💻 computer science

Scalable Malware Family Classification Using Quantum Kernel Based Machine Learning

Dieses Paper schlägt ein skalierbares, auf Quanten-Kerneln basierendes maschinelles Lernframework vor, das strukturelle Merkmalsextraktion, Lineare Diskriminanzanalyse und die Nyström-Approximation kombiniert, um eine Genauigkeit von 80,88 % bei der Klassifizierung von 18.836 Malware-Proben aus 23 Familien zu erreichen, wobei klassische Baselines übertroffen und gleichzeitig die quadratischen Rechenkosten traditioneller Kernel-Methoden überwunden werden.

Ursprüngliche Autoren: Ratun Rahman, Hassan Jalil Hadi, Christopher Gabriel Pedraza Pohlenz, Ali Shoker

Veröffentlicht 2026-06-16

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ratun Rahman, Hassan Jalil Hadi, Christopher Gabriel Pedraza Pohlenz, Ali Shoker

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Die „Nadel im Heuhaufen“, die wie ein Heuhaufen aussieht

Stellen Sie sich vor, Sie sind ein Sicherheitsbeamter an einem riesigen Flughafen (dem Internet). Jeden Tag laufen tausende Menschen (Computerdateien) hindurch. Die meisten sind unschuldige Reisende, aber einige sind Schmuggler, die gefährliche Schmuggelware transportieren (Malware).

Das Problem ist, dass die Schmuggler immer besser darin werden, sich zu tarnen. Sie tragen dieselbe Kleidung wie die unschuldigen Menschen, tragen ähnliche Taschen und sprechen sogar dieselbe Sprache. Darüber hinaus gibt es tausende verschiedene „Familien“ von Schmugglern, die jeweils ihren eigenen, einzigartigen Stil haben, aber sie alle sehen sich so ähnlich, dass es unglaublich schwer ist, sie voneinander zu unterscheiden.

Traditionelle Sicherheitsbeamte (Standard-Computerprogramme) versuchen, diese Menschen anhand einfacher Merkmale wie der Taschengröße oder der Schuhfarbe zu sortieren. Da die Schmuggler jedoch so clever sind und sich so ähnlich sehen, machen die Wächter oft Fehler, besonders wenn der Flughafen zu voll wird, um jeden einzeln zu kontrollieren.

Die neue Lösung: Ein „Quanten-Detektiv“ mit einer magischen Linse

Die Forscher in dieser Arbeit haben ein neues Sicherheitssystem namens Scalable Quantum Kernel-based Machine Learning (QKML) entwickelt. Betrachten Sie dies als die Einstellung eines Teams von „Quanten-Detektiven“, die eine spezielle magische Linse besitzen.

So funktioniert ihr System, Schritt für Schritt:

1. Der „Ausweis“ (Merkmalsextraktion)

Zuerst betrachtet das System jede Datei und erstellt einen detaillierten „Ausweis“ für sie. Es schaut nicht nur auf den Dateinamen; es prüft die interne Struktur, die Größe, die „Entropie“ (wie chaotisch oder verschlüsselt der Code aussieht) und andere verborgene Merkmale. Dies ist vergleichbar mit der Überprüfung des Reisepasses, der DNA und der Textur des Koffers eines Reisenden.

2. Der „Sortierraum“ (Überwachte Projektion)

Die Ausweise sind riesig und kompliziert. Wenn man versuchen würde, sie einem Quanten-Detektiven zu zeigen, wäre er überfordert. Deshalb verwenden die Forscher ein Werkzeug namens LDA (Linear Discriminant Analysis).

Die Analogie: Stellen Sie sich vor, Sie haben einen riesigen, unordentlichen Raum voller Menschen. Sie möchten sie in 23 verschiedene Gruppen (Familien) sortieren. Anstatt auf jedes einzelne Detail jeder Person zu achten, bitten Sie sie, in einer bestimmten Formation aufzustellen, die die Gruppen offensichtlich macht. Sie verkleinern den Raum so, dass die Gruppen klar voneinander getrennt sind. Dies macht den nächsten Schritt viel einfacher.

3. Die „Magische Linse“ (Quanten-Kernel)

Jetzt kommt der besondere Teil. Die Forscher verwenden eine Quanten-Merkmalsabbildung (Quantum Feature Map).

Die Analogie: Stellen Sie sich vor, der Quanten-Detektiv hat eine spezielle Brille, mit der er „unsichtbare Verbindungen“ sehen kann. In der normalen Welt mögen zwei Dateien unterschiedlich aussehen. Aber durch die Quanten-Linse kann der Detektiv sehen, dass sie ein verborgenes, komplexes Muster teilen, weil sie von derselben kriminellen Familie stammen.
Diese Linse nutzt Quantenschaltkreise (winzige, komplexe Maschinen, die den Regeln der Quantenphysik folgen), um zu messen, wie ähnlich sich zwei Dateien wirklich sind. Sie ist viel besser darin, subtile, tückische Ähnlichkeiten zu erkennen als ein Standardcomputer.

4. Der „Geschwindigkeits-Trick“ (Nyström-Approximation)

Hier liegt die größte Hürde: Wenn Sie 18.000 Dateien haben, würde es ewig dauern, jede einzelne Datei mit jeder anderen zu vergleichen, um zu sehen, ob sie ähnlich sind (wie wenn man jeden Menschen im Flughafen mit jedem anderen vergleicht). Das ist für die Praxis zu langsam.

Die Analogie: Anstatt jeden einzelnen Reisenden zu interviewen, wählt der Quanten-Detektiv eine kleine, kluge Gruppe von „Landmarken“ (etwa 8.000 Menschen). Er interviewt diese Landmarken gründlich. Dann fragt er für die verbleibenden Reisenden nur: „Wem ähnele ich am meisten unter diesen Landmarken?“
Dieser Trick, die Nyström-Approximation, ermöglicht es dem System, von allen Daten zu lernen, ohne in mathematischen Berechnungen stecken zu bleiben, die Jahre dauern würden. Es ist wie die Verwendung einer Karte mit Großstädten, um ein ganzes Land zu navigieren, anstatt zu versuchen, jede einzelne Straße auswendig zu lernen.

Die Ergebnisse: Hat es funktioniert?

Die Forscher haben dieses System an einem massiven Datensatz von 18.836 Malware-Proben aus 23 verschiedenen Familien (plus einiger harmloser Software) getestet.

Die Punktzahl: Der Quanten-Detektiv lag in 80,88 % der Fälle richtig.
Der Vergleich: Sie verglichen dies mit den besten „klassischen“ Sicherheitsbeamten (klassische Machine-Learning-Modelle wie K-Nearest Neighbors oder Support Vector Machines). Die klassischen Wächter erreichten Werte zwischen etwa 52 % und 79 %.
Der Gewinner: Das Quantensystem hat sie alle geschlagen. Es war besser darin, die tückischen, sich ähnlich sehenden Familien voneinander zu unterscheiden.

Warum das wichtig ist

Die Arbeit behauptet, dass diese Methode ein „Sweet Spot“ ist. Sie nutzt die leistungsstarken Mustererkennungsfähigkeiten des Quantencomputings (die magische Linse), verwendet aber gleichzeitig eine kluge Abkürzung (die Landmarken), damit der Computer nicht abstürzt oder zu lange braucht.

Kurz gesagt: Sie haben ein System gebaut, das in der Lage ist, auf einen riesigen Haufen verwirrender, sich ähnlich sehender Computerviren zu schauen, eine Quanten-„magische Linse“ zu verwenden, um die verborgenen Familienverbindungen zu entdecken, und diese schneller und genauer als bisherige Methoden zu sortieren – und das alles, ohne einen Supercomputer zu benötigen, der eine Milliarde Dollar kostet.

Hinweis: Die Arbeit stellt ausdrücklich klar, dass diese Ergebnisse mithilfe eines Simulators (ein Computerprogramm, das einen Quantencomputer simuliert) erzielt wurden, nicht mit einer echten physischen Quantenmaschine, aber es beweist, dass die Mathematik funktioniert, sobald echte Maschinen verfügbar sind.

Technische Zusammenfassung: Skalierbare Klassifizierung von Malware-Familien mittels Quanten-Kernel-basierter Maschinellen Lernverfahren

Problemstellung

Die Klassifizierung von Malware-Familien ist eine kritische Aufgabe in der Cybersicherheit, die für die Attribuierung von Bedrohungen, die Analyse von Abstammungslinien und die Entwicklung von Verteidigungsstrategien unerlässlich ist. Die Aufgabe ist jedoch aufgrund der rasanten Proliferation von Malware-Varianten, weit verbreiteter Obfuskation, Packing und automatisierter Generierungstechniken zunehmend schwierig geworden. Diese Faktoren führen zu einer hohen strukturellen Ähnlichkeit zwischen den Familien und zu Polymorphismus, was traditionelle Modelle des maschinellen Lernens vor Herausforderungen stellt.

Bestehende klassische Ansätze, einschließlich linearer Klassifikatoren, baumbasierter Modelle und Deep Learning, stehen in groß angelegten Multiklassen-Szenarien vor spezifischen Einschränkungen:

Expressivität: Handgefertigte Merkmale versäumen es oft, subtile nichtlineare Beziehungen zwischen Malware-Familien zu erfassen.
Skalierbarkeit: Deep-Learning-Modelle benötigen umfangreiche gelabelte Daten und Rechenressourcen, was häufig zu einer reduzierten Interpretierbarkeit führt.
Klassenimbalance und Ähnlichkeit: Ausgeprägte Klassenimbalance und strukturelle Überlappungen begrenzen die Generalisierungsfähigkeit klassischer Modelle.
Quanten-Einschränkungen: Während das Quanten-Maschinelle Lernen (QML) durch hochdimensionale Hilbert-Raum-Einbettungen Potenzial bietet, ist die aktuelle Forschung oft auf binäre Klassifizierung, kleine Datensätze oder synthetische Daten beschränkt. Zudem skaliert die Konstruktion vollständiger Quanten-Kernel-Matrizen quadratisch ( $O(N^2)$ ) mit der Anzahl der Stichproben, was die direkte Anwendung auf große Malware-Repositories rechentechnisch unpraktikabel macht.

Methodik

Die Autoren schlagen ein skalierbares Quanten-Kernel-basiertes Maschinelles Lernverfahren (QKML) vor, das darauf ausgelegt ist, sowohl Genauigkeits- als auch Effizienzbeschränkungen bei der Multiklassen-Malware-Familienklassifizierung zu adressieren. Das Framework integriert vier primäre Komponenten:

1. Datensatzkonstruktion und Merkmalsrepräsentation

Die Studie nutzt einen groß angelegten Datensatz (QLCD), der aus 18.836 Stichproben über 23 Malware-Familien (einschließlich 22 bösartigen Familien und einer benignen Klasse) besteht.

Merkmalsextraktion: Statische Strukturmerkmale werden aus Portable Executable (PE)-Dateien extrahiert, darunter Datei-Entropie, Sektionsstatistiken und Verhältnisse von virtuellen zu Rohgrößen. Kategorische Attribute (z. B. Maschinentyp, Packer) werden mittels One-Hot-Encoding kodiert.
Vorverarbeitung: Die Merkmale werden einer Z-Score-Normalisierung und einer Median-Imputation für fehlende Werte unterzogen. Familien mit weniger als 50 Stichproben wurden ausgeschlossen, um ein zuverlässiges Multiklassen-Lernen zu gewährleisten.

2. Überwachte Merprojektion (LDA)

Um das exponentielle Wachstum der Quantenschaltkreis-Komplexität mit der Eingabedimension und die begrenzte Anzahl verfügbarer Qubits abzumildern, setzt das Framework die Lineare Diskriminanzanalyse (LDA) als Schritt zur überwachten Dimensionsreduktion ein.

LDA projiziert die hochdimensionalen Merkmalsvektoren in einen niedrigdimensionalen, klassenbewussten Unterraum der Dimension $k \le C-1$ (wobei $C$ die Anzahl der Klassen ist).
Dieser Schritt maximiert die Trennbarkeit zwischen den Klassen bei gleichzeitiger Minimierung der Varianz innerhalb der Klassen, wodurch eine kompakte Repräsentation für die Quantenkodierung geschaffen wird.

3. Konstruktion des Quanten-Kernels

Die projizierten Merkmalsvektoren werden mittels einer parametrisierten Quanten-Feature-Map (einem parametrisierten Quantenschaltkreis, PQC) in Quantenzustände kodiert.

Kodierung: Merkmale werden auf Rotationswinkel (z. B. $R_Y$ -Gates) auf $n$ Qubits abgebildet.
Kernel-Definition: Der Quanten-Kernel wird durch die quadratische Fidelität zweier Quantenzustände definiert: $K(z_i, z_j) = |\langle \phi(z_i) | \phi(z_j) \rangle|^2$ . Dieser Fidelitäts-basierte Kernel erfasst nichtlineare Ähnlichkeiten, die klassische Kernel möglicherweise übersehen.

4. Skalierbare Kernel-Approximation (Nyström-Methode)

Um den $O(N^2)$ -Rechenengpass der vollständigen Kernel-Matrix-Konstruktion zu überwinden, verwenden die Autoren die Nyström-Approximation.

Landmark-Selektion: Eine Teilmenge von $M$ Landmark-Stichproben ( $M \ll N$ ) wird aus dem Trainingssatz ausgewählt.
Low-Rank-Approximation: Die vollständige Kernel-Matrix wird mithilfe von Submatrizen approximiert, die aus den Landmarks abgeleitet sind. Dies ermöglicht die Konstruktion einer expliziten, niedrigdimensionalen Merkmalsrepräsentation $\psi(z_i)$ für alle Stichproben.
Klassifizierung: Ein klassisches Ridge-Regression-Modell wird auf diesen durch die Nyström-Approximation gewonnenen Merkmalen trainiert, um die Multiklassen-Klassifizierung durchzuführen. Dieser Ansatz ermöglicht das Lernen aus dem gesamten Datensatz, ohne die dominante Komplexität auf $O(NM)$ zu reduzieren.

Zentrale Beiträge

Das Paper skizziert vier primäre Beiträge:

Skalierbares QKML-Framework: Eine neuartige Pipeline, die einen Fidelitäts-basierten Quanten-Kernel mit einer überwachten LDA-Projektion kombiniert, um eine klassenbewusste Dimensionsreduktion zu ermöglichen und die diskriminative Kraft zu erhöhen.
Nyström-Approximation für Quanten-Kernel: Eine Methode zur Konstruktion einer Low-Rank-Repräsentation des Quanten-Kernels unter Verwendung von Landmark-Stichproben. Dies ermöglicht das Training auf dem gesamten Datensatz ohne Subsampling-Bias und reduziert signifikant die Anzahl der erforderlichen Quanten-Fidelitäts-Evaluierungen.
Groß angelegter Realwelt-Datensatz: Die Kuratierung und Vorverarbeitung des QLCD-Datensatzes, der 18.836 Stichproben aus 23 Familien enthält und speziell zur Evaluierung von QML in realistischen, Multiklassen-Cybersicherheitsszenarien entwickelt wurde.
Empirische Validierung: Umfassende Experimente, die zeigen, dass das vorgeschlagene Framework klassische Machine-Learning-Baselines unter identischen Feature- und Daten-Splits übertrifft und eine Genauigkeit von 80,88 % erreicht.

Experimentelle Ergebnisse

Die Experimente wurden auf einem Statevector-basierten Quantensimulator mittels einer hybriden klassisch-quanten-basierten Pipeline durchgeführt.

Performance vs. Baselines: Das vorgeschlagene QKML-Framework erreichte eine Genauigkeit von 80,88 % und übertraf damit klassische Baselines wie Softmax Regression (52,79 %), Linear SVM (78,73 %), KNN (79,56 %) und Gaussian Naive Bayes (58,44 %).
Ablationsstudien:
- Projektion: Der Ersatz der überwachten LDA durch die unüberwachte SVD reduzierte die Genauigkeit von 80,88 % auf 78,83 %, was den Wert der label-basierten Projektion bestätigt.
- Landmarks: Die Genauigkeit verbesserte sich von ~74 % (1.000 Landmarks) auf ~81,8 % (8.000 Landmarks), was zeigt, dass der Nutzen jenseits von $M=8000$ abnimmt.
- Schaltkreistiefe: Eine Erhöhung der Schaltkreis-Wiederholungen ( $L$ ) und der Qubit-Anzahl ( $n$ ) verbesserte generell die Performance, mit den besten Ergebnissen bei $n=8, L=4$ .
Pro-Klasse-Performance: Das Modell zeigte eine starke Leistung bei den Hauptfamilien (z. B. Mediyes F1=0,988, Winwebsec F1=0,986) und der benignen Klasse (F1=0,774). Die Leistung war geringer bei Minderheitsklassen mit hoher struktureller Ähnlichkeit (z. B. LockBit, LokiBot), was den bekannten Herausforderungen in der Malware-Klassifizierung entspricht.
Effizienz:
- Laufzeit: Die Quanten-Pipeline schloss das Training in 426,58 Sekunden ab, was signifikant schneller ist als klassische Baselines wie KNN (830 s) und GaussianNB (1161 s).
- Rechenaufwand: Das Quantenmodell benötigte um Größenordnungen weniger Operationen (Gate- und Statevector-Proxies) im Vergleich zu klassischen Modellen, was auf potenzielle Vorteile bei der Energieeffizienz hindeutet.
- Skalierbarkeit: Eine „Quantum-Lite“-Konfiguration (weniger Qubits und Landmarks) erreichte 74,82 % Genauigkeit mit einem 5,5-fachen Speedup, was eine ressourceneffiziente Skalierung demonstriert.

Bedeutung und Ansprüche

Die Autoren behaupten, dass diese Arbeit die Lücke zwischen der theoretischen Expressivität von Quanten-Kernel-Methoden und den praktischen Skalierbarkeitsanforderungen der realen Malware-Analyse schließt.

Messbarer Vorteil: Die Studie zeigt, dass skalierbare Quanten-Kernel-Techniken einen messbaren Leistungsvorteil (höhere Genauigkeit und geringerer Verlust) gegenüber klassischen Baselines in komplexen Multiklassen-Cybersicherheit-Aufgaben bieten können.
Praktische Machbarkeit: Durch die Integration der Nyström-Approximation und der überwachten Projektion ermöglicht das Framework die Nutzung aller verfügbaren Trainingsdaten ohne die prohibitive quadratische Kosten der vollständigen Kernel-Konstruktion, was es für große Repositories geeignet macht.
Zukünftige Ausrichtung: Das Paper positioniert diese Arbeit als praktischen Schritt zur Integration von quantengestütztem Lernen in operative Malware-Analyse-Pipelines, insbesondere für Near-Term Quantum Devices (NISQ) und hybride Workflows.

Vom Autor vermerkte Limitationen:
Die Autoren geben explizit an, dass die Evaluierung auf einem klassischen Quantensimulator und nicht auf echter Hardware basiert, was bedeutet, dass Rauschen und Dekohärenzeffekte nicht erfasst werden. Zudem verbessert die Nyström-Approximation zwar die Skalierbarkeit, aber die Kosten für die Zustandspräparation steigen dennoch mit der Qubit-Anzahl und der Schaltungstiefe an, und die aktuelle Implementierung ist noch nicht in einer Echtzeit-Streaming-Umgebung eingesetzt.