論文の概要: FGSM Attack Transferability from Simulation to Quantum Hardware in Network Intrusion Detection

• arxiv url: http://arxiv.org/abs/2610.40701v1
• Date: Wed, 28 Oct 2026 19:49:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.447912
• Title: FGSM Attack Transferability from Simulation to Quantum Hardware in Network Intrusion Detection
• Title（参考訳）: ネットワーク侵入検出におけるシミュレーションから量子ハードウェアへのFGSM攻撃伝達性
• Abstract要約: 私たちはCICIDS 2017の金曜日のDDoSサブセットで、ハイブリッド変分量子分類器(VQC)をトレーニングします。 トレーニング中のラベルフリップと予測時のFGSM回避の2つの攻撃に対してテストする。 類似の精度を持つ2つのモデルは、攻撃の容易さにおいて大きく異なることが判明した。
• 参考スコア（独自算出の注目度）: 1.12055015800657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum computers are now available through cloud platforms, and recent work has proposed using them to detect network intrusions. It is not yet clear how easily such systems can be attacked. We train a hybrid variational quantum classifier (VQC) on the Friday DDoS subset of CICIDS2017 and test it against two attacks: label flipping during training and FGSM evasion at prediction time. We run the tests in simulation and on IBM hardware, the Fez superconducting processor (Heron r2). We find that two models with similar accuracy can differ greatly in how easily they are attacked. A model that decides with little confidence loses half its detections to a very small change in the input, while a model trained to decide with more confidence needs a much larger change before it fails. Attacks built in simulation against the more confident model also work on real hardware, and the device classifies every unaltered attack sample correctly. Simulated device noise does not reduce accuracy, but it does reduce the model's confidence and makes attacks easier, so accuracy alone does not show how exposed a model is. Label flipping has no measurable effect until 15% of attack labels are changed. These results show that device noise should not be treated as a defense and that reported weaknesses in these classifiers depend partly on how they were trained.
• Abstract（参考訳）: 量子コンピュータはクラウドプラットフォームを通じて利用可能となり、最近の研究でネットワーク侵入を検出するために量子コンピュータを使うことが提案されている。 このようなシステムがどの程度容易に攻撃できるのかは、まだ明らかになっていない。 我々はCICIDS2017の金曜日のDDoSサブセットでハイブリッド変分量子分類器(VQC)をトレーニングし、トレーニング中のラベルのフリップと予測時のFGSM回避の2つの攻撃に対してテストする。 我々は、シミュレーションおよびIBMハードウェア、Fez超伝導プロセッサ(Heron r2)上でテストを実行する。 類似の精度を持つ2つのモデルは、攻撃の容易さにおいて大きく異なることが判明した。 自信をほとんど持たないモデルでは、検出の半分が入力の非常に小さな変更に失われます。一方、より信頼を持って決定するように訓練されたモデルは、失敗する前にはるかに大きな変更を必要とします。 より確実なモデルに対するシミュレーションで構築された攻撃は、実際のハードウェアでも動作し、デバイスは修正されていないすべての攻撃サンプルを正しく分類する。 シミュレーションデバイスノイズは精度を低下させるものではないが、モデルの信頼性を低下させ、攻撃を容易にするため、精度だけではモデルがどのように露出しているかは示さない。 ラベルフリップは、攻撃ラベルの15%が変更されるまで測定可能な効果を持たない。 これらの結果から, デバイスノイズは防御として扱うべきではないことが示唆され, これらの分類器の弱点は, トレーニングの仕方によって異なることが示唆された。

関連論文リスト

• Quantization-Tolerant Gradient Auditing for Active Inference-Attack Detection in Federated Learning [0.0]
  参加者がいくつかの説明責任を持つ組織であり、サーバが信頼されているクロスサイロFLでは、サーバが代わりにクライアントを尋問できるかどうかを問う。 少ない許容範囲で比較して, 定量化指紋を用いたクロスプラットフォーム浮動小数点非決定論を強固に行う。 これは、2つの異なるアクティブアタックを真正の1.0ドルでフラグ付けし、その軸に偽陽性はなく、指紋のパラメータにわたって安定し、最大50ドルまで悪質な比率でクライアントに40ドル、32,mathrmms$サーバーワークで32,mathrmms$サーバーワークで42,35ドルという価格で警告する。
  論文  参考訳（メタデータ） (2026-10-09T09:54:54Z)
• RedHerring Attack: Testing the Reliability of Attack Detection [10.406659081400354]
  我々は、RedHerringという新たなアタック設定とアタックを提案し、テストする。 RedHerringは、テキストを変更することで攻撃検出モデルを信頼できないようにする。 RedHerringは検出精度を20～71ポイントに下げることができる。
  論文  参考訳（メタデータ） (2025-09-25T02:53:11Z)
• Evaluating Efficacy of Model Stealing Attacks and Defenses on Quantum Neural Networks [2.348041867134616]
  量子機械学習(QML)モデルのクラウドホスティングは、さまざまな脆弱性に公開する。 モデル盗難攻撃は、最大$0.9times$と$0.99times$クローンテスト精度を達成するクローンモデルを生成することができる。 これらの攻撃を防御するために、我々は現在のノイズの多いハードウェアのユニークな特性を活用し、犠牲者モデルの出力を摂動させる。
  論文  参考訳（メタデータ） (2024-02-18T19:35:30Z)
• One-bit Flip is All You Need: When Bit-flip Attack Meets Model Training [54.622474306336635]
  メモリフォールトインジェクション技術を利用したビットフリップ攻撃(BFA)と呼ばれる新たな重み修正攻撃が提案された。 本稿では,高リスクモデルを構築するための訓練段階に敵が関与する,訓練支援ビットフリップ攻撃を提案する。
  論文  参考訳（メタデータ） (2023-08-12T09:34:43Z)
• Are aligned neural networks adversarially aligned? [93.91072860401856]
  敵のユーザは、アライメントの試みを回避できるインプットを構築できる。 既存のNLPベースの最適化攻撃は、整列したテキストモデルを確実に攻撃するには不十分であることを示す。 我々は、NLP攻撃の改善が、テキストのみのモデルに対して、同じレベルの逆制御を示す可能性があると推測する。
  論文  参考訳（メタデータ） (2023-06-26T17:18:44Z)
• Qu-ANTI-zation: Exploiting Quantization Artifacts for Achieving Adversarial Outcomes [5.865029600972316]
  量子化(quantization)は、ニューラルネットワークのパラメータ表現を浮動小数点数から低精度の数値に変換する技術である。 逆量子化結果を実装するための新しいトレーニングフレームワークを提案する。 1つの妥協されたモデルが複数の量子化スキームを破ることを示す。
  論文  参考訳（メタデータ） (2021-10-26T10:09:49Z)
• Defence against adversarial attacks using classical and quantum-enhanced Boltzmann machines [64.62510681492994]
  生成モデルはデータセットの基盤となる分布を学習し、それらは本質的に小さな摂動に対してより堅牢である。 MNISTデータセット上のBoltzmannマシンによる攻撃に対して、5%から72%の改良が見られる。
  論文  参考訳（メタデータ） (2020-12-21T19:00:03Z)
• Probing Model Signal-Awareness via Prediction-Preserving Input Minimization [67.62847721118142]
  モデルが正しい脆弱性信号を捕捉して予測する能力を評価する。 SAR(Signal-Aware Recall)と呼ばれる新しい指標を用いて,モデルの信号認識を計測する。 その結果,90年代以降のリコールから60年代以降のリコールは,新たな指標で大幅に減少した。
  論文  参考訳（メタデータ） (2020-11-25T20:05:23Z)
• Simulating Unknown Target Models for Query-Efficient Black-box Attacks [21.21690695534498]
  ディープニューラルネットワークの セキュリティ問題を調べるために 敵の攻撃が提案されている ブラックボックス設定では、現在のモデル盗難攻撃は、ターゲットモデルの機能を偽装するために代替モデルを訓練する。 本研究の目的は、未知のターゲットモデルの機能を模倣できる「シミュレータ」と呼ばれる一般化された代替モデルを訓練することである。
  論文  参考訳（メタデータ） (2020-09-02T11:30:40Z)
• Detection as Regression: Certified Object Detection by Median Smoothing [50.89591634725045]
  この研究は、ランダム化平滑化による認定分類の最近の進歩によって動機付けられている。 我々は、$ell$-bounded攻撃に対するオブジェクト検出のための、最初のモデル非依存、トレーニング不要、認定された防御条件を得る。
  論文  参考訳（メタデータ） (2020-07-07T18:40:19Z)
• Adversarial Imitation Attack [63.76805962712481]
  現実的な敵攻撃は、攻撃されたモデルの知識をできるだけ少なくする必要がある。 現在の代替攻撃では、敵の例を生成するために事前訓練されたモデルが必要である。 本研究では,新たな敵模倣攻撃を提案する。
  論文  参考訳（メタデータ） (2020-03-28T10:02:49Z)

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。