💻 computer science

Quantum AIO-ChameleonGAN for Behaviour-Aware Quantum–Classical Intrusion Detection of Adaptive Cyber Threats

تقدم هذه الدراسة Quantum AIO-ChameleonGAN، وهو إطار عمل هجين بين الكمي والكلاسيكي لكشف التسلل يدمج تحسين زاوية السقوط للنمذجة السلوكية السياقية مع دائرة كمية متغيرة مكونة من ثمانية كيوبتات، محققاً دقة بنسبة 99.85% وانخفاضاً بنسبة 33.3% في السلبيات الكاذبة على مجموعة بيانات CIC-UNSW-NB15 مع إظهار فوائد تمثيلية من خلال محاكاة متجه الحالة.

المؤلفون الأصليون: Kevin Tole, Edward Fondo

نُشر 2026-08-31

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Kevin Tole, Edward Fondo

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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، غالبًا ما تكون التهديدات الأكثر خطورة هي تلك التي تبدو الأكثر براءة. تمامًا كما يمكن لمزور ماهر أن ينسخ ملمس وحبر ورقة نقدية حقيقية بدقة تجعل العين لا تستطيع التمييز بينهما، تعلم المهاجمون السيبرانيون المعاصرون محاكاة أنماط حركة مرور الإنترنت العادية. إنهم يخفون شفراتهم الخبيثة داخل تدفق البيانات اليومية، ويغيرون مظهرهم بما يكفي فقط للتسلل عبر الحراس الآليين الذين يراقبون شبكاتنا. هؤلاء الحراس، المعروفون بأنظمة كشف التسلل، اعتمدوا تقليديًا على البحث عن تواقيع محددة ومعروفة للسلوك السيئ. ولكن عندما يتمكن المهاجم من تغيير شكله وتحويره، فإن النظام الذي يتعرف فقط على الأنماط الثابتة يفشل. ولإمساك هذه التهديدات المراوغة، يتجه الباحثون الآن إلى نوع جديد من التفكير يجمع بين الطريقة التي تتعلم بها الآلات من البيانات والمنطق الغريب والقوي للفيزياء الكمومية، بهدف رؤية ليس فقط ما هي قطعة البيانات، بل كيف تتصرف في علاقتها بكل ما يحيط بها.

لقد طور فريق من الباحثين نظامًا جديدًا يسمى Quantum AIO-ChameleonGAN لحل هذه المشكلة المتعلقة بالتمويه التكيفي. يعتمد نهجهم على فكرة بسيطة ولكنها قوية: لكي تعرف ما إذا كانت حركة مرور الشبكة قطعة مزيفة، يجب عليك أولًا فهم الحي الموضعي المحدد للسلوك الطبيعي الذي تحاول الانضمام إليه. فبدلاً من مقارنة كل قطعة بيانات منفردة بصورة عامة وضخمة لما تبدو عليه حركة المرور "الجيدة"، يبني النظام مرجعًا صغيرًا ومخصصًا لكل ملاحظة فردية. إنه ينظر إلى أقرب الأمثلة القليلة لحركة المرور الآمنة القريبة منه ويصنع معيارًا محليًا. ثم يقيس اتجاه وزاوية الملاحظة الجديدة بالنسبة لهذا المعيار المحلي. إذا كانت البيانات الجديدة تشير إلى اتجاه مختلف قليًا عن جيرانها، حتى لو بدت مشابهة على السطح، فإن النظام يصنفها كحالة مشبوهة. هذه الطريقة، التي يسميها المؤلفون "تحسين زاوية السقوط" (Angle of Incidence Optimization)، تسمح للنظام باكتشاف الانحرافات الدقيقة التي تغفل عنها الطرق التقليدية، تمامًا كما قد يلاحظ دليل محلي سائحًا يمشي بالخطوات الصحيحة ولكن في الاتجاه الخاطئ بالنسبة للعادات المحلية.

ولجعل هذا الكشف أكثر حدة، أضاف الباحثون طبقة من المعالجة المستوحاة من الكم. لم يستخدموا حاسوبًا كموميًا فيزيائيًا، والذي لا يزال في مراحله الأولى من التطوير، بل استخدموا محاكاة متطورة تحاكي كيفية تلاعب الحواسيب الكمومية بالمعلومات. تعمل هذه الدائرة الكمومية المحاكية كعدسة خاصة تحول البيانات إلى شكل جديد، مما يكشف عن العلاقات الخفية بين الميزات المختلفة التي قد يغفل عنها الحاسوب القياسي. تعمل هذه العدسة الكمومية جنبًا إلى جنب مع قياس الزاوية السلوكية والبيانات الأصلية، وتدمجهم جميعًا في وصف واحد غني لحركة مرور الشبكة. يتم بعد ذلك تغذية هذا الوصف المدمج في نظام تدريب حيث تلعب شبكتان عصبيتان متنافستان لعبة: إحداهما تحاول توليد حركة مرور مزيفة تبدو حقيقية، والأخرى تحاول رصد الفرق. ومن خلال هذه المنافسة الشديدة، يتعلم النظام التعرف على الطبيعة الحقيقية للبيانات، ليصبح حساسًا للغاية لأدنى علامات الخداع.

اختبر الباحثون هذا الإطار الجديد على مجموعة بيانات كبيرة ومعروفة لحركة مرور الشبكة تحتوي على أمثلة آمنة وخبيثة. لقد قسموا البيانات بعناية، لضمان تعلم النظام من مجموعة واحدة واختباره على مجموعة أخرى منفصلة تمامًا لم يرها من قبل. كانت النتائج مذهلة؛ فقد حدد النظام الجديد حركة المرور الخبيثة بدقة بلغت 99.85%، وهو تحسن طفيف ولكنه ملموس عن أفضل طريقة سابقة حققت 99.78%. والأهم من ذلك، أن النظام الجديد أخطأ في اكتشاف عدد أقل من الهجمات؛ حيث فشل في اكتشاف 0.16% فقط من حركة المرور الخبيثة، وهو انخفاض كبير عن نسبة 0.24% التي فاتتها المنظومة القديمة. وفي عالم الأمن، حيث يمكن لهجمة واحدة مفقودة أن تؤدي إلى خرق هائل، يمثل هذا الانخفاض الصغير في المكتشفات المفقودة تحسنًا بنسبة ثلاثة وثلاثين بالمائة في ضبط الفاعلين السيئين. كما أثبت النظام أنه أكثر استقرارًا ومتانة، محافظًا على أدائه العالي حتى عندما حاول الباحثون خداعه بتشويهات اصطناعية مصممة لتضليل الكواشف القياسية.

ومع ذلك، يوضح المؤلفون بعناية ما يثبته عملهم وما لا يثبته. فهم يؤكدون أن نجاحهم يأتي من الطريقة الذكية التي دمجوا بها أنواعًا مختلفة من المعلومات — السياق السلوكي، والبيانات الكلاسيكية، والتحويل الكمومي المحاكى — وليس من ميزة السرعة الخام التي توفرها الأجهزة الكمومية. ولأنهم قاموا بتشغيل مكوناتهم الكمومية على حاسوب قياسي باستخدام محاكاة، فإن النتائج تظهر أن هذه الطريقة الهجينة في التفكير في البيانات قوية، لكنهم لا يدعون أنهم حلوا مشكلة الحوسبة الكمومية نفسها أو أنهم حققوا سرعة ستوفرها الآلات الكمومية الفيزيائية. يتطلب النظام أيضًا وقتًا أطول للتدريب وذاكرة أكبر قليلاً للتشغيل مقارنة بالنسخة القديمة، وهو مقايضة يقبلها الباحثون مقابل المكسب في دقة الكشف. تؤكد الدراسة أنه من خلال فهم السياق المحلي للسلوك واستخدام التحويلات الرياضية المتقدمة، يمكننا بناء دروع أفضل ضد التهديدات متغيرة الشكل في العصر الرقمي، حتى لو ظلت القوة القصوى للأجهزة الكمومية هدفًا للمستقبل.

ملخص تقني: Quantum AIO-ChameleonGAN للكشف عن التسلل القائم على السلوك عبر الحوسبة الكمومية والكلاسيكية

بيان المشكلة
تواجه أنظمة كشف التسلل (IDS) المعاصرة تحديات كبيرة من التهديدات السيبرانية المتخفية، والمتعددة الأشكال، والمتكيفة سلوكيًا. وخلافًا للهجمات التقليدية ذات البصمات المستقرة، يمكن للهجمات المتقدمة المستمرة والهجمات التي لا تعتمد على ملفات (fileless attacks) تغيير خصائصها الملحوظة مع الاحتفاظ بأنماط تشبه الاتصالات المشروعة. هذا "التمويه السلوكي" يقوض آليات الكشف التي تعتمد على تمثيلات سمات ثابتة أو حدود قرار محددة. علاوة على ذلك، فإن نماذج شبكات الخصومة التوليدية (GAN) الحالية، رغم فعاليتها في تعزيز البيانات وكشف الشذوذ، غالبًا ما تنمذج العلاقات الإحصائية دون توصيف صريح للانحراف السياقي للملاحظة عن السلوك الحميد ذي الصلة محليًا. بالإضافة إلى ذلك، بينما توفر التعلم الآلي الكمومي (QML) إمكانات لتعزيز تمثيل السمات عبر الدوائر الكمومية المتغيرة (VQCs)، فإن دمج السمات الكمومية مع السياق السلوكي المحلي لملاحظات الشبكة الفردية لا يزال غير مستكشف بشكل كافٍ.

المنهجية
يقترح البحث Quantum AIO-ChameleonGAN، وهو إطار عمل هجين يجمع بين التقنيات الكمومية والكلاسيكية ويمتد من نموذج Concave Matrix Generative Adversarial Network (CM-GAN) السابق للمؤلفين. يدمج الهيكل ثلاثة مصادر معلومات متكاملة: السمات الإحصائية الكلاسيكية، الانحراف السلوكي السياقي، وتحويل السمات الكمومي المتغير.

محرك الهندسة السلوكية وتحسين زاوية السقوط (AIO):
- بدلاً من الاعتماد على مركز حميد عالمي واحد، يقوم إطار العمل ببناء مرجع حميد خاص بالملاحظة ( $b_i$ ) لكل ملاحظة شبكة ( $f_i$ ). ويتم اشتقاق هذا المرجع من أقرب $k$ من الجيران الحميد في مستودع تاريخي تم بناؤه حصريًا من بيانات التدريب.
- تقوم استراتيجية AIO بقياس الانحراف الاتجاهي بين الملاحظة والمرجع الحميد المحلي باستخدام زاوية السقوط ( $\theta_i$ ). ويتم حساب ذلك عبر جيب التمام العكسي لتشابه جيب التمام بين متجه الملاحظة ومتجه المرجع المحلي.
- من الضروري ملاحظة أن $\theta_i$ لا تُستخدم كعتبة تصنيف مستقلة أو كحد خسارة، بل تعمل كوصف سلوكي مدمج في التمثيل الهجين.
تحويل السمات الكمومي المتغير (VQC):
- تعمل دائرة VQC مكونة من ثمانية كيوبتات كوحدة تحويل سمات قابلة للتدريب. يتم تشفير ثمانية سمات كلاسيكية مختارة ومعيرة في السجل الكمومي باستخدام ترميز زاوية $R_y$ .
- تتكون الدائرة من ست طبقات متغيرة، تحتوي كل منها على دورات $R_y$ و $R_z$ معلمية تليها عمليات تشابك Controlled-Z (CZ) مرتبة في طوبولوجيا حلقية دائرية.
- يتم استخراج المتجه الهجين المكون من ثمانية أبعاد من قيم توقع Pauli-Z.
- يتم تنفيذ المكون الكمومي باستخدام محاكي متجه الحالة (state-vector simulator) (Qiskit)؛ وتوضح الدراسة صراحة أنها تقيم الفوائد التمثيلية بدلاً من ادعاء تسريع الحوسبة الكمومية.
التمثيل الهجين والتعلم الخصمي متعدد المهام:
- يتشكل التمثيل الهجين النهائي ( $h_i$ ) من دمج السمات الكلاسيكية ( $f_i$ )، والتمثيل الكمومي ( $q_i$ )، ووصف AIO ( $\theta_i$ ).
- المميز (Discriminator) هو شبكة متعددة المهام ذات مستخرج سمات مشترك ورأسي مخرجات:
  - رأس الخصومة ( $D_{adv}$ ): يميز بين التمثيلات الهجينة الحقيقية وتلك الناتجة عن المولد.
  - رأس التصنيف ( $D_{cls}$ ): يقوم بالتصنيف الثنائي الخاضع للإشراف (حميد مقابل خبيث).
- يتم تحسين المولد لخداع رأس الخصومة، بينما يتم تحسين المميز لتقليل كل من خسارة الخصومة وخسارة التصنيف الخاضعة للإشراف (الإنتروبيا المتقاطعة الثنائية).
بروتوكول التجربة:
- استخدمت التجارب مجموعة بيانات CIC-UNSW-NB15 مع تقسيم طبقي صارم (70:15:15) (تدريب: تحقق: اختبار).
- تم فرض ضوابط صارمة لمنع التسرب: تم استخلاص المعالجة المسبقة، وتعزيز البيانات، وبناء المستودع الحميد حصريًا من قسم التدريب.
- تم تطبيق التعزيز المحكوم فقط على عينات التدريب الخبيثة (اضطراب محدود للسمات المستمرة).
- تم اختيار المعلمات الفائقة (مثل حجم الجوار $k$ ، وعتبة التصنيف $\tau$ ) باستخدام مجموعة التحقق وتثبيتها قبل الاختبار.

المساهمات الرئيسية

نمذجة السلوك الحميد المحلي: تقديم محرك هندسة سلوكية يبني مراجع حميدة خاصة بالملاحظة، مبتعدًا عن المراكز الحميدة العالمية لالتقاط حالات التشغيل المشروعة غير المتجانسة.
استراتيجية AIO: تطوير استراتيجية تحسين زاوية السقوط لتوصيف الانحراف الاتجاهي كواصف سلوكي سياقي، مدمج في التمثيل بدلاً من استخدامه كمصنف مستقل.
تحويل السمات الكمومي المتغير: دمج دائرة VQC مكونة من ثمانية كيوبتات كوحدة تحويل سمات غير خطية وقابلة للتدريب تكمل السمات الكلاسيكية والسلوكية.
التمثيل الخصمي الهجين: دمج السمات الكلاسيكية والسلوكية والكمومية في تمثيل موحد ضمن إطار تعلم خصمي متعدد المهام، مما يحافظ على أساس المولد والمميز لنموذج CM-GAN.
التحقق الشامل: تقييم صارم يشمل دراسة الاستئصال لكل مكون، وتحليل حساسية الجوار، والاختبار الإحصائي المقترن لعشر دورات، والتحقق المتقاطع بخمس طيات، وفحوصات المتانة ضد الاضطرابات الخصمية.

النتائج
عند التقييم على قسم الاختبار المستقل لمجموعة بيانات CIC-UNSW-NB15، حقق Quantum AIO-ChameleonGAN المقاييس التالية:

الدقة (Accuracy): 99.85%
الدقة (Precision): 99.79%
الاستدعاء / معدل كشف الشذوذ (ADR): 99.84%
مقياس F1 (F1-Score): 99.81%
معامل ارتباط ماتيوس (MCC): 0.996
المساحة تحت منحنى خصائص التشغيل المثالية (AUROC): 0.9973
معدل السلب الكاذب (FNR): 0.16%

الأداء المقارن:

مقارنة بنموذج CM-GAN الأساسي، حسن الإطار المقترح الدقة بمقدار 0.07 نقطة مئوية ومقياس F1 بمقدار 0.09 نقطة مئوية.
انخفض معدل السلب الكاذب (FNR) من 0.24% (في CM-GAN) إلى 0.16%، مما يمثل انخفاضًا نسبيًا بنسبة 33.3% في الحالات التي لم يتم اكتشافها.
دراسات الاستئصال (Ablation Studies): قدم مكون AIO أكبر تحسن فردي مقارنة بالنموذج الأساسي، بينما حقق الجمع بين AIO و VQC أقوى أداء إجمالي.
المتانة: تحت هجمات FGSM و PGD، أظهر الإطار المقترح انخفاضًا أقل بكثير في الأداء مقارنة بـ CM-GAN (على سبيل المثال، انخفاض في F1-score بمقدار 1.10 نقطة مئوية مقابل 3.61 نقطة مئوية تحت هجوم FGSM).
الدلالة الإحصائية: أكدت اختبارات t المقترنة لعشر دورات أن التحسينات كانت ذات دلالة إحصائية ( $p < 0.05$ ) عبر الدقة، والضبط، والاستدعاء، ومقياس F1.

التكلفة الحسابية:
فرض الإطار تكاليف إضافية ملموسة مقارنة بـ CM-GAN:

زاد وقت التدريب بنسبة 38.3% (من 42.6 دقيقة إلى 58.9 دقيقة).
زاد زمن الاستجلال (Inference latency) بنسبة 25.5% (من 1.84 مللي ثانية إلى 2.31 مللي ثانية لكل عينة).
زاد استخدام ذروة الذاكرة بنسبة 18.8%.
زادت المعلمات القابلة للتدريب بنسبة 6.9%.
يعزو المؤلفون هذه التكلفة بشكل أساسي إلى بناء الجيران الخاص بالملاحظة، وحساب AIO، ومحاكاة VQC.

الأهمية والادعاءات
يدعي البحث أن دمج السياق السلوكي الحميد الخاص بالملاحظة مع تحويل السمات الكمومية المتغير يوفر تحسينات ملموسة في اكتشاف حركة المرور الخبيثة المتكيفة. تكمن الأهمية في التطور المنهجي من GAN إحصائي بحت إلى إطار عمل هجين ينمذج صراحة الانحراف السلوكي السياقي.

المؤلفون واضحون بشأن نطاق ادعاءاتهم:

تظهر النتائج فائدة تمثيلية للصيغة الهجينة.
الدراسة لا تدعي وجود ميزة حوسبة كمومية أو تسريع، حيث تم تقييم VQC باستخدام محاكي متجه الحالة على أجهزة كلاسيكية.
النتائج محددة بمجموعة بيانات CIC-UNGW-NB15، واستراتيجية تعزيز البيانات المعتمدة، وبيئة المحاكاة.
يُعرف مساهمة AIO ببناء مرجع حميد محلي واستخدام الانحراف الزاوي كسمة، وليس بابتكار مقياس تشابه جيب التمام نفسه.

تم تحديد العمل المستقبلي كضرورة لتقييم الإطار على البيانات المتدفقة (streaming data)، وفي ظل حدوث تغير المفاهيم (concept drift)، وعلى أجهزة كمومية حقيقية لتقييم القدرة على الصمود أمام الضجيج والجدوى التشغيلية.

أبحاث مشابهة