🤖 machine learning

Hybrid Quantum-Classical GANs for the Generation of Adversarial Network Flows

تقترح هذه الورقة إطار عمل لشبكة خصومية توليدية هجينة بين الكم والتقليدي (QC-GAN) تستفيد من المولدات الكمية التباينية لإنشاء تدفقات شبكية خصومية اصطناعية قادرة على مراوغة أنظمة كشف التسلل التقليدية، مع تقييم تأثير ضوضاء الأجهزة الكمية على هذه الهجمات للتأكيد على الحاجة إلى دفاعات مقاومة للكم.

المؤلفون الأصليون: Prateek Paudel, Nitin Jha, Abhishek Parakh, Mahadevan Subramaniam

نُشر 2026-05-08

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC0 1.0

المؤلفون الأصليون: Prateek Paudel, Nitin Jha, Abhishek Parakh, Mahadevan Subramaniam

البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول اقتحام بنك شديد الحماية. يمتلك البنك حارس أمن ذكي للغاية (نظام كشف التسلل، أو IDS) يعرف تماماً كيف يبدو العميل الطبيعي وكيف يبدو اللص. إذا حاولت الدخول بمظهر لص تقليدي، سيمسك بك الحارس فوراً.

للتغلب على الحارس، أنت بحاجة إلى مُزور بارع يمكنه إنشاء عملاء مزيفين مثاليين لدرجة تجعل الحارس يعتقد أنهم حقيقيون.

هذه الورقة البحثية تتحدث عن بناء نوع جديد من المزورين البارعين باستخدام الحوسبة الكمومية. أراد الباحثون معرفة ما إذا كان بإمكان "فريق كمومي-كلاسيكي" إنشاء حركة مرور شبكة مزيفة (بصمات رقمية مزيفة) جيدة جداً لدرجة تخدع حارس الأمن وتسمح للهجوم بالمرور.

إليك تفصيل تجربتهم بكلمات بسيطة:

١. المشكلة: المزورون القدامى ضخام وغير مرنين

تقليدياً، يستخدم المخترقون "شبكات الخصومة التوليدية الكلاسيكية" (Classical GANs) لصنع هذه التزييفات. فكر في الـ (Classical GAN) كآلة ضخمة وثقيلة تحتوي على آلاف التروس (المعلمات/Parameters).

المشكلة: هذه الآلة مكلفة في التشغيل، وتحتاج إلى مكتبة ضخمة من البيانات للتعلم منها، وأحياناً تتعثر في تكرار نفس الأنماط المزيفة القليلة (ما يسمى بـ "انهيار النمط" أو mode collapse)، مما يجعل من السهل على حارس الأمن كشفها.

٢. الحل الجديد: المزور الكمومي

قام الباحثون ببناء شبكة خصومة توليدية هجينة (كمومية-كلاسيكية) (QC-GAN).

المولد (المزور): بدلاً من آلة ضخمة، استخدموا دائرة كمومية صغيرة (تتكون من ٤ "كيوبتات" فقط، أو بتات كمومية).
- التشبيه: تخيل مـزوراً كلاسيكياً يحاول رسم لوحة فنية رائعة عبر خلط ملايين الألوان على لوحة قماشية ضخمة. المزور الكمومي يشبه الساحر الذي يمكنه رسم اللوحة بأكملها عبر تدوير عملة معدنية سحرية واحدة. وبسبب الفيزياء الكمومية (التراكب/Superposition)، يمكن لهذه العملة الصغيرة أن تمثل عالماً هائلاً ومعقداً من الاحتمالات في آن واحد.
- الخدعة (SUDAI): لجعل هذه العملة الكمومية الصغيرة أكثر قوة، استخدموا تقنية تسمى حقن البيانات الوحدوي المتتالي (SUDAI). فكر في هذا كعملية تغذية العملة بالمعلومات، ثم تدويرها، ثم تغذيتها بمزيد من المعلومات، ثم تدويرها مرة أخرى. هذا يسمح للنظام الكمومي الصغير بتعلم أنماط معقدة دون الحاجة إلى آلة ضخمة.
المميز (حارس الأمن): هذا الجزء يظل "كلاسيكياً" (برنامج حاسوبي قياسي). وهو يعمل مثل حارس البنك، حيث يحاول التمييز بين حركة المرور الحقيقية وحركة المرور المزيفة التي صنعها المزور الكمومي.

٣. التدريب: لعبة القط والفأر

لعب الطرفان لعبة:
١. حاول المزور الكمومي إنشاء تدفقات شبكة مزيفة تبدو تماماً مثل الهجمات الحقيقية.
٢. حاول الحارس الكلاسيكي الإمساك به.
٣. في كل مرة يمسك فيها الحارس بتقليد مزيف، يتعلم المزور كيف يصبح أفضل. وكلما فشل الحارس، يتعلم الحارس كيف يكون أكثر حدة.

لقد اختبروا ذلك على مجموعة بيانات تسمى UNSW-NB15، وهي مجموعة من حركة مرور الشبكة الحقيقية والهجمات المعروفة.

٤. النتائج: من الفائز؟

كانت النتائج مفاجئة واعتمت على كيفية تدريب حارس الأمن:

"التوزيع المثالي" (العام):
إذا نظرت إلى الشكل العام للبيانات (مثل النظر إلى الحشد العام في البنك)، فإن الـ (Classical GAN) (الآلة الضخمة) كان أفضل قليلاً. فقد امتلك "تروساً" أكثر لمحاكاة الشكل الإحصائي الدقيق لحركة المرور الحقيقية.
- ومع ذلك، حقق المزور الكمومي هذا الأمر باستخدام ٣٧٢ معلمة فقط، بينما احتاج الـ (Classical GAN) إلى ١,٤١٢ معلمة. كان المزور الكمومي أكثر كفاءة بكثير، حيث استخدم جزءاً ضئيلاً من الموارد.
"التملص المحدد" (المتخصص):
عندما اختبروا التزييفات ضد نوع محدد من الحراس يسمى XGBoost (وهو نوع شائع وقوي جداً من الذكاء الاصطناعي)، فاز الـ (Quantum GAN).
- النتيجة: نجح المزور الكمومي في خداع الحارس بنسبة ٤١.١٪، بينما نجح الـ (Classical GAN) بنسبة ٣٥.٦٪ فقط.
- لماذا؟ المزور الكمومي لم يكتفِ بنسخ "متوسط" الهجوم؛ بل استكشف زوايا غريبة وجديدة في مساحة البيانات لم يتوقعها الحارس. لقد أنشأ هجمات كانت واقعية إحصائياً ولكنها وقعت في "النقاط العمياء" لاتخاذ القرار لدى الحارس.

٥. "التحول الضوضائي": عدم المثالية هي قوة خارقة

أجهزة الكمبيوتر الكمومية اليوم هي أجهزة "ضوضائية" (أي أنها ترتكب أخطاء بسبب التداخل). عادةً ما تكون الضوضاء سيئة. لكن هنا، قام الباحثون بمحاكاة كمبيوتر كمومي ضوضائي، وكانت النتيجة أن الضوضاء ساعدت.

التشبيه: تخيل مـزوراً ترتجف يده قليلاً أثناء الرسم. بدلاً من رسم خط مستقيم ومثالي يبدو مريباً، تجعل هذه الرعشة الرسم يبدو طبيعياً ومتنوعاً أكثر.
عملت "الضوضاء" كـ منظم (Regularizer). لقد منعت الـ (Quantum GAN) من الاستقرار في نمط واحد محدد. لقد أجبرت المزور على نشر حركة المرور المزيفة على مساحة أوسع، مما جعل من الصعب على الحارس كشفها. في الواقع، سجل الـ (Quantum GAN) الضوضائي أدنى معدل خطأ في مطابقة أرقام البيانات الحقيقية.

٦. الخلاصة

خلصت الورقة البحثية إلى ما يلي:
١. الكم هو تهديد بالفعل: لا تحتاج إلى كمبيوتر كمومي مثالي ومستقبلي لكسر الأنظمة. يمكن لجهاز كمومي صغير وغير مثالي (٤ كيوبتات) بالفعل إنشاء هجمات يصعب اكتشافها أكثر من تلك الناتجة عن أجهزة كلاسيكية أكبر بكلاً.
٢. الكفاءة: يمكن للمولدات الكمومية أن تفعل الكثير بالقليل. لقد حققت نتائج تملص أفضل باستخدام عدد معلمات أقل بـ ٤ أضعاف.
٣. التحذير: أنظمة الأمن الحالية (IDS) قد لا تكون مستعدة لهذا. إذا استخدم المهاجمون هذه الأدوات الهجينة (الكمومية-الكلاسيكية)، فقد يتمكنون من تجاوز الدفاعات التي تُعتبر حالياً قوية.

باختصار: بنى الباحثون مولداً صغيراً وفعالاً مدعوماً بالكم لإنشاء "حركة مرور مزيفة". كان بارعاً جداً في إنشاء هجمات تبدو واقعية ولكنها مخادعة لدرجة أنه تفوق على ذكاء اصطنا-أمني قوي، مما يثبت أن الحوسبة الكمومية هي بالفعل أداة ذات صلة بالهجمات السيبرانية، حتى مع وجود الأجهزة غير المثالية المتاحة اليوم.

ملخص تقني: شبكات الخصومة التوليدية الهجينة (الكمية-الكلاسيكية) لتوليد تدفقات الشبكة العدائية

بيان المشكلة
استُخدمت شبكات الخصومة التوليدية (GANs) الكلاسيكية لتوليد حركة مرور شبكية عدائية قادرة على التهرب من أنظمة كشف التسلل (IDS). ومع ذلك، تواجه هذه النهج الكلاسيكية قيوداً كبيرة، بما في ذلك الاعتماد الشديد على مجموعات بيانات ضخمة وعالية الأبعاد، والقابلية للانهيار النمطي (mode collapse)، والعبء الحسابي العالي. علاوة على ذلك، تعاني أنظمة كشف التسلل التقليدية من حجم وأبعاد وطبيعة حركة مرور الشبكة الحديثة الديناميكية. وبينما توفر الحوسبة الكمية مزايا محتملة من خلال التراكب (superposition) والتشابك (entanglement)، فإن تطبيقها في توليد التدفقات العدائية للتهرب من أنظمة كشف التسلل يظل مجالاً ناشئاً يتطلب التحقق في ظل قيود واقعية، مثل عدد الكيوبتات المحدود وضجيج الأجهزة.

المنهجية
يقترح المؤلفون إطار عمل لشبكة خصومة توليدية هجينة (كمية-كلاسيكية) (QC-GAN) مصممة لتوليد تدفقات شبكية خبيثة اصطناعية. تتكون البنية من مولد كمي ومميز كلاسيكي.

إعداد البيانات: تستخدم الدراسة مجموعة بيانات UNSW-NB15. ونظراً للقيود المفروضة على الأجهزة الكمية الحالية (تحديداً حد الـ 4 كيوبت)، تم استخدام عملية اختيار ميزات مكونة من مرحلتين. استخدمت المرحلة الأولى نموذجاً تجميعياً متعدد الرؤى (الغابة العشوائية، المعلومات المتبادلة، والانحدار اللوجستي المنظم بـ L1) لفحص الميزات. واستخدمت المرحلة الثانية تحليل المكونات الرئيسية (PCA) لتقليل التكرار. نتج عن ذلك مجموعة فرعية نهائية مكونة من 4 ميزات: synack و ct_state_ttl و sbytes و smean.
المولد الكمي: يستخدم المولد دائرة كمية متغيرة (VQC) بـ 4 كيوبتات. وتستخدم "ترميز الزاوية" (Angle Encoding) لخرائط نواقل الضجيج الكلاسيكية الكامنة إلى حالات كمية عبر دورات دوران $RY$ . كما تم دمج مكون مبتكر، وهو "حقن البيانات الوحدوي المتتالي" (SUDAI)، في الدائرة. وخلافاً للترميز أحادي المرحلة القياسي، يقوم SUDAI بتوزيع حقن المتجه الكامن عبر طبقات متغيرة متعددة، مما يسمح للدائرة باستكشاف نطاق أوسع من الحالات دون زيادة عدد الكيوبتات. تتضمن الدائرة طبقات متغيرة قابلة للتدريب مع دورات $RX$ و $RZ$ ، وتشابك بنمط الحلقة عبر بوابات CNOT.
القياس والمعالجة اللاحقة: يتم قياس الحالة الكمية عن طريق حساب قيم التوقع لمؤثر Pauli-Z، مما ينتج متجه ميزات كلاسيكياً. يتم تنقية هذا المتجه بواسطة شبكة معالجة لاحقة كلاسيكية قبل تغذيته للمميز.
المميز الكلاسيكي: المميز هو عبارة عن مدرك متعدد الطبقات (MLP) مُدرب للتمييز بين حركة المرور الحقيقية من مجموعة بيانات UNSW-NB15 والتدفقات الاصطناعية التي تولدها الـ QC-GAN.
الإعداد التجريبي: تم تدريب ومقارنة ثلاثة نماذج: GAN كلاسيكي، و QC-GAN "نقية"، و QC-GAN تحاكي ضجيج الأجهزة (قنوات إلغاء الاستقطاب، وقلب البت، وتخميد السعة). تم تقييم النماذج مقابل مصنفات الغابة العشوائية (RF)، وXGBoost، والشبكة العصبية التلافيفية أحادية الأبعاد (1-D CNN).

المساهمات الرئيسية والنتائج

كفاءة المعلمات: حققت QC-GAN أداءً تنافسياً بـ 372 معلمة إجمالية فقط (16 كمية + 356 كلاسيكية)، وهي أقل بكثير من معلمات Classical GAN البالغ عددها 1,412 معلمة.
التقارب والاستقرار: أظهرت نماذج QC-GAN ديناميكيات تدريب مستقرة دون ملاحظة أي انهيار نمطي. وقد أثبتت بنية SUDAK مرونة تجاه الضجيج على مستوى الأجهزة، حيث تقاربت النموذج الصاخب بنجاح رغم اضطرابات التدرج.
دقة التوزيع مقابل قدرة التهرب:
- مقاييس التوزيع: تفوقت Classical GAN على النماذج الكمية في مقاييس التوزيع الإجمالية (MMD، ومسافة Wasserstein)، ويرجع ذلك على الأرجح إلى عدد معالماتها الأعلى الذي يسمح بتقريب أدق للتوزيع العام للبيانات.
- أداء التهرب: فيما يتعلق بالتهرب من أنظمة كشف التسلل (IDS)، أظهرت نماذج QC-GAN مزايا متميزة اعتماداً على المصنف. ففي مواجهة XGBoost، حققت QC-GAN النقية معدل نجاح هجوم (ASR) بنسبة 41.1%، متفوقة على Classical GAN التي سجلت 35.6% رغم امتلاك الأخيرة 3.8 ضعف عدد المعلمات. كما تفوقت QC-GAN الصاخبة أيضاً على Classical GAN (40.6% مقابل 35.6%).
- حساسية المصنف: كانت النماذج الكمية أقل فعالية ضد RF و CNN1D مقارنة بـ XGBoost. ويعزو المؤلفون النجاح ضد XGBoost إلى قدرة الفضاء الكامن الكمي على توليد تدفقات تكون واقعية إحصائياً ولكنها تقع خارج المناطق المكتظة بالميزات حيث تتخذ المصنفات القائمة على الأشجار مثل XGBoost قراراتها.
دور الضجيج: خلافاً للافتراض بأن الضجيج ضار دائماً، عمل ضجيج الأجهزة المحاكى كمنظم (regularizer). حققت QC-GAN الصاخبة أدنى متوسط خطأ تربيعي (MSE) في مجموعة الاختبار (0.703) وحافظت على معدلات تهرب عالية، مما يشير إلى أن الأجهزة الكمية غير الكاملة في عصر NISQ لا تزال قادرة على توليد أمثلة عدائية فعالة.

الأهمية والادعاءات
يدعي البحث أنه يمكن للمولدات العدائية الهجينة (كمية-كلاسيكية) تجاوز أنظمة كشف التسلح الكلاسيكية بفعالية باستخدام عدد معلمات أقل بكثير من نظيراتها الكلاسيكية. وتبرز الدراسة ما يلي:

الميزة الكمية في سياقات محددة: يمكن للفضاءات الكمية الكامنة توليد تدفقات تهرب من أنواع معينة من المصنفات (لاسيما النماذج القائمة على الأشجار مثل XGBoost) من خلال استكشاف مناطق في فضاء الميزات غير المكتظة بالبيانات الحقيقية، حتى مع عدد محدود من الكيوبتات.
جدوى العمل على أجهزة NISQ: إن تهديد الهجمات العدائية المعززة كمياً لا يقتى على أجهزة الكم الكمي المستقبلية ذات القدرة على تصحيح الأخطاء؛ بل هو خطر قائم في الوقت الحاضض يمكن تحقيقه باستخدام أجهزة NISQ الحالية.
مرونة SUDAI: توفر بنية "حقن البيانات الوحدوي المتتالي" طريقة قوية لترميز البيانات في المولدات الكمية، مما يحافظ على القدرة التعبيرية والاستقرار حتى في ظل ضجيج الأجهزة المحاكى.

يخلص المؤلفون إلى أنه بينما قد تكون نماذج GAN الكلاسيكية أفضل في تقريب توزيعات البيانات العالمية، فإن نماذجه QC-GAN تقدم بديلاً قوياً وفعالاً من حيث المعلمات لتوليد حركة المرور العدائية، مما يستوجب إعادة تقييم دفاعات أنظمة كشف التسلل لتصبح مقاومة للتقنيات الكمية. ويُقترح للعمل المستقبلي اختبار نماذج على مجموعات بيانات مختلفة، وتغيير عدد الكيوبتات، وتقييم نماذج IDS المحصنة.