Where Does a Variational Quantum Classifier Lose Accuracy? Angle Encoding, Readout and the Fidelity-Kernel Reference in Cyberattack Detection
تحلل هذه الورقة اختناقات الأداء للمصنفات الكمومية التباينية على معيار الهجمات السيبرانية NSL-KDD، كاشفةً أن استراتيجيات القراءة غير المثلى هي المصدر الرئيسي لفقدان الدقة مقارنة بطرق الترميز، بينما تثبت أيضاً أن النماذج الكمومية الحالية لا تقدم أي ميزة مقارنة بآلات ناقلات الدعم الكلاسيكية عند إعطائها نفس المدخلات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلف ولم يصادق عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم أمن الشبكات عالي المخاطر، تعمل الحواسيب باستمرار في حالة تأهب، حيث تمسح حركة المرور الرقمية بحثاً عن علامات الاختراق. وعندما يظهر نمط مشبوه، يجب على النظام أن يقرر فوراً ما إذا كان مجرد خلل عابر أم هجوماً خبيثاً. لسنوات طويلة، لجأ الباحثون إلى تعلم الآلة لبناء هذه الحراس الرقمية، عبر تدريبها على مكتبات ضخمة من نشاط الشبكة السابق للتعرف على التهديدات. ومؤخراً، فُتحت آفاق جديدة: تعلم الآلة الكمي. يستخدم هذا النهج القوانين الغريبة للفيزياء الكمية لمعالجة المعلومات، مما يوفر نظرياً وسيلة لحل المشكلات التي تفوق تعقيداتها الحواسيب القياسية. والأمل يكمن في أنه من خلال تشفير بيانات الشبكة في الحالات الدقيقة للجسيمات الكمية، يمكن لهذه الأنظمة الجديدة رصد الهجمات بشكل أسرع وأكثر دقة من أي وقت مضى. ولكن مع بدء العلماء في اختبار هذه الأفكار، يبرز سؤال جوهري: عندما تفشل هذه الأنظمة الكمية في الأداء كما هو متوقع، أين يحدث الخلل تحديداً؟ هل العيب في كيفية ترجمة البيانات إلى اللغة الكمية، أم في الدوائر المعقدة التي تعالجها، أم في الخطوة النهائية حيث يتم تحويل مخرجات الآلة إلى قرار؟
لقد شرع فريق من الباحثين في جامعة إيونيا في اليونان في الإجابة على هذا السؤال من خلال تشريح نوع محدد من المصنفات الكمية المصممة للكشف عن الهجمات السيبرانية. فقد ركزوا على مجموعة بيانات معروفة لحركة مرور الشبكة، مستخدمين إياها كساحة اختبار لمعرفة كيف تساهم الأجزاء المختلفة من النظام الكمي في النتيجة النهائية. وتضمن عملهم مقارنة طريقتين متميزتين لترجمة بيانات الشبكة إلى حالات كمية. إحدى الطريقتين، تُعرف باسم "ترميز الزاوية" (angle encoding)، تتعامل مع كل قطعة من البيانات كدوران لجسيم كمي، مما يحافظ على المقياس والحجم المحدد للأرقام الأصلية مع استخدام "كيوبت" واحد لكل ميزة. أما الطريقة الأخرى، المسماة "ترميز السعة" (amplitude encoding)، فتضغط البيانات في احتمالات الحالة الكمية نفسها، مما يسمح بتخزين معلومات أكثر في عدد أقل من الجسيمات، ولكنها تتطلب تطبيع البيانات، أو تقليص حجمها، لتتناسب مع النظام. ثم قام الباحثون ببناء دوائر كمية لمعالجة هذه البيانات المشفرة واختبروها مقابل معيار كلاسيكي: وهو "آلة ناقلات الدعم" (support-vector machine) القياسية، وهي خوارزمية كلاسيكية قوية تعمل كمعيار لما هو ممكن نظرياً باستخدام ترميز البيانات المحدد هذا.
كشفت الدراسة عن حقيقة مفاجئة حول مكان فقدان النظام الكمي لتفوقه. فقد وجد الباحثون أن المصدر الأكبر للخطأ لم يكن الدائرة الكمية نفسها، ولا الطريقة التي تم بها تشفير البيانات في البداية، بل في الخطوة النهائية المتمثلة في قراءة النتائج. في العديد من التجارب الكمية، يقيس النظام حالة جسيم واحد فقط أو ينظر إلى مجموع بسيط لجميع الجسيمات لاتخاذ قرار. وأظهرت الدراسة أن طريقة القراءة البسيطة هذه تتخلص من قدر كبير من المعلومات المفيدة. وعندما استبدل الباحثون هذه القراءة البسيطة بطريقة أكثر تطوراً تتعلم كيفية تفسير النمط الكامل للقياسات، قفزت دقة المصنف الكمي بشكل هائل. وفي الواقع، كان أداء دائرة ذات قارئ مدرب أفضل بكثير من دائرة ذات قارلئ بسيط، لدرجة أن الفرق كان أكبر من الفرق الناتج عن تغيير طريقة الترميز نفسها. يفسر هذا الاكتشاف لماذا غالباً ما يفشل إضافة المزيد من الطبقات إلى الدائرة الكمية في تحسين الأداء؛ فإذا لم يكن القارئ في النهاية متطوراً بما يكفي، فإن قوة المعالجة الإضافية داخل الدائرة تذهب سدى.
كما أوضحت الدراسة المقايضات بين طريقتي الترميز. فبالنسبة لحركة مرور الشبكة التي تشبه إلى حد كبير البيانات التي تدرب عليها النظام، أنتجت طريقة "ترميز الزاوية" أدوات كشف أكثر دقة. فهي تتطلب دوائر أقل عمقاً لثماني ميزات أو أكثر، مما يوفر دقة أفضل للتهديدات المعروفة. ومع ذلك، عندما تعلق الأمر برصد أنواع جديدة تماماً من الهجمات التي لم يرها النظام من قبل، أثبتت طريقة "ترميز السعة" تفوقها؛ إذ تمكنت من تحديد نسبة مئوية أعلى من هذه التهديدات المستحدثة، رغم استخدامها لعدد أقل من الجسيمات الكمية. وهذا يشير إلى أن اختيار الترميز يعتمد بشدة على الهدف المحدد: فإذا كانت الأولوية هي رصد الهجمات المعروفة بدقة عالية، فإن ترميز الزاوية هو الأداة الأفضل؛ أما إذا كان الهدف هو اكتشاف التهديدات غير المعروفة والمجهولة، فإن ترميز السعة هو صاحب الأفضلية.
ولعل الاكتشاف الأكثر إثارة للقلق بالنسبة لمجال الحوسبة الكمية هو أنه، في هذه المهمة المحددة، لم تتفوق الأنظمة الكمية على نظيراتها الكلاسيكية. فعندما قارن الباحثون أفضل الدوائر الكمية أداءً بالنماذج الكلاسيكية التي تستخدم نفس بيانات المدخلات، كانت النماذج الكلاسيكية بنفس الدقة، وفي بعض الحالات، بل وأكثر دقة. ولم يكن "التفوق الكمي"، الذي يُروج له غالباً كسبب لبناء هذه الآلات المعقدة، موجوداً في هذه المحاكاة. وأشار الباحثون إلى أن التحسينات المشاهدة في اكتشاف أنواع الهجمات الجديدة جاءت من الطريقة التي تم بها ترميز البيانات، وهي عملية يمكن للحاسوب الكلاسيكي أيضاً القيام بها بكفاءة. وهذا يعني أنه لكي تبرز الحواسيب الكمية حقاً في أمن الشبكات، ستحتاج إلى استخدام طرق ترميز معقدة للغاية بحيث لا تستطيع الحواسيب الكلاسيكية محاكاتها بكفاءة. وحتى ذلك الحين، يظل عنق الزجاجة ليس في الأجهزة الكمية، بل في تصميم خطوة اتخاذ القرار النهائي للنظام. ويشير المسار المستقبلي، حسب الدراسة، إلى ضرورة التركيز بشكل أقل على إضافة المزيد من الطبقات إلى الدائرة الكمية، وبشكل أكبر على تعليم الآلة كيفية قراءة مخرجاتها بعناية أكبر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.