ملخص تقني: إطار العمل الكمي الميتا-تجميعي (Meta-Quantum Ensemble) لتعزيز قوة كشف التسلل في الشبكات

بيان المشكلة

تواجه أنظمة كشف التسلل (IDS) تحديات كبيرة في الحفاظ على حساسية كشف عالية مع الالتزام بقيود صارمة لمعدل الإيجابيات الكاذبة (FPR). وتتفاقم هذه الصعوبات في بيئات إنترنت الأشياء (IoT) بسبب عدم التوازن الشديد بين الفئات في حركة المرور الحميدة والخبيث، وتوزيعات البيانات غير المستقرة الناتجة عن "انزياح المفاهيم" (concept drift)، والقيود المتعلقة بالموارد. وبينما تظل نماذج تعلم الآلة التقليدية (مثل XGBoost والشبكات العصبية العميقة) هي الأفضل حالياً، يبحث هذا العمل فيما إذا كان تعلم الآلة الكمي (QML) يمكن أن يقدم فوائد تكميلية. وتحديداً، يستكشف المؤلفون ما إذا كانت المتعلمات الكمية غير المتجانسة — وهي آلات دعم المتجهات الكمية (QSVMs) والشبكات العصبية الكمية (QNNs) — تُظهر سلوكيات تنبؤ متميزة يمكن دمجها لتحسين استقرار وموثوقية الكشف بشكل أكثر فعالية من النماذج الكمية المستقلة.

المنهجية

يقترح المؤلفون إطار العمل الكمي الميتا-تجميعي على مستوى النظام (MQE)، وهو إطار هجين يجمع بين الكم والكلاسيكي مصمم لدمج مخرجات فروع QSVM و QNN باستخدام متعلم ميتا (meta-learner) من نوع "الغابة العشوائية" (Random Forest) الكلاسيكية.

1. المعالجة المسبقة للبيانات والتمثيل (Embedding)

• المعالجة المسبقة: تخضع مجموعات البيانات الخام لترميز الفئات للسمات الفئوية، وإزالة القيم المفقودة، والتقييس (المتوسط الصفري والتباين الموحد). ويقوم تحليل المكونات الرئيسية (PCA) بتقليل أبعاد الميزات إلى 13 مكوناً لتتناسب مع عدد الكيوبتات (qubits) المطلوبة للمعالجة الكمية.
• التمثيل الكمي للميزات: يتم تحويل متجهات الميزات الكلاسيكية إلى حالات كمية عبر التمثيل الزاوي (angle embedding). حيث يتم ترميز كل ميزة $x_i$ كدوران حول محور Y على كيوبت واحد: $|\psi(x)\rangle = \bigotimes_{i=1}^n R_Y(x_i)|0\rangle$. يقوم هذا بخرائط البيانات إلى فضاء هيلبرت عالي الأبعاد للاستفادة من التشابك والتراكب.

2. الفروع الكمية

• فرع QSVM: يستخدم طريقة النواة الكمية لحساب تشابه العينات. تُعرف قيمة النواة $K(x_i, x_j)$ بأنها التماثل (fidelity) $|\langle\psi(x_i)|\psi(x_j)\rangle|^2$، والتي تُقدر عبر دائرة تتضمن خريطة ميزات ومرافقها (adjoint). ثم يستخدم نموذج SVM كلاسيكي مصفوفة النواة هذه لإيجاد المستوى الفائق الأمثل للفصل.
• فرع QNN: يوظف دائرة كمية متغيرة (VQC) مع طبقات التشابك القوي (SELs). يتكون الـ (ansatz) من دورات أحادية الكيوبت ذات معاملات ($R_Z, R_Y, R_X$) متبوعة بتشابك قائم على CNOT في طوبولوجيا حلقية. يتم قياس الدائرة في أساس Pauli-Z، وتغذي قيم التوقع الطبقة الكثيفة الكلاسيكية للتصنيف الثنائي. يتم تحسين المعاملات باستخدام مُحسّن يعتمد على التدرج الكلاسيكي (Adam).

3. دمج التعلم الميتا (Meta-Learning Fusion)

يعمل نموذج الغابة العشوائية كطبقة دمج. يأخذ مدخلات احتمالات الهجوم المتوقعة من كلا فرعي QSVM و QNN كسمات مدخلة ($p_i = [p^{(QNN)}_i, p^{(QSVM)}_i]$). تم تدريب متعلم الميتا لالتقاط أنماط الاتفاق والاختلاف بين الفرعين الكميين، وذلك لحل النزاعات لتحسين المتانة. يقيم إطار العمل ثلاثة تمثيلات للدمج:

• الدمج الصلب (Hard Fusion): تسميات الفئات المنفصلة.
• دمج الهامش (Margin Fusion): هوامش القرار.
• الدمج الاحتمالي (Probabilistic Fusion): درجات الاحتمالية المستمرة.

المساهمات الرئيسية

1. إطار العمل الكمي الميتا-تجميعي (MQE): تقديم إطار عمل هجين يدمج QSVM و QNN ضمن خط معالجة IDS واحد، بوساطة متعلم ميتا من نوع الغابة العشوائية.
2. آلية دمج الميتا: تطوير استراتيجية دمج قائمة على الغابة العشوائية تستفيد من الانحيازات الاستقرائية المتميزة لكل من البنى الهندسية القائمة على النواة (QSVM) والتمثيلات غير الخطية القابلة للتدريب (QNN).
3. التقييم الشامل: تقييم مفصل على مجموعتي بيانات TON IoT و CICIDS2017، يغطي مقاييس التصنيف القياسية، وسلوك الكشف عند معدل إيجابيات كاذبة منخفض، وتحليل دمج الميتا، والمتانة تجاه الضجيج، وموثوقية المعايرة.

النتائج التجريبية

تم تقييم إطار العمل على مجموعتين من البيانات: CICIDS2017 (D1، تحدي عدم التوازن في الفئات) و TON IoT (D2، فصل أوضح بين الفئات).

• الأداء:

  • في D1 (CICIDS2017)، حقق MQE دقة بنسبة 97.14% ودرجة F1 بلغت 81.48%. وعند معدل إيجابيات كاذبة صارم قدره 0.1%، كانت نسبة نجاح الإيجابيات الحقيقية (TPR) هي 40.74%.
  • في D2 (TON IoT)، حقق MQE دقة بنسبة 98.57% ودرجة F1 بلغت 99.05%. وعند معدل إيجابيات كاذبة قدره 0.1%، كانت نسبة نجاح الإيجابيات الحقيقية (TPR) هي 7.89%.
  • تفوق نظام التجميع الميتا باستمرار على فروع QSVM و QNN المستقلة من حيث درجة F1 و AUPRC، لا سيية في مجموعة البيانات الأكثر صعوبة D1.

• تحليل دمج الميتا:

  • الاختلاف في الخطأ: ارتكبت فروع QSVM و QNN أخطاءً مختلفة. في D2، كان تداخل الأخطاء صغيراً (2.7%)، مما يشير إلى تكامل عالٍ. وفي D1، كان التداخل أكبر (6.7%)، مما يعكس صعوبة مجموعة البيانات.
  • استراتيجية الدمج: اعتمدت طريقة الدمج المثلى على مجموعة البيانات. بالنسبة لـ D2، كان الدمج الصلب هو الأفضل (F1: 99.43%)، مما يشير إلى أن المخرجات المنفصلة كانت كافية. أما بالنسبة لـ D1، فقد حقق الدمج الاحتمالي أعلى درجة F1 (81.48%)، مما يشير إلى أن الإشارات القائمة على الثقة كانت ضرورية للتعامل مع مهمة التصنيف الأكثر صعوبة.

• المتانة والمعايرة:

  • المرونة تجاه الضجيج: حافظ الإطار على متانة معقولة تحت ظروف الضجيج المنخفض إلى المتوسط (تخميد السعة، إلخ)، ولكنه أظهر تراجعاً في الأداء مع زيادة احتمالية الضجيج، وهو ما يتوافق مع قيود عصر NISQ.
  • المعايرة: أنتج النموذج تقديرات احتمالية جيدة المعايرة، كما يتضح من درجات Brier المنخفضة (0.57% لـ D2) وقيم خطأ المعايرة المتوقع (ECE) (0.04% لـ D2).

• المقارنة مع النماذج المرجعية:

  • حققت النماذج المرجعية الكلاسيكية (الغابة العشوائية، XGBoost) أداءً مطلقاً متفوقاً في كلتا مجموعتي البيانات، مما يؤكد نضجها لبيانات IDS الجدولية.
  • لم يكن هدف إطار MQE هو التفوق على هذه النماذج الكلاسيكية، بل إثبات أن دمج المتعلمات الكمية غير المتجانسة يحسن موثوقية خطوط المعالجة الكمية-الكلاسيكية مقارنة بالنماذج الكمية المستقلة.

الأهمية والادعاءات

يزعم البحث أن الدمج على مستوى الميتا هو استراتيجية عملية لبناء خطوط معالجة IDS تعتمد على تعلم الآلة الكمي وتكون أكثر موثوقية. تكمن أهمية العمل في إثبات أن:

1. المتعلمات الكمية غير المتجانسة (QSVM و QNN) تمتلك نقاط قوة تكميلية وأنماط خطأ متميزة يمكن استغلالها بواسطة متعلم الميتا.
2. فعالية استراتيجية الدمج تعتمد على مجموعة البيانات؛ حيث تعتبر التمثيلات القائمة على الثقة حاسمة لمجموعات البيانات الصعبة وغير المتوازنة، بينما تكفي التسميات الصلبة للبيانات جيدة الفصل.
3. بينما تظل المجموعات الكلاسيكية هي الأقوى، يوفر إطار MQE أساساً نموذجياً للأبحاث المستقبلية في دمج الكم-الكلاسيكي المهيكل، مما يوفر استقراراً وموثوقية محسنة على النماذج الكمية المستقلة في سيناريوهات كشف التسلل.

يصرح المؤلفون صراحةً أن الإطار ليس مقصوداً به استبدال نماذج IDS الكلاسيكية الناضجة، بل التحقق مما إذا كانت استراتيجيات التجميع الميتا يمكن أن تعزز أداء ومتانة مكونات التعلم الكمي تحت ظروف تحديّة. ويُقترح للعمل المستقبلي توسيع هذا ليشمل الكشف متعدد الفئات، وسيناريوهات انزياح حركة المرور، والنشر الواعي بالعتاد (hardware-aware deployment).