Modelo de Red Neuronal Cuántica para la Clasificación de Ataques Ddos Independiente de la Plataforma en Ciberseguridad

Resumen La Aprendizaje Máquina Cuántico (QML) aprovecha el poder transformador de la computación cuántica para explorar una amplia gama de aplicaciones, incluyendo optimización, análisis de datos y resolución de problemas complejos. Central a este estudio es el uso de un sistema innovador de detección de intrusiones que aprovecha modelos de QML, con preferencia por arquitecturas de Red Neuronal Cuántica (QNN) para tareas de clasificación. Se elucidan las ventajas inherentes de las QNN, notablemente sus capacidades de procesamiento paralelo facilitadas por computadoras cuánticas y la explotación de la superposición cuántica y el paralelismo. Estos atributos permiten a las QNN ejecutar ciertas tareas de clasificación de manera expedita y con mayor eficiencia. La validación empírica se lleva a cabo mediante el despliegue y prueba de un sistema de detección de intrusiones basado en QNN, empleando un subconjunto del conjunto de datos CIC-DDoS 2019. Notablemente, a pesar de emplear un conjunto de características reducido, el sistema basado en QNN exhibe una notable precisión de clasificación, logrando una tasa encomiable del 92.63%. Además, el estudio aboga por la utilización de bibliotecas de computación cuántica como Qiskit, facilitando el entrenamiento de QNN en máquinas locales o simuladores cuánticos. Los hallazgos subrayan la eficacia de un sistema de detección de intrusiones basado en QNN para lograr una precisión de clasificación superior cuando se enfrenta a conjuntos de datos de entrenamiento a gran escala. Sin embargo, es imperativo reconocer las restricciones impuestas por el número limitado de qubits disponibles en máquinas locales y simuladores.