🤖 AI

Quantum Computing for Network Security Classification: Near-Term Classification and Long-Term Memory Efficiency

تقيم هذه الورقة إمكانات الحوسبة الكمومية لتصنيف أمن الشبكات من خلال إثبات أن نماذج آلات المتجهات الداعمة ذات النواة الكمومية (quantum-kernel SVMs) في المدى القريب تقدم أداءً تنافسيًا يعتمد على مجموعة البيانات مقارنة بالنماذج الكلاسيكية المرجعية، بينما يشير التخطيط عبر الأوراكل الكمومي (quantum oracle sketching) في المدى البعيد إلى مزايا كبيرة في كفاءة الذاكرة لمعالجة البيانات المتدفقة.

المؤلفون الأصليون: Yuqing Li, Poonam Bala Nehru, Yunpeng Zhang, Danindu Gammanpilage, Xin Jin, Zeguan Wu, Junyu Liu

نُشر 2026-09-30

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yuqing Li, Poonam Bala Nehru, Yunpeng Zhang, Danindu Gammanpilage, Xin Jin, Zeguan Wu, Junyu Liu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ 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

في العالم الرقمي، يعمل أمن الشبكات كمرشح مستمر، يغربل فيضاً من البيانات للتمييز بين النشاط غير الضار والهجمات الخبيثة. تعتمد الأنظمة الأمنية على التصنيف، وهي عملية تتعلم فيها الحواسيب التعرف على الأنماط التي تشير إلى الخطر، مثل هجوم حجب الخدمة الموزع أو محاولة اختراق. لسنوات، بُنيت هذه الأنظمة على الحوسبة الكلاسيكية، باستخدام أدوات رياضية لقياس مدى تشابه قطعة جديدة من البيانات مع التهديدات المعروفة. ومؤخراً، دخلت تقنية جديدة تسمى الحوسبة الكمومية في صلب النقاش. فخلافاً للحواسيب الكلاسيكية التي تعالج المعلومات في تسلسل خطي، تستخدم الآلات الكمومية الخصائص الغريبة للجسيمات دون الذرية لاستكشاف احتمالات عديدة في وقت واحد. وقد أثار هذا الإمكان اهتماماً حول ما إذا كان بإمكان الحواسيب الكمومية أن تجعل الأنظمة الأمنية أسرع أو أكثر دقة في نهاية المطاف. ومع ذلك، لا يزال واقع هذه التقنية قيد التشكّل، ويعمل الباحثون على فهم أين تقع بالضبط في المشهد الحالي وإلى أين قد تقود في المستقبل.

وضع فريق من الباحثين من جامعة بيتسبرغ وجامعة هيوستن هدفهم لاختبار هذه الأفكار من خلال نهج واضح يتكون من جزأين. أرادوا معرفة ما إذا كانت الحواسيب الكمومية يمكنها تحسين تصنيف الأمن في الوقت الحالي، وإذا لم يكن الأمر كذلك، فهل قد تقدم نوعاً مختلفاً من المزايا لاحقاً. ولتحقيق ذلك، لجأوا إلى ثلاث مجموعات معروفة من بيانات حركة مرور الشبكة: KDD Cup 1999، وCICIDS2017، وBoT-IoT. تحتوي هذه المجموعات على سجلات لسلوك الشبكة الطبيعي ممزوجة بأنواع مختلفة من الهجمات السيبرانية، مما يوفر أرض اختبار واقعية. لم يحاول الباحثون بناء نظام أمني كمومي واحد شامل، بل قسموا المشكلة إلى تجربتين متميزتين لمعرفة ما يمكن لكل جزء من هذه التقنية أن يحققه بالفعل.

في التجربة الأولى، نظر الفريق إلى المدى القريب، متسائلين عما إذا كان بإمكان الحواسيب الكمومية ببساطة القيام بعمل أفضل في فرز البيانات من أفضل الحواسيب الكلاسيكية المتاحة اليوم. استخدموا طريقة محددة تسمى "آلة المتجهات الداعمة" (support vector machine)، وهي أداة قياسية للتصنيف تعمل من خلال رسم حدود بين البيانات الآمنة وغير الآمنة. قاموا بتشغيل هذه الأداة مرتين: مرة باستخدام دالة رياضية كلاسيكية لقياس التشابه، ومرة باستخدام نسخة كمومية من تلك الدالة. ولضمان إجراء اختبار عادل، غدوا كلتا النسختين بنفس البيانات تماماً، وعالجوا البيانات بنفس الطريقة تماماً، واستخدموا نفس القواعد لاتخاذ القرارات. ولم تكن النتائج انتصاراً بسيطاً للتقنية الجديدة؛ ففي إحدى مجموعات البيانات، كانت الطريقة الكلاسيكية أقوى بوضوح، حيث رسمت خطاً أكثر دقة بين حركة المرور الطبيعية وحركة الهجوم. وفي مجموعة أخرى، كان الأداء الكمومي أفضل، حيث التقط أنماطاً دقيقة فاتَت النهج الكلاسيكي. وفي الثالثة، كان كلا النهجين متطابقين تقريباً، مع تفوق طفيف للنسخة الكمومية في مقياس محدد. وخلص الباحثون إلى أن الحوسبة الكمومية ليست ترقية عالمية ستتفوق تلقائياً على الطرق الكلاسيكية، بل إن قيمتها تعتمد كلياً على النوع المحدد للبيانات التي يتم تحليلها. ففي بعض الحالات، تعد بديلاً تنافسياً، وفي حالات أخرى، تظل الأساليب القديمة هي الأفضل.

أما التجربة الثانية فقد نظرت إلى مستقبل أبعد، مركزة ليس على السرعة أو الدقة الفورية، بل على مقدار الذاكرة التي يحتاجها النظام لتخزين بياناته. غالاً ما تضطر الأنظمة الأمنية إلى معالجة كميات هائلة من المعلومات، وتخزين كل تفصيل يتطلب كميات ضخمة من ذاكرة الحاسوب. استكشف الباحثون تقنية تسمى "تخطيط أوراكل الكمومي" (quantum oracle sketching)، وهي طريقة نظرية لمعالجة البيانات دون الاحتفاظ بمجموعة البيانات بأكملها في الذاكرة في وقت واحد. فبدلاً من تخزين كل رقم، يبني هذا الأسلوب خريطة تقريبية مدمجة للبيانات أثناء وصولها، مما يسم يسمح للحاسوب الكمومي بالاستعلام عن المعلومات لاحقاً دون الحاجة إلى الملف الأصلي الكامل. ولاختبار ذلك، قارن الفريق حجم الذاكرة المطلوب بواسطة هذا النهج الكمومي مقابل طريقتين كلاسيكيتين: إحداهما تخزن البيانات بتنسيق متفرق وفعال، والأخرى تقوم ببساطة ببث البيانات كما تأتي. ووجدوا أنه بالنسبة لنفس المستوى من الدقة، تطلب النهج الكمومي حجماً فعلياً أصغر بكثير للذاكرة مقارنة بالطريقة الكلاسيكية التي تخزن البيانات المتفرقة الكاملة. ومع ذلك، عند مقارنتها بطريقة البث البسيطة التي تصفّي التفاصيل النادرة بقوة، كان التفوق الكمومي أقل وضوحاً. وهذا يشير إلى أن الوعد الحقيقي طويل الأمد للحوسبة الكمومية في أمن الشبكات قد لا يكمن في تشغيل العمليات الحسابية بشكل أسرع، بل في السماح للأنظمة بالتعامل مع أحجام هائلة من البيانات بعبء ذاكرة أقل بكثير.

وتصور هاتان التجربتان معاً صورة دقيقة لدور هذه التقنية. فالمستقبل القريب لا يحمل حلاً سحرياً حيث تستبدل الحواسيب الكمومية الكلاسيكية في جميع المهام الأمنية، إذ إن الأداء يعتمد بشكل كبير على مجموعة البيانات المحددة وطبيعة التهديد. ومع ذلك، فإن التوقعات طويلة المدى تقدم نوعاً آخر من الأمل. فحتى لو لم تكن الحواسيب الكمومية قادرة دائماً على تصنيف البيانات بدقة أكبر اليوم، فإن قدرتها على الوصول إلى المعلومات ومعالجتها ببصمات ذاكرة أصغر بكثير قد تشكل تغييراً جذرياً في التعامل مع النطاق الهائل لحركة مرور الشبكة المستقبلية. ويشير العمل إلى أن الطريق إلى الأمام لا يتعلق بانتظار طفرة واحدة، بل بإيجاد الأماكن المناسبة التي يمكن لهذه الآلات فيها أن تكمل الأدوات الموجودة، سواء من خلال تقديم طريقة مختلفة لقياس التشابه في سيناريوهات معينة، أو من خلال حل مشكلة تخزين البيانات المتزايدة في عالم مترابط بشكل متزايد.

ملخص تقني: الحوسبة الكمومية لتصنيف أمن الشبكات

بيان المشكلة

بينما تم استكشاف الحوسبة الكمومية في تطبيقات متنوعة لأمن الشبكات (مثل كشف التسلل، وكشف هجمات حجب الخدمة الموزعة)، إلا أن هناك نقصاً في المناقشة المنهجية حول كيفية مساهمة الحوسبة الكمومية في تصنيف أمن الشبكات عبر مختلف النطاقات الزمنية. غالباً ما تركز الأدبيات الحالية على نماذج هجينة محددة تسجل دقة عالية على مجموعات بيانات معينة، دون عزل ما إذا كان المكون الكمومي نفسه يوفر إشارة تنافسية أم أن الأداء مدفوع بعمليات المعالجة المسبقة وبنية النموذج. علاوة على ذلك، فإن القيمة طويلة المدى للحوسبة الكمومية في هذا المجال — وتحديداً فيما يتعلق بكفاءة الذاكرة لمعالجة البيانات واسعة النطاق — لا تزال غير مستكشفة بشكل كافٍ مقارنة بادعاءات تسريع وقت التشغيل الفوري.

تعالج هذه الورقة سؤالين متميزين:

المدى القريب: هل تعد آلات دعم المتجهات (SVM) ذات النواة الكمومية (Quantum-kernel SVMs) تنافسية مع النماذج الكلاسيكية المرجعية لمهام تصنيف أمن الشبكات العملية عندما يتم التحكم في خط معالجة البيانات وهدف الـ SVM؟
المدى الطويل: هل يمكن للطرق الكمومية أن توفر ميزة في حجم الذاكرة لمعالجة بيانات الأمن الكلاسيكية المتدفقة، وتحديداً من خلال منظور تخطيط الأوراكل الكمومي (Quantum Oracle Sketching - QOS)؟

المنهجية

تستخدم الدراسة تجربتين متكاملتين باستخدام ثلاث مجموعات بيانات قياسية لأمن الشبكات: KDD Cup 1999، وCICIDS2017، وBoT-IoT.

1. تجربة المدى القريب: مقارنة النواة المتحكم بها

صمم المؤلفون تجربة متحكم بها لعزل تأثير دالة النواة.

تعريف المهمة:
- KDD Cup 1999 و CICIDS2017: كشف الشذوذ أحادي الفئة (التدريب فقط على العينات السليمة، والاختبار على عينات مختلطة سليمة/هجوم).
- BoT-IoT: تصنيف ثنائي خاضع للإشراف (DoS مقابل DDoS)، نظراً لأن مجموعة البيانات تفتقر إلى تدفقات طبيعية كافية لتدريب مستقر أحادي الفئة.
خط معالجة البيانات (Pipeline): استخدمت كل من النماذج الكلاسيكية والكمومية نفس معالجة البيانات:
- إزالة المعرفات والتسميات.
- الترميز الأحادي (One-hot encoding) للمتغيرات الفئوية وتوحيد (Standardization) المتغيرات الرقمية.
- تقليل الأبعاد عبر TruncatedSVD إلى فضاء مشترك ذي أبعاد $d$ (حيث $d$ يساوي عدد الكيوبتات: 12 لـ KDD/CICIDS، و10 لـ BoT-IoT).
- تحجيم الميزات إلى ميزات زاوية في النطاق $[0, \pi]$ .
مقارنة النماذج:
- النموذج الكلاسيكي المرجعي: نموذج SVM مع نواة دالة الأساس الشعاعي (RBF) القياسية المطبقة على ميزات الزاوية.
- النموذج الكمومي: نموذج SVM مع نواة وفاء كمومية $K(a, b) = |\langle\phi(a)|\phi(b)\rangle|^2$ . استخدمت خريطة الميزات حالة متشابكة مع دورات $R_y$ أحادية الكيوبت وتفاعلات طور الجوار الأقرب.
- المحاكاة: تم حساب مصفوفة النواة الكمومية عبر محاكاة الحالة المتجهة الدقيقة (exact statevector simulation).
المقاييس: ROC-AUC، والدقة المتوسطة (AP)، وأفضل قيمة F1 (المُحسنة حسب العتبة) عبر ثماني بذور عشوائية.

2. تجربة المدى الطويل: كفاءة الذاكرة عبر QOS

تقيم هذه التجربة ميزة نظرية في الذاكرة باستخدام تخطيط الأوراكل الكمومي (QOS).

المفهوم: بدلاً من تخزين مصفوفة البيانات الكاملة، يقوم QOS بمعالجة العينات عبر الإنترنت لبناء أوراكل كمومي تقريبي، مما يسمح بالوصول المتماسك للاستعلام دون الاحتفاظ بمجموعة البيانات بأكملها.
الإجراء:
- تم تغيير عتبة تصفية الميزات ( $min\_df$ ) لإزالة الميزات النادرة، مما خلق مصفوفات بأبعاد فعالة مختلفة ( $D_{df}$ ) وندرة متفاوتة.
- تم تدريب مصنف ريدج (Ridge classifier) لكل عتبة لتسجيل الدقة.
مقاييس حجم الذاكرة: تمت مقارنة ثلاثة تقديرات عند مستويات دقة متقاربة:
1. التدفق الكلاسيكي ( $S_{stream}$ ): $D_{df}$ (بعد فضاء الميزات المفلترة).
2. الكلاسيكي المتناثر/QRAM ( $S_{sparse}$ ): $nnz(X_{df})$ (عدد المدخلات غير الصفرية).
3. تخطيط الأوراكل الكمومي ( $S_{QOS}$ ): صيغة تتدرج لوغاريتمياً مع الأبعاد والندرة: $2 \lceil\log_2(N + 2D_{df})\rceil + \lceil\log_2(s + 1)\rceil + 1$ .

النتائج الرئيسية

أداء التصنيف في المدى القريب

كانت النتائج مرتبطة بمجموعة البيانات وليست متفوقة عالمياً للأساليب الكمومية:

KDD Cup 1999: تفوق نموذج OCSVM الكلاسيكي بنواة RBF على نموذج OCSVM الكمومي في جميع المقاييس (ROC-AUC: 0.928 مقابل 0.897). يشير المؤلفون إلى أن هندسة RBF كانت تتناسب بشكل أفضل مع الفضاء المقلص للميزات، بينما قد تكون ترميز الزاوية الدوري للنواة الكمومية قد شوه البنية الشعاعية.
CICIDS2017: حسن نموذج OCSVM الكمومي من الأداء مقارنة بالنموذج الكلاسيكي المرجعي في جميع المقاييس (ROC-AUC: 0.667 مقابل 0.621؛ أفضل F1: 0.700 مقابل 0.679)، مما يشير إلى أن نواة الوفاء التقطت هياكل تشابه مفيدة لهذه المجموعة غير المتجانسة من البيانات.
BoT-IoT: اقترب كلا النموذجين من مرحلة التشبع. وبينما حقق النموذج الكلاسيكي ROC-AUC و AP أعلى قليلاً، حقق النموذج الكمومي قيمة F1 أفضل باستمرار (0.9955 مقابل 0.9887)، ويرجع ذلك على الأرجاح إلى عتبة قرار أكثر ملاءمة في مجموعة الاختبار المتوازنة.
دراسة الاستئصال (Ablation Study): أظهر أن تغيير عدد الكيوبتات (6–12) وأنواع النواة لم يؤدِ إلى تحسينات رتيبة؛ حيث ظل الأداء حساساً لخصائص مجموعة البيانات ومقاييس أخذ العينات.

كفاءة الذاكرة في المدى الطويل

QOS مقابل التخزين الصريح: كان تقدير حجم الآلة المستوحى من QOS أصغر بكثير من تقديرات التخزين الصريح أو أسلوب QRAM عبر جميع مجموعات البيانات لمستويات دقة متقاربة.
QOS مقابل التدفق: كانت المقارنة مع وسيط التدفق الكلاسيكي البسيط دقيقة. نظرًا لأن التصفية القوية للميزات يمكن أن تقلل بعد التدفق الكلاسيكي ( $D_{df}$ ) إلى أرقام صغيرة جداً، فقد بدا وسيط التدفق أصغر أحياناً من تقدير QOS. ومع ذلك، يشير المؤلفون إلى أن نماذج QOS تضغط الوصول المتماسك للبيانات بدلاً من مجرد بُعد المصنف الملائم.

المساهمات الرئيسية

تقييم النواة المتحكم به: تقدم الورقة مقارنة صارمة ومتحكم بها لنواوات الوفاء الكمومية مقابل نواوات RBF الكلاسيكية في أمن الشبكات، مما يعزل تأثير النواة عن المعالجة المسبقة وبنية النموذج. وتثبت أن النواوات الكمومية هي بدائل تنافسية في سيناريوهات محددة ولكنها ليست بدائل عالمية.
منظور حجم الذاكرة: تقدم الدراسة تحليلاً قائماً على QOS لأمن الشبكات، مما ينقل التركيز من تسريع وقت التشغيل إلى كفاءة الذاكرة. وهي تقيس القدرة المحتملة للطرق الكمومية في تقليل وسيط حجم الذالة الفعال المطلوب لمهام التصنيف واسعة النطاق مقارنة بالتخزين الصريح.
التوصيف المعتمد على المهمة: توضح الدراسة أن القيمة في المدى القريب للحوسبة الكمومية في هذا المجال تعتمد بشكل كبير على هندسة مجموعة البيانات وتفاصيل المهمة، بدلاً من تقديم ميزة مطلقة.

الأهمية والادعاءات

يختتم المؤلفون بتقييم متزن ولكن متفائل لدور الحوسبة الكمومية في أمن الشبكات:

المدى القريب: قد تعمل الحوسبة الكمومية كـ بديل يعتمد على المهمة للنواوات الكلاسيكية. إنها ليست بديلاً متفوقاً بشكل موحد، ولكنها تقدم أداءً تنافسياً في سيناريوهات محددة (مثل CICIDS2017) حيث تتوافق خريطة الميزات الكمومية جيداً مع بنية البيانات.
المدى الطويل: قد تكمن القيمة الأساسية في الوصول إلى البيانات بكفاءة في الذاكرة. حتى لو لم تتحقق تسريعات وقت التشغيل في المدى القريب، فإن قدرة QOS على معالجة البيانات المتدفقة بوسيط حجم ذاكرة أصغر بكثير من التخزين الصريح تشير إلى مسار قابل للتطبيق للتعامل مع بيانات الأمن واسعة النطاق في المستقبل.

تذكر الورقة صراحة أن هذه التجارب لا تشكل نظام كشف تسلل (IDS) كمومي موحد ومنتشر. بدلاً من ذلك، فهي تحدد قناتين متميزتين للمساهمة: البدائل الفورية على مستوى النواة وآليات الوصول إلى البيانات بكفاءة في الذاكرة في المستقبل.