論文の概要: Quantum Machine Learning for Cybersecurity Applications: Simulation and Hardware Validation
- arxiv url: http://arxiv.org/abs/2609.32911v1
- Date: Sat, 26 Sep 2026 20:02:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 12:05:56.897627
- Title: Quantum Machine Learning for Cybersecurity Applications: Simulation and Hardware Validation
- Title（参考訳）: サイバーセキュリティアプリケーションのための量子機械学習:シミュレーションとハードウェア検証
- Abstract要約: 厳密な機能と計算予算の下では、古典的な脅威検出パイプラインは、ほぼ決定境界のイベントで劣化することが多い。
小型の量子プロセッサが利用可能になったが、既存の研究は、量子コンポーネントがエンドツーエンドの脅威検出を改善するかどうかを不適切に示している。
本稿では,データ内の情報を圧縮するために,コンパクトな多層パーセプトロン層を用いたハイブリッドアーキテクチャを用いて,このギャップに対処する。
- 参考スコア（独自算出の注目度）: 7.119884090052995
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Under tight feature and compute budgets, classical threat detection pipelines often degrade on near-decision-boundary events. Small quantum processors are now available, but existing work inadequately shows whether quantum components improve end-to-end threat detection under the above resource constrained conditions. This paper tries to address this gap with a hybrid architecture that uses a compact multilayer perceptron layer to compress the information in data and then routes the processed features to a few qubit quantum heads implemented in quantum support vector machine (QSVM) and variational quantum circuit (VQC) models. On a simulation platform, we benchmark these hybrid models against classical models with comparable parameter budgets on two representative cybersecurity tasks, network intrusion detection on NSL-KDD dataset and spam filtering on Ling-Spam dataset. To validate their precision on real quantum hardware, we deploy the best 4-qubit QSVM model on an IBM Quantum device with noise-aware execution, evaluated on a smaller sub-dataset. In the results, shallow quantum heads consistently match, and on difficult near-boundary cases modestly reduce missed attacks and false alarms compared to classical models using the same features. Hardware validation results track the simulation behavior closely enough that the remaining gap is dominated by device noise rather than model design. Furthermore, we conduct adversarial attacks to test the robustness of one QSVM model. Taken together, the study shows that even on small, noisy devices, carefully engineered quantum components may function as competitive, budget-aware components in practical cyber threat detection applications.
- Abstract（参考訳）: 厳密な機能と計算予算の下では、古典的な脅威検出パイプラインは、ほぼ決定境界のイベントで劣化することが多い。
小型量子プロセッサが利用可能になったが、既存の研究は、上記のリソース制約条件下で量子コンポーネントがエンドツーエンドの脅威検出を改善するかどうかを不適切に示している。
本稿では,コンパクトな多層パーセプトロン層を用いてデータを圧縮し,量子支援ベクトルマシン(QSVM)と変分量子回路(VQC)モデルで実装された数量子ビット量子ヘッドに処理機能をルーティングするハイブリッドアーキテクチャを用いて,このギャップに対処する。
シミュレーションプラットフォーム上では,NSL-KDDデータセットのネットワーク侵入検出,Ling-Spamデータセットのスパムフィルタリングという2つの代表的なサイバーセキュリティタスクに対して,パラメータ予算に匹敵する古典モデルに対して,これらのハイブリッドモデルをベンチマークする。
実際の量子ハードウェア上での精度を検証するため、より小さなサブデータセットで評価されたノイズ対応のIBM Quantumデバイス上で、最高の4量子QSVMモデルをデプロイする。
その結果、浅い量子ヘッドは一貫して一致し、難易度に近いケースでは、同じ特徴を用いた古典的なモデルと比較して、ミス攻撃や誤報をわずかに減らした。
ハードウェア検証の結果はシミュレーションの挙動を十分に追跡し、残りのギャップはモデル設計よりもデバイスノイズに支配される。
さらに,あるQSVMモデルのロバスト性をテストするために,逆攻撃を行う。
この研究は、小さなノイズの多いデバイスでも、慎重に設計された量子コンポーネントが、実用的なサイバー脅威検出アプリケーションにおいて、競争力のある予算対応のコンポーネントとして機能することを示した。
関連論文リスト
- Quantum Convolutional Neural Networks for Groundwater Heat Plume Prediction: A Surrogate Modeling Approach [0.0]
量子畳み込みニューラルネットワーク(Quantum Convolutional Neural Network, QCNN)は、ミュンヘンの地熱熱ポンプによって引き起こされる地下水の温度変化を予測する代理モデルである。
我々は、理想的な状態ベクトルシミュレータ、雑音シミュレータ、IBMの127量子ビットKyiv量子プロセッサなど、複数の実行バックエンドでQCNNを評価する。
その結果、古典的ニューラルネットワークは依然として高い予測精度を達成しているが、QCNNはシミュレータ上での競争力と一貫した性能を達成している。
論文 参考訳（メタデータ） (2026-06-22T14:35:12Z) - Noise-Resistant Feature-Aware Attack Detection Using Quantum Machine Learning [43.509065918669314]
連続可変量子鍵分布(continuous-variable quantum key distribution, CV-QKD)は、無条件のセキュリティ保証を提供する量子通信技術である。
高速CV-QKDシステムのセキュリティを保護する量子機械学習(QML)ベースの攻撃検出フレームワーク(QML-ADF)を提案する。
論文 参考訳（メタデータ） (2026-01-11T03:40:45Z) - Cyber Threat Detection Enabled by Quantum Computing [7.119884090052995]
サイバーセキュリティの脅威検出モデルは、トラフィックのシフト、厳格な機能予算、ノイズの多いハードウェアに追随する必要がある。
小型で短期的な量子プロセッサが利用可能になったが、既存の研究は、量子コンポーネントがエンドツーエンドの検出を改善することができるかどうかを示すことはめったにない。
このギャップを、コンパクトな多層パーセプトロンを用いてセキュリティデータを圧縮し、2-4量子ビットの量子ヘッドにいくつかの特徴をルーティングするハイブリッドアーキテクチャで解決する。
論文 参考訳（メタデータ） (2025-12-20T20:10:36Z) - 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) - Differentially Private Federated Quantum Learning via Quantum Noise [9.540961602976965]
量子連合学習(QFL)は、生のデータ交換なしで分散量子デバイス間で量子機械学習(QML)モデルの協調トレーニングを可能にする。
QFLは、情報プライバシを損なうために共有QMLモデルの更新を悪用できる敵攻撃に対して脆弱なままである。
本稿では,QFLプロセス全体の量子モデルを保護するために量子ノイズを利用する新しいDP機構について検討する。
論文 参考訳（メタデータ） (2025-08-27T22:56:16Z) - Crosstalk-Resilient Quantum MIMO for Scalable Quantum Communications [40.44880302154388]
クロストークは物理的に結合した量子モードが干渉し、信号の忠実度が低下するときに発生する。
本稿では、離散可変量子情報を連続可変モードに符号化することに基づく緩和戦略を提案する。
論理情報の回復を可能にするゲージ固定デコーダの存在を実証する。
論文 参考訳（メタデータ） (2025-06-26T18:40:26Z) - Extending Quantum Perceptrons: Rydberg Devices, Multi-Class Classification, and Error Tolerance [67.77677387243135]
量子ニューロモーフィックコンピューティング(QNC)は、量子計算とニューラルネットワークを融合して、量子機械学習(QML)のためのスケーラブルで耐雑音性のあるアルゴリズムを作成する
QNCの中核は量子パーセプトロン(QP)であり、相互作用する量子ビットのアナログダイナミクスを利用して普遍的な量子計算を可能にする。
論文 参考訳（メタデータ） (2024-11-13T23:56:20Z) - Discrete Randomized Smoothing Meets Quantum Computing [40.54768963869454]
重畳における入力バイナリデータの摂動をエンコードし、量子振幅推定(QAE)を用いてモデルへの呼び出し数を2次的に削減する方法を示す。
さらに、画像、グラフ、テキストに対するアプローチの広範な評価を可能にする新しいバイナリ脅威モデルを提案する。
論文 参考訳（メタデータ） (2024-08-01T20:21:52Z) - Quantum support vector machines for classification and regression on a trapped-ion quantum computer [9.736685719039599]
量子支援ベクトル分類(QSVC)と量子支援ベクトル回帰(QSVR)に基づく量子機械学習モデルについて検討する。
本稿では,これらのモデルについて,ノイズと非ノイズの双方を考慮した量子回路シミュレータとIonQ Harmony量子プロセッサを用いて検討する。
分類タスクでは, 捕捉イオン量子コンピュータの4量子ビットを用いたQSVCモデルの性能は, ノイズレス量子回路シミュレーションで得られたものと同等であった。
論文 参考訳（メタデータ） (2023-07-05T08:06:41Z)
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。