Evaluation of Quantum Machine Learning Models for Network Anomaly Detection

لقد نما الإنترنت ليتجاوز بكثير أجهزة الكمبيوتر والهواتف التي نحملها في جيوبنا. فهو الآن يربط مليارات الأجهزة، من أجهزة تنظيم الحرارة الذكية إلى المستشعرات الصناعية، مما يخلق شبكة واسعة وغير مرئية من التواصل المستمر. هذا الانفجار في التكنولوجيا المتصلة يجلب راحة هائلة، ولكنه يفتح الباب أيضاً أمام أنواع جديدة من المشاكل. فمع تضاعف هذه الأجهزة، تتضاعف أيضاً محاولات اختراقها، أو سرقة البيانات، أو تعطيل الخدمات. وللحفاظ على سلامة هذا العالم الرقمي، يعتمد خبراء الأمن على أنظمة يمكنها رصد السلوك غير الطبيعي — الأنماط التي تبدو وكأنها جهاز يتصرف بغرابة أو متسلل يحاول التسلل خفية. لسنوات طويلة، استخدمت هذه الأنظمة الأمنية برامج كمبيوتر قياسية، تُعرف بالتعلم الآلي التقليدي، لتعلم كيف تبدو حركة المرور الطبيعية وتحديد الأمور الغريبة. ومع ذلك، مع ازدياد تعقيد البيانات وتطور التهديدات، تعاني هذه الأدوات التقليدية أحياناً لمواكبة التطور.

ينظر العلماء الآن إلى نوع مختلف من الحوسبة لحل هذه المشكلة. فبدلاً من استخدام المفاتيح القياسية الموجودة في أجهزة الكمبيوتر اليومية، والتي تعالج المعلومات كأصفار وآحاد بسيطة، تستخدم أجهزة الكمبيوتر الكمومية القواعد الفيزيائية الغريبة التي تحكم أصغر الجسيمات في الكون. يمكن لهذه الآلات أن تحمل المعلومات في حالات متعددة في وقت واحد، وتربط قطع البيانات المختلفة ببعضها البعض بطرق لا تستطيع أجهزة الكمبيوتر العادية القيام بها. ومن خلال الجمع بين هذه القدرات الكمومية والتعلم الآلي، يأمل الباحثون في بناء أنظمة أمنية أسرع وأفضل في رصد المخاطر الخفية. وقد أجرى فريق من الباحثين في جامعة ديكين في أستراليا مؤخراً نظرة فاحصة على مدى فعالية هذه الأساليب الكمومية الجديدة عند محاولة كشف اختراقات الشبكة. لم يكتفوا بمجرد التنظير للمستقبل؛ بل قاموا ببناء واختبار عدة نماذج كمومية مختلفة لمعرفة كيفية أدائها مقابل بيانات من العالم الحقيقي.

اختار الباحثون اختبار أفكارهم باستخدام مجموعة بيانات محددة تسمى BoT-IoT. وهي سجل مستخدم على نطاق واسع لحركة مرور الشبكة يتضمن كلاً من النشاط الطبيعي وأنواعاً مختلفة من الهجمات السيبرانية، مما يجعلها أرضية تدريب مثالية للبرمجيات الأمنية. وقبل تغذية هذه البيانات في نماذجهم الكمومية، كان على الفريق تبسيطها. فقد احتوت المعلومات الخام على تفاصيل كثيرة جداً لمعالجتها بكفاءة، لذا استخدموا تقنيات مختلفة لتجريد البيانات من الضجيج والاحتفاظ بالإشارات الأكثر أهمية فقط. لقد جربوا ثلاث طرق متميزة للقيام بذلك: طريقة واحدة نظرت إلى سلوك وإحصائيات البيانات، وأخرى وجدت الأنماط الرئيسية عن طريق ضغط المعلومات، وثالثة قامت بتجميع نقاط البيانات المتشابهة معاً للكشف عن الهياكل الخفية. وبمجرد تنظيف البيانات وتبسيطها، مرروها عبر أربعة أنواع مختلفة من المصنفات، وكلها كانت نماذج كمومية مصممة للاستفادة من القوة الفريدة للآلات الكمومية: وهو "مصنف متجه الدعم الكمومي" (Quantum Support Vector Classifier)، و"المصنف الكمومي المتغير" (Variational Quantum Classifier)، و"الشبكة العصبية الكمومية" (Quantum Neural Network)، إلى جانب "مصنف متجه الدعم الكلاسيكي" (Classical Support Vector Classifier) الذي استُخدم كمعيار للمقارنة.

كشفت نتائج هذه المقارنة عن صورة دقيقة لمكانة التكنولوجيا الكمومية اليوم. كان النموذج الكمومي الأكثر نجاحاً هو نوع يسمى "المصنف الكمومي المتغير"، والذي عمل بشكل أفضل عند اقترانه بطريقة التحليل السلوكي والإحصائي. حقق هذا المزيج مستوى عالياً من الدقة، حيث حدد التهديدات بنجاح في 95 بالمائة من الحالات، وفعل ذلك بأداء مستقر وموثوق. وفي المقابل، أظهر نموذج كمومي آخر، وهو "الشبكة العصبية الكمومية"، إمكانات واعدة في رصد جميع الهجمات تقريباً، لكنه عانى من الإنذارات الكاذبة، حيث صنف حركة المرور الآمنة على أنها خطيرة بشكل أكثر تكراراً من النماذج الأخرى. كما وجد الباحثون أن اختيار كيفية تبسيط البيانات كان أمراً بالغ الأهمية. فعندما استخدموا طريقة ضغطت البيانات إلى مكوناتها الرئيسية، أدى نموذج كمومي مختلف يسمى "مصنف متجه الدعم الكمومي" أداءً جيداً جداً، ولكنه استغرق وقتاً طويلاً للتشغيل، حيث تطلب أكثر من ألفي ثانية لإتمام المهمة. وكان هذا أبطأ بكثير من الطرق الأخرى، مما يشير إلى أنه رغم قدرته على الدقة، إلا أنه قد يكون بطيئاً جداً لاحتياجات الأمن في الوقت الفعلي.

ولعل الاكتشاف الأكثر إثارة للدهشة هو كيفية مقارنة النماذج الكمومية بالنماذج التقليدية. ففي عدة حالات، طابقت برامج الكمبيوتر القياسية النماذج الكمومية أو حتى تفوقت عليها من حيث السرعة والدقة الإجمالية. على سبيل المثال، تمكن النموذج الكلاسيكي من معالجة البيانات بسرعة أكبر بكثير من النسخ الكمومية في سيناريوهات عديدة. وهذا لا يعني أن النهج الكمومي قد فشل، بل يعني أن التكنولوجيا لا تزال في مراحلها الأولى. وقد لاحظ الباحثون أن النماذج الكمومية أظهرت إمكانات كبيرة، خاصة في قدرتها على تعلم الأنماط المعقدة، ولكنها مقيدة حالياً بحدود الأجهزة والوقت الذي تستغرقه عمليات المحاكاة هذه. وقد سلطت الدراسة الضوء على أنه بينما لا يعد التعلم الآلي الكمومي جاهزاً بعد لاستبدال الأنظمة الأمنية المستخدمة في كل مكتب ومنزل، إلا أنه يقترب بسرعة من نقطة يمكن أن يوفر فيها ميزة متميزة، خاصة للتحديات الأمنية الأكثر صعوبة وتعقيداً.

خلص الفريق إلى أن الطريق إلى الأمام يعتمد على إيجاد التوازن الصحيح بين نوع النموذج الكمومي وطريقة إعداد البيانات. فقد وجدوا أنه بالنسبة للبيئات محدودة الموارد، مثل بوابات الأمن الصغيرة الموجودة في العديد من إعدادات إنترنت الأشياء، فإن مزيجاً معيناً من "مصنف متجه الدعم الكمومي" وطريقة تجمع نقاط البيانات المتشابهة قدم أفضل حل وسط. فقد وفر معدلات كشف قوية مع إبقاء الوقت المطلوب لتشغيل النظام منخفضاً بما يكفي ليكون عملياً. يعمل هذا العمل كخريطة حاسمة للمستقبل، حيث يوضح بالضبط أين تكمن نقاط القوة والضعف في الأمن الكمومي. إنه يثبت أنه بينما يعد الوعد بالحوسبة الكمومية للدفاع عن الشبكات حقيقياً، فإن تحقيق هذا الوعد يتطلب اختياراً دقيقاً للأدوات وفهماً واضحاً للقيود الحالية. ومع استمرار تحسن الأجهزة الكمومية، من المتوقع أن تصبح هذه النماذج أسرع وأقوى، لتنتقل في النهاية من مرحلة المحاكاة إلى الأجهزة الحقيقية التي تحمي عالمنا المتصل.