Adversarial Robustness of Quantum Supervised Learning for Network Intrusion Detection: White-Box Attacks, PGD-Aware Training, and Classical Benchmarking
تُظهر هذه الدراسة أنه في حين أن التدريب الخصومي يعزز بشكل كبير من متانة نموذج تعلم كمي خاضع للإشراف مكون من أربعة كيوبتات للكشف عن اختراق الشبكة ضد هجمات الصندوق الأبيض، إلا أن الأداء الناتج يظل أدنى من أداء المدرك متعدد الطبقات الكلاسيكي، مما يؤدي إلى عدم دعم ادعاء التفوق الكمي في هذا السياق الأمني.
في العالم الرقمي، تعمل أنظمة كشف التسلل إلى الشبكات كحراس صامتين، يمسحون تدفق البيانات باستمرار لرصد حركة المرور الضارة قبل أن تسبب ضرراً. لسنوات طويلة، اعتمدت هذه الأنظمة على تعلم الآلة، حيث تتعلم الحواسيب كيفية التعرف على البصمات الدقيقة للهجوم. ومع ذلك، ظهرت ثغرة جديدة في هذا المجال: وهي قدرة المهاجمين على خداع هذه الأنظمة الذكية من خلال تغييرات مدروسة بعناية، تكاد تكون غير مرئية في البيانات. يُعرف هذا باسم "التلاعب الخصمي". تماماً كما قد يرتدي شخص ما تنكراً لخداع حارس أمن، يمكن للمهاجم أن يدفع الأرقام في حزمة بيانات بمقدار ضئيل جداً يجعل الكمبيوتر يعتقد أن الهجوم الخطير هو أمر غير ضار، كل ذلك مع إبقاء التغييرات صغيرة بما يكفي لكي لا تُلاحظ.
وبينما يتطلع العلماء نحو المستقبل، يستكشفون ما إذا كانت الحوسبة الكمومية — وهي تقنية تستخدم القوانين الغريبة للفيزياء لمعالجة المعلومات — يمكنها بناء كواشف أفضل وأكثر أماناً. والأمل هو أن هذه الأنظمة الكمومية قد تكون بطبيعتها أصعب في الخداع. ولكن قبل أن يصبح هذا الأمل حقيقة، يجب على الباحثين الإجابة على سؤال حاسم: هل هذه الكواشف الكمومية أكثر متانة حقاً ضد هذه التنكرات الرقمية، أم أنها تعاني من نفس نقاط الضعف التي تعاني منها الأنظمة الكلاسيكية التي نستخدمها اليوم؟ هذا اليقين يدفع الحاجة إلى اختبار صارم، حيث تُوضع النماذج الكمومية الجديدة في مواجهة النماذج القديمة تحت نفس الظروف الصارمة لمعرفة أي منها سيصمد حقاً.
قام فريق من الباحثين من الهند مؤخراً بالخوض في الإجابة على هذا السؤال من خلال تجربة منضبطة. لقد بنوا نموذج تعلم آلي كمومي صغير مكون من أربعة "كيوبتات" (qubits) مصمم لرصد التسلل إلى الشبكة. ولاختبار قوته، لم يكتفوا بجعله يتعلم من البيانات العادية فحسب؛ بل قاموا أيضاً بتدريبه على مزيج من البيانات العادية والبيانات التي تم تعديلها عمداً بواسطة مهاجم. وقد استخدموا نوعين مختلفين من الدفعات الرقمية: دفعة سريعة من خطوة واحدة، ومناورة أكثر تعقيداً متعددة الخطوات تدفع البيانات ببطء نحو حافة ما هو مسموح به. ثم وضعوا هذا النموذج الكمومي "المدرب خصمياً" تحت الاختبار، واضعين إياه في مواجهة نموذج كمبيوتر قياسي غير كمومي خضع لنفس التدريب الصارم.
كشفت النت النتائج عن قصة واضحة من التحسن، ولكن مع وجود حد قاصٍ. فعندما هاجم الباحثون النموذج الكمومي الذي لم يرَ سوى البيانات العادية، انهار بسرعة. ففي ظل مستوى متوسط من الدفع الرقمي، انخفضت دقته إلى 9.10 بالمائة فقط. ومع ذلك، عندما اختبروا النسخة التي تم تدريبها لتوقع هذه الهجمات، أصبح النموذج أكثر صلابة؛ حيث قفزت دقته تحت نفس الهجوم المتوسط إلى 26.90 بالمائة. وتحت هجوم أقوى، كان التحسن أكثر دراماتيكية، حيث ارتفع من 2.60 بالمائة فقط إلى 20.73 بالمائة. وقد أثبت هذا أن طريقة التدريب قد نجحت؛ فقد تعلم النموذج الكمومي مقاومة الحيل التي هزمتة سابقاً.
ومع ذلك، جاء هذا الانتصار بتكلفة. فالتدريب الذي جعل النموذج الكمومي أقوى ضد الهجمات جعله أيضاً أسوأ قليلاً في وظيفته الأصلية. فعندما لم تكن هناك هجمات، حدد النموذج الكمومي المدرب الاختراقات بشكل صحيح بنسبة 61.57 بالمائة، وهو انخفاض عن دقة النسخة غير المدربة التي بلغت 70.73 بالمائة. هذا المقايضة موضوع شائع في الأمن: فجعل النظام أصعب في الخداع غالباً ما يجعله أقل حدة عندما تكون كل الأمور طبيعية. والأهم من ذلك، عندما قارن الباحثون نموذجهم الكمومي المدرب بنموذج كمبيوتر قياسي غير كمومي تلقى نفس التدريب بالضبط، كان النموذج الكلاسيكي متفوقاً بمراحل. فقد حافظ النموذج الكمبيوتري القياسي على دقة بلغت 64.27 بالمائة تحت الهجوم المتوسط و50.50 بالمائة تحت الهجوم القوي، متفوقاً بشكل كبير على النسخة الكمومية.
تخلص الدراسة إلى أنه بينما ينجح التدريب الخصمي في تقوية النموذج الكمومي المحدد الذي تم اختباره، إلا أنه لا يمنحه ميزة خاصة على الطرق الكلاسيكية. لم يثبت النظام الكمومي أنه أكثر أماناً أو متانة بطبيعته من الكمبيوتر التقليدي المدرب جيداً. بدلاً من ذلك، أظهرت التجربة أن النموذج الكمومي عرضة لنفس أنواع التلاعب التي يتعرض لها نظراؤه الكلاسيكيون، وأن الكمبيوتر القياسي يمكنه تعلم الدفاع عن نفسه بنفس القدر من الكفاءة، إن لم يكن أفضل، إذا توفرت له نفس المعلومات. ويؤكد الباحثون أن عملهم كان محاكاة، أي اختباراً مخبرياً منضبطاً وليس نشراً على أجهزة حقيقية، لكنه يوفر معياراً واضحاً للمستقبل. وهو يشير إلى أنه لكي تصبح الحوسبة الكمومية أصلاً حقيقياً في الأمن السيبراني، يجب ألا تكتفي بمجرد محاكاة الدفاعات الكلاسيكية؛ بل يجب أن تظهر قدرة فريدة على التعامل مع هذه التهديدات التي لا تستطيع الحواسيب الكلاسيكية مضاهاتها. وحتى ذلك الحين، يظل الدفاع الأكثر فعالية هو التدريب الصارم للنماذج نفسها، بغض النظر عما إذا كانت تعمل على شرائح كمومية أو كلاسيكية.
بيان المشكلة بينما يتم استكشاف التعلم الكمي الخاضع للإشراف (QSL) بشكل متزايد لأنظمة كشف اختراق الشبكات (IDS)، لا يزال سلوكه تحت التلاعب التنافسي غير مشخص بشكل كافٍ. غالبًا ما تركز الأدبيات الحالية على دقة التصنيف في البيئات النظيفة أو على مجموعات فرعية صغيرة من إثبات المفهوم، وتفتقر إلى تقييمات صارمة للهجمات ذات الصندوق الأبيض (white-box)، والتدريب التنافسي التكراري، والضوابط الكلاسيكية المتطابقة. وهذا يخلق فجوة في فهم ما إذا كانت المصنفات الكمية متينة بطبيعتها أم أن التحسن الملحوظ في الأداء هو نتاج لتقليل البيانات أو خيارات التقييم. تعالج هذه الدراسة ما إذا كان التدريب التنافسي ذو الصندوق الأبيض يمكن أن يحسن متانة كاشف اختراق (QSL) مدمج، وكيف تتقارن مقايضة المتانة-الدقة هذه مع خط أساس عصبي كلاسيكي متطابق.
المنهجية تستخدم الدراسة تصميمًا تجريبيًا محكمًا وقابلًا للتكرار باستخدام مجموعة بيانات UNSW-NB15 كمعيار للكشف الثنائي عن الاختراق.
المعالجة المسبقة للبيانات: تم تقليل أبعاد ميزات UNSW-NB15 الأصلية عالية الأبعاد إلى أربعة أبعاد باستخدام تحليل المكونات الرئيسية (PCA). تم توحيد هذه المكونات وتغيير نطاقها إلى الفترة [0,π] لتتناسب مع نطاق مدخلات خريطة الميزات الكمية. تم تطبيق هذا التمثيل المختزل نفسه على كل من النماذج الكمية والكلاسيكية لضمان مقارنة عادلة.
النموذج الكمي: تم تنفيذ مصنف كمي متغير مكون من أربع كيوبتات باستخدام Qiskit Machine Learning. يستخدم ZZFeatureMap لتشفير البيانات و RealAmplitudes كنموذج متغير للمعلمات القابلة للتدريب، وهو مغلف بـ EstimatorQNN لتمكين حساب تدرج المدخلات المباشر.
الضبط الكلاسيكي: يعمل نموذج مدرك متعدد الطبقات (MLP) مدمج كخط أساس متطابق، حيث يستقبل نفس المدخلات المكونة من أربعة أبعاد. تم تدريب كل من النسختين "النظيفة" و"المتينة" من الـ MLP لمحاكاة الظروف التجريبية الكمية.
نموذج التهديد والهجمات: يفترض التقييم وجود خصم ذو صندوق أبيض غير مستهدف، لديه معرفة كاملة بهيكل النموذج والمعلمات ودالة الخسارة. تشمل الهجمات:
FGSM (طريقة إشارة التدرج السريع): هجوم ذو خطوة واحدة.
تم تحديد ميزانيات الاضطراب (ϵ) عند 0.02π و 0.dots05π و 0.10π.
بروتوكول التدريب التنافسي: تم استخدام استراتيجية تدريب "واعية بـ PGD" حيث تتكون دفعات التد নির্দেশ المصغرة من 50% من العينات النظيفة، و25% من العينات المضطربة بواسطة FGSM، و25% من العينات المضطربة بواسطة PGD (باستخدام 3 خطوات من PPG أثناء التدريب).
الدقة الإحصائية: تم تكرار التجربة عبر عشر بذور عشوائية متطابقة. تم تحليل النتائج باستخدام اختبارات t للعينات المرتبطة، واختبارات ويلكوكسون لمرتبة الإشارات، وحجم التأثير dz لـ Cohen، وقيم p المعدلة بطريقة Holm للتعامل مع المقارنات المتعددة. كما تم التحقق من معدلات نجاح الهجوم (ASR) وتدقيق الاضطرابات لضمان التزام الهجمات بالقيود.
المساهمات الرئيسية
خط معالقة QSL قابل للتكرار: تنفيذ نظام IDS يعتمد على EstimatorQNN مكون من أربع كيوبتات باستخدام هجمات تدرج المدخلات المباشرة.
التدريب الواعي بـ PGD: تقديم بروتوكول تدريب تنافسي مختلط (50% نظيف، 25% FGSM، 25% PGD) مخصص للمصنفات الكمية.
إطار تقييم صارم: تقييم متطابق لعشر بذور يتضمن تدقيق الهجمات، وفترات الثقة، وأحجام التأثير، متجاوزًا دراسات الجدوى ذات التشغيل الواحد.
الضبط الكلاسيكي المتطابق: خط أساس MLP متين تم تدريبه على نفس تمثيل الميزات المختزل، مما يمنع التفسير المفرط للمزايا الكمية المحددة.
المقارنة المعيارية التجريبية: تقرير شفاف لمقايضة المتانة-الدقة، يوضح أنه بينما يعزز التدريب التنافسي من متانة QSL، فإنه لا يؤدي بالضرورة إلى تفوق مطلق على الطرق الكلاسيكية في هذا السياق.
النتائج
تأثير التدريب التنافسي على QSL: أدى التدريب الواعي بـ PGD إلى تحسين متانة النموذج الكمي بشكل كبير ضد الهجمات القوية.
عند PGD ϵ=0.05π، تحسنت الدقة من 9.10% (QSL نظيف) إلى 26.90% (QSL متين).
عند PGD ϵ=0.10π، تحسنت الدقة من 2.60% إلى 20.73%.
انخفضت معدلات نجاح الهجوم (ASR) لهجمات PGD بشكل ملحوظ (على سبيل المثال، من 96.70% إلى 78.61% عند ϵ=0.10π).
مقايضة الدقة النظيفة: جاء هذا المكسب في المتانة على حساب آخر. انخفضت الدقة النظيفة لنموذج QSL من 70.73% إلى 61.57% بعد التدريب التنافسي.
المقارنة مع الخط الكلاسيكي المتطابق: تفوق نموذج MLP المتين بشكل كبير على نموذج QSL المتين من حيث القيم المطلقة تحت الهجوم.
عند PGD ϵ=0.05π، حقق Robust MLP دقة 64.27% مقارنة بـ 26.90% لـ Robust QSL.
عند PGD ϵ=0.10π، حقق Robust MLP دقة 50.50% مقارنة بـ 20.73% لـ Robust QSL.
الأهمية الإحصائية: كانت التحسينات في Robust QSL ذات دلالة إحصائية مع أحجام تأثير كبيرة. ومع ذلك، كانت تفوق Robust MLP على Robust QSL أيضًا ذا دلالة إحصائية عبر معظم ميزانيات الهجوم.
الأهمية والادعاءات تذكر الورقة صراحةً أن مساهمتها هي معيار متانة تجريبي، وليست ادعاءً بوجود ميزة كمية. توضح الدراسة أن:
الهشاشة: المصنفات الكمية المدربة على بيانات نظيفة معرضة بشدة للهجمات التكرارية ذات الصندوق الأبيض (PGD)، وغالبًا ما تنهار إلى أداء يقترب من العشوائية.
القابلية للدفاع: التدريب التنافسي يقوي نموذج QSL المختبر مادياً، مما يستعيد دقة كبيرة تحت الهجوم، وهو ما يتوافق مع النتائج في التعلم التنافسي الكلاسيكي.
لا توجد ميزة كمية متأصلة: لا تدعم التجربة الادعاء بأن التمثيلات الكمية أو الدوائر المتغيرة تمنح بطبيعتها متانة تنافسية فائقة. في هذا السياق المحكوم، حقق نموذج MLP كلاسيكي مدمج مدرب بنفس الاستراتيجية التنافسية متانة مطلقة أعلى بكثير.
المعيار المنهجي: تدعو الدراسة إلى نهج تقييم موحد في أبحاث QML-IDS يتضمن تجارب مكررة، وضوابط كلاسيكية متطابقة، وتدقيق الهجمات، وإعداد تقارير صريحة عن مقايضة المتانة-الدقة لتجنب المبالغة في الادعاء بناءً على الدقة النظيفة وحدها.
يخلص المؤلفون إلى أنه بينما يعد التدريب التنافسي فعالاً للبنية الكمية المختبرة، فإن الأدلة الحالية تشير إلى أنه لأغراض كشف الاختراق العملية، تظل المتعلمات الكلاسيكية القوية أكثر متانة تحت نفس قيود المعلومات. يجب أن يركز العمل المستقبلي على توسيع التمثيلات، واختبارها على أجهزة فيزيائية، واستكشاف ما إذا كان بإمكان النماذج الكمية سد فجوة المتانة مع النماذج الكلاسيكية.