバイス不完全性、チャネル操作、有限キー効果、適応と監視に使用される機械学習(ML)コンポーネントの脆弱性に曝される。 この調査では、デバイス、チャネル、プロトコル、ML、ネットワーク層にまたがる9つの実践的問題クラス(P1-P9)に基づいて、問題駆動の視点を採用する。
  論文  参考訳（メタデータ） (2026-05-26T17:44:51Z)
• A Multi-Layer Cloud-IDS Pipeline with LLM and Adaptive Q-Learning Calibration [3.8389528716038055]
  クラウドコンピューティングのセキュリティは、階層化されたクラウドアーキテクチャ、動的環境、目に見えない、あるいはゼロデイの攻撃にさらされることによって、大きな関心事になっている。 本研究では,クラウド環境に適した強化学習を用いて,信頼性に配慮したマルチレベル侵入検知システムを構築する。
  論文  参考訳（メタデータ） (2026-05-15T12:19:34Z)
• Evaluating Prompt Injection Defenses for Educational LLM Tutors: Security-Usability-Latency Trade-offs [51.56484100374058]
  ガードレールの設計には、敵の堅牢性、良質なタスクのユーザビリティ、応答レイテンシの明確なトレードオフが伴う。 決定論的パターンフィルタ,構造検証,コンテキストサンドボックス,セッションレベルの動作チェックを組み合わせた,ドメイン固有のマルチレイヤセーフガードパイプラインの評価を行った。 NeMoは16.22パーセントのFPRと1.5パーセントのレイテンシで0パーセントのバイパスに達し、Prompt Guardは38.48パーセントのFPRと3.60パーセントのバイパスを実現している。
  論文  参考訳（メタデータ） (2026-03-29T18:52:01Z)
• Quantum Bit Error Rate Analysis in BB84 Quantum Key Distribution: Measurement, Statistical Estimation, and Eavesdropping Detection [0.0]
  量子鍵分布(QKD)は、量子力学の原理を利用して情報理論のセキュリティを提供する。 QKDプロトコルの中で、BB84スキームは理論研究と実践的な実装の両方において最も広く採用されている。 BB84の信頼性とセキュリティを決定する重要なパラメータはQuantum Bit Error Rate(QBER)である。 本稿では,BB84プロトコルにおけるQBERの体系的レビューと解析を行い,その計算,統計的推定方法,および盗聴活動の検出における役割について検討する。
  論文  参考訳（メタデータ） (2026-03-28T14:19:41Z)
• Adversarial Learning Game for Intrusion Detection in Quantum Key Distribution [0.0]
  本稿では,デコイ状態量子鍵分布(QKD)における侵入検出のための高忠実度シミュレーションフレームワークを提案する。 このフレームワークは、学習ベースのディフェンダーと適応的な敵の間のミニマックスゲームとしてモデル化されている。 アダプティブ・アタックのシナリオでは、システムは正直な有限キーレートの8,2text--92%$を保存し、トラフィックは約1.2%しか捨てない。
  論文  参考訳（メタデータ） (2026-03-03T20:21:06Z)
• UAV-Deployed OAM-BB84 QKD: Turbulence- and Misalignment-Resilient Decoy-State Finite-Key Security with AI-Assisted Calibration [0.0]
  本稿では,無人航空機(UAV)プラットフォーム上でBB84を符号化した軌道角運動量を用いた量子鍵分布(QKD)の理論フレームワークを提案する。 確率的揺らぎ、検出器暗数、効率のミスマッチ、誤り訂正リークを含む秘密鍵レートに対する構成可能な有限鍵下限を導出する。 UAVシステムアーキテクチャ、乱流駆動QBERマップ、デコイ最適化、有限鍵スケーリング、AIキャリブレーションメトリクスを含む完全な評価パイプラインの概要を述べる。
  論文  参考訳（メタデータ） (2026-01-16T09:23:33Z)
• QSentry: Backdoor Detection for Quantum Neural Networks via Measurement Clustering [43.44248599606903]
  量子ニューラルネットワーク(QNN)は量子機械学習(QML)を実装する上で重要なモデルである 本研究は,QMLにおけるバックドア脅威を軽減するための実践的で効果的な枠組みを確立する。
  論文  参考訳（メタデータ） (2025-11-19T12:08:11Z)
• Quantum Skyshield: Quantum Key Distribution and Post-Quantum Authentication for Low-Altitude Wireless Networks in Adverse Skies [36.14072181405793]
  低高度無線ネットワーク(LAWN)は、低高度経済を支える重要なバックボーンとして登場した。 データ要求の増加に対応するため、一部のLAWNデプロイメントには、例外的な帯域幅とビーム指向性を提供する自由空間光学(FSO)リンクが組み込まれている。 基地局(BTS)とLAWN間の信頼性の高い通信を実現するために,量子スカイシールドを提案する。
  論文  参考訳（メタデータ） (2025-07-20T04:43:33Z)
• Probabilistic Soundness Guarantees in LLM Reasoning Chains [37.440902632372904]
  ARES(Autoregressive Reasoning Entailment Stability)は、事前に検証された前提のみに基づいて、各推論ステップを評価する確率的フレームワークである。 ARESは4つのベンチマークで最先端のパフォーマンスを達成し、非常に長い合成推論チェーン上で優れた堅牢性を示す。
  論文  参考訳（メタデータ） (2025-07-17T09:40:56Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。