稳定量子增强的SIEM架构和通过霍夫丁树算法加快速度使尸网络检测中的量子网络安全分析成为可能.

科学领域:

• 量子计算是一种量子计算.
• 机器学习 机器学习
• 网络安全分析分析

背景情况:

• 目前混合量子机器学习 (HQML) 的研究受限于数据样本大小和对量子模拟器的依赖.
• 之前的研究,如Suryotrisongko和Musashi (2022),仅使用基于软件的模拟器,仅限于1000个数据样本.

研究的目的:

• 为了使HQML方法能够在真实量子计算机和基于真实设备的模拟上执行.
• 在处理数据样本和达到的准确性方面,超越现有研究.
• 将HQML应用于网络安全分析,用于域生成算法 (DGA) 尸网络检测.

主要方法:

• 开发了一个稳定的量子架构,用于在真实量子设备上执行HQML算法.
• 引入了新的混合量子二进制分类器 (HQBCs),利用霍夫丁的决策树算法.
• 实现批量执行,以加快处理和减少量子射击要求.
• 使用Qiskit与Aer量子模拟器和真实量子设备 (IonQ,Rigetti,Quantinuum) 通过Azure Quantum进行了实验.

主要成果:

• 在真实量子计算机上成功执行了100个数据样本的HQML,在真实设备上的仿真中执行了5000个数据样本.
• 实现了91.2%的平均精度,明显超过了之前的76.8%的最先进的精度.
• 在1687秒的总执行时间内完成了所有实验.

结论:

• 这项研究标志着首次成功将HQML算法集成到用于网络安全应用的真实量子硬件上.
• 新的HQBC和批量执行策略使大规模数据流的高效处理成为可能.
• 证明的方法显著推进了量子计算在网络安全分析中的实际应用.