كشف التسلل الأمني باستخدام تقنيات التعلم الآلي الكمومي

تتدهور أساليب التعلم الآلي التقليدية المستخدمة في كشف التسلل الأمني في حالة إدخال بيانات كبيرة (10⁶ عينة وأكثر في مجموعة بيانات). يمكن أن تؤدي تدريب النماذج والحساب بواسطة التعلم الآلي التقليدي على بيانات كبيرة في بيئة حوسبة شائعة إلى نتائج دقيقة ولكنها تأخذ وقتًا طويلاً، أو تؤدي إلى دقة ضعيفة عن طريق التدريب السريع، وكلاهما غير مناسب للنشاط الخبيث. تلاحظ الورقة أن أساليب التعلم الآلي الكمومي (QML) تتغلب على حواجز البيانات الكبيرة وقدرات الحوسبة في الأجهزة الشائعة لغرض كشف التسلل عالي الأداء. يتم مناقشة وتقييم آلة الدعم الكمومي (QSVM) وشبكة الأعصاب التلافيفية الكمومية (QCNN) كأساليب متزامنة مقارنة بأجهزة كشف التسلل التقليدية التي تعمل على الكمبيوتر التقليدي. يستفيد كشف التسلل القائم على QML من مجموعة البيانات الخاصة بنا التي تنفذ تجميع حزم الشبكة إلى تدفقات إدخال مناسبة لـ QML. لقد طورنا الحل البرمجي الذي يشفر تدفقات حركة المرور في الشبكة استعدادًا للحوسبة الكمومية. تظهر النتائج التجريبية قدرة كشف التسلل القائم على QML على معالجة إدخالات البيانات الكبيرة بدقة عالية (98%) مما يوفر سرعة أسرع بمقدار الضعف مقارنة بالخوارزميات التقليدية المستخدمة لنفس المهمة.