⚛️ quantum physics

Evaluation of Variational Quantum Classifiers (VQC) for Cyberattack Detection in the NISQ Era

Diese Arbeit evaluiert einen 4-Qubit-Variational Quantum Classifier auf dem NSL-KDD-Datensatz und stellt fest, dass er zwar eine Genauigkeit von 88 % bei der binären Klassifizierung erreicht, seine schwache Leistung bei Multi-Class-Aufgaben und die signifikante Lücke im Vergleich zu einer klassischen Baseline jedoch darauf hindeuten, dass die aggressive Datenkompression in eingeschränkte Quantenzustände die Ausdrucksfähigkeit begrenzt, anstatt dass Optimierungsalgorithmen der primäre Engpass sind.

Ursprüngliche Autoren: Angelos Thomos, Theodore Andronikos

Veröffentlicht 2026-06-23

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Angelos Thomos, Theodore Andronikos

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

Die große Idee: Den Versuch, einen Koffer in ein Mäppchen zu quetschen

Stellen Sie sich vor, Sie versuchen, einen riesigen, komplexen Koffer voller Kleidung (Netzwerkdaten) in ein winziges Mäppchen (einen 4-Qubit-Quantencomputer) zu packen. Das Ziel ist es zu sehen, ob dieses „Quanten-Mäppchen“ den Unterschied zwischen einem normalen Outfit (sicherer Datenverkehr) und einer versteckten gefährlichen Waffe in der Kleidung (einem Cyberangriff) erkennen kann.

Die Forscher der Ionian University in Griechenland versuchten, einen Variational Quantum Classifier (VQC) zu bauen. Stellen Sie sich das wie einen Quanten-Roboter vor, der lernt, Bösewichte im Netzwerkverkehr aufzuspüren. Sie verwendeten einen berühmten Datensatz namens NSL-KDD, der wie eine riesige Bibliothek vergangener Netzwerkangriffe ist.

Das Experiment: Der „Amplituden“-Trick

Um die Daten in die winzige 4-Qubit-Maschine unterzubringen, verwendeten sie eine Technik namens Amplitude Encoding.

Die Analogie: Stellen Sie sich vor, Sie haben 16 verschiedene Farben an Farbe. Anstatt sie in 16 separate Eimer zu füllen, versuchen Sie, sie alle in einen einzigen Tropfen Wasser zu mischen, wobei die Intensität der Farbe die Information repräsentiert.
Das Ergebnis: Das ist unglaublich effizient (man spart Platz), aber es ist auch „verlustbehaftet“. Man presst sehr viele Informationen in einen sehr kleinen Raum.

Was ist passiert? (Die Ergebnisse)

1. Der Binärtest (Gut vs. Böse)
Zuerst stellten sie dem Quanten-Roboter eine einfache Frage: „Ist dieser Datenverkehr normal oder ein Angriff?“

Die Punktzahl: Der Roboter hatte in 88 % der Fälle recht.
Die Prüfung: Die Forscher sorgten sich: „Vielleicht ist der Roboter einfach in einer schlechten Position stecken geblieben und hat nicht richtig gelernt.“ Also versuchten sie, ihn mit zwei verschiedenen „Lehrern“ (Optimierern) zu trainieren: einem, der sehr sorgfältig nachdenkt (COBYLA), und einem, der zufällig rät, um den besten Weg zu finden (SPSA).
Die Erkenntnis: Beide Lehrer erreichten exakt dieselbe Punktzahl von 88 %. Dies bewies, dass der Roboter nicht „dumm“ oder schlecht trainiert war; er hatte schlichtweg keinen Platz mehr. Das „Mäppchen“ war zu klein, um genug Details aufzunehmen, um besser zu werden.

2. Der schwierigere Test (Die 22 Angriffsarten)
Als Nächstes fragten sie den Roboter etwas Spezifischeres. Anstatt nur „Böse“ zu sagen, fragten sie ihn, ob er 22 verschiedene Arten von Angriffen identifizieren kann (wie ein spezifisches Virus gegenüber einem spezifischen Hacker).

Die Punktzahl: Der Roboter stürzte ab. Er erreichte nur eine Genauigkeit von 9 %.
Der Fehler: Der Roboter gab im Grunde auf. Er begann, für fast alles die gleichen zwei Angriffsarten zu raten und ignorierte die anderen 20 Typen komplett.
Die Analogie: Es ist wie ein Schüler, der eine Prüfung mit 22 Fragen schreibt. Anstatt zu versuchen, die Fragen zu beantworten, schreibt der Schüler einfach bei jeder einzelnen Frage „Apfel“, weil er von der Komplexität so überwältigt ist, dass er die Fragen nicht mehr voneinander unterscheiden kann.

Der Vergleich: Das klassische „winzige“ Gehirn

Um zu sehen, ob das Problem die Quantennatur der Maschine oder nur die kleine Größe der Daten war, bauten sie ein winziges, altmodisches Computergehirn (ein „Tiny MLP“), das gezwungen war, exakt die gleiche kleine Menge an Daten zu verwenden.

Die Punktzahl: Dieses winzige klassische Gehirn erreichte 97 % Genauigkeit.
Die Lektion: Die Daten waren nicht das Problem. Das Problem war, dass die Quantenmaschine die Daten nicht so „biegen“ konnte, wie es die klassische Maschine konnte. Die Quantenmaschine versuchte, Formen mit geraden Linien zu trennen, die Kurven benötigten, und ihr ging dabei der Platz aus, um diese Kurven zu zeichnen.

Das Fazit: Nicht die Daten zerquetschen

Das Paper kommt zu dem Schluss, dass es für die aktuelle Generation von Quantencomputern (genannt NISQ-Geräte, die klein und etwas „verrauscht“ sind) ein Sackgassen-Weg ist, zu viele Daten in zu wenige Qubits zu pressen (mittels Amplitude Encoding).

Das Urteil: Man kann zwar akzeptable Ergebnisse (88 %) für einfache „Gut vs. Böse“-Aufgaben erzielen, aber sobald man spezifisch werden muss, bricht das Quantenmodell zusammen, weil es während des „Verpackungsprozesses“ zu viele Details verliert.

Der Zukunftsplan: Die „Ein Merkmal, ein Qubit“-Idee

Die Autoren schlagen einen neuen Weg vor. Anstatt 16 Farben in einen einzigen Tropfen zu quetschen, schlagen sie vor, jeder Farbe ihren eigenen Eimer zu geben.

Der neue Plan: Verwenden Sie 16 Qubits (Eimer) für 16 Merkmale.
Der Vorteil: Dies wird Angle Encoding genannt. Es quetscht die Daten nicht zusammen. Es verteilt die Daten in einem riesigen, hochdimensionalen Raum, in dem die verschiedenen Angriffsarten natürlich weit voneinander entfernt und leicht zu trennen sind.
Der Haken: Eine 16-Qubit-Maschine auf einem normalen Computer zu simulieren, ist unglaublich langsam und rechenintensiv. Das Paper stellt fest, dass sie dies noch nicht vollständig getestet haben, da es derzeit zu viel Rechenleistung erfordert, aber sie glauben, dass dies der einzige Weg ist, um die Quanten-Cyber-Erkennung in der Zukunft funktionsfähig zu machen.

Zusammenfassung in einem Satz

Das Paper fand heraus, dass der Versuch, komplexe Cyberangriffs-Daten in ein winziges, komprimiertes Quantenformat zu zwingen, bei einfachen Aufgaben zwar okay funktioniert, aber bei detaillierten Aufgaben kläglich scheitert, was darauf hindeutet, dass zukünftige Quantencomputer mehr „Platz“ (Qubits) benötigen, um Daten zu verarbeiten, ohne sie vorher zu zerquetschen.

Technisches Resümee: Evaluierung von variativen Quantenklassifikatoren zur Erkennung von Cyberangriffen in der NISQ-Ära

Problemstellung
Die Arbeit befasst sich mit der Herausforderung, Quanten-Maschinelles Lernen (QML) unter den Einschränkungen der Noisy Intermediate-Scale Quantum (NISQ)-Ära auf die Erkennung von Netzwerkeindringlingen anzuwenden. Während Variative Quantenklassifikatoren (VQCs) theoretisch durch hochdimensionale Hilbert-Räume eine nichtlineare Separierbarkeit bieten, wird ihre praktische Anwendung durch Hardware-Limitierungen, insbesondere begrenzte Qubit-Anzahlen und Dekohärenz, behindert. Die zentrale Forschungsfrage untersucht, ob ein VQC unter Verwendung von Amplitude Encoding – welches klassische Daten in eine begrenzte Anzahl von Qubits komprimiert – eine effektive Lösung für die Erkennung von Netzwerkanomalien auf dem NSL-KDD-Datensatz darstellen kann, oder ob diese Kodierungsstrategie eine strukturelle Leistungsobergrenze erzwingt.

Methodik
Die Studie verwendet ein strenges experimentelles Framework unter Nutzung der offiziellen 20%-Forschungsuntergruppe des NSL-KDD-Datensatzes (25.192 Datensätze), aufgeteilt in 8/20-Trainings-Test-Splits. Die Methodik konzentriert sich auf eine spezifische architektonische Konfiguration:

Datenvorverarbeitung: Kategorische Merkmale wurden mittels Target Encoding umgewandelt, um Sparsity zu vermeiden, gefolgt von einer Hauptkomponentenanalyse (PCA), um die ursprünglichen 41 Merkmale auf 16 Hauptkomponenten zu reduzieren (wobei ~86,78 % der Varianz erhalten blieben).
Quantenarchitektur: Ein 4-Qubit-VQC wurde konstruiert. Die 16 PCA-Komponenten wurden mittels Amplitude Encoding ( $2^4 = 16$ ) in den 4-Qubit-Zustandsraum eingebettet. Die trainierbare Komponente bestand aus einem RealAmplitudes-Ansatz mit 5 Wiederholungen, was zu 24 trainierbaren Parametern führte.
Optimierungsstrategie: Um zwischen Optimierungsfehlern und strukturellen Expressibilitätslimits zu unterscheiden, nutzte die Studie zwei grundlegend verschiedene Optimierer: COBYLA (deterministisch, gradientenfrei) und SPSA (stochastisch, rauschresilient).
Vergleichende Benchmarks: Der VQC wurde gegen ein Logistisches Regressionsmodell und ein „Tiny MLP“ (ein klassisches neuronales Netz mit einem 4-Knoten-Hidden-Layer) getestet, um eine architektonische Parität hinsichtlich der Eingangsdimensionalität und Komplexität sicherzustellen.
Experimenteller Umfang: Die Experimente umfassten die binäre Klassifikation (Normal vs. Angriff) sowie die Multi-Class-Klassifikation (sowohl 4 gruppierte Familien als auch 22 rohe Angriffs-Kategorien).

Wesentliche Ergebnisse

Leistung der binären Klassifikation: Der 4-Qubit-VQC erreichte eine konsistente Genauigkeit von 88 % auf dem gehaltenen Testdatensatz. Entscheidend ist, dass sowohl COBYLA als auch SPSA bei exakt derselben Genauigkeit stagnierten, was darauf hindeutet, dass das Leistungslimit nicht durch das Festfahren des Optimierers in lokalen Minima verursacht wird, sondern eine intrinsische Eigenschaft der Architektur ist.
Klassischer Benchmark: Unter identischer Kompression der Eingangsdaten (16 PCA-Merkmale) erreichte ein klassisches Tiny MLP mit einem 4-Knoten-Hidden-Layer eine Genauigkeit von 97 %. Dies legt nahe, dass der Datensatz nach der Kompression eine lineare Separierbarkeit beibehält, das Quantenmodell jedoch aufgrund seiner Abhängigkeit von linearen unitären Transformationen (ohne nichtlineare Aktivierungsfunktionen wie ReLU) nicht in der Lage ist, die komprimierten Wahrscheinlichkeitsamplituden effektiv zu entwirren.
Versagen der Multi-Class-Klassifikation (Mode Collapse): Beim Training auf einem klassengleichen Datensatz der 22 rohen Angriffs-Kategorien und der Evaluierung im In-Sample-Bereich kollabierte der VQC auf eine Genauigkeit von 9 %. Das Modell scheiterte daran, zwischen Klassen zu unterscheiden, und sagte für die überwiegende Mehrheit der Eingaben nur zwei spezifische Klassen ('back' und 'buffer overflow') voraus. Dieser „degenerate mode collapse“ deutet darauf hin, dass die aggressive Kompression von 16 Merkmalen auf 4 Qubits via Amplitude Encoding dazu führt, dass distinkte Angriffs-Signaturen innerhalb des Quanten-Wahrscheinlichkeitsraums ununterscheidbar (hochgradig ähnlich) werden, was zu einem Verlust der linearen Separierbarkeit führt.

Wesentliche Beiträge

Empirischer Baseline für NISQ IDS: Die Arbeit etabliert eine quantitative Baseline, die zeigt, dass VQCs zwar für die binäre Anomalieerkennung funktionieren können, aber bei der Anwendung auf granulare Multi-Class-Intrusion-Detection unter NISQ-Beschränkungen vor schweren strukturellen Engpässen stehen.
Isolation von Optimierung vs. Expressibilität: Durch den Nachweis, dass sowohl deterministische als auch stochastische Optimierer identische Leistungsgrenzen liefern, liefert die Studie einen empirischen Beleg dafür, dass das Leistungslimit ein strukturelles Expressibilitäts-Problem ist, das durch Amplitude Encoding verursacht wird, und kein Artefakt der Optimierung.
Quantifizierung des „Quanten-Engpasses“: Die Forschung hebt hervor, dass eine aggressive klassische Dimensionsreduktion (PCA) in Kombination mit Amplitude Encoding kritische Varianzkomponenten eliminieren kann, die für die Trennung von Minderheitsklassen notwendig sind, was zu einem Verlust an klassentrennenden Informationen führt, die klassische nichtlineare Modelle noch erfassen können.
Vorschlag für alternative Paradigmen: Die Arbeit skizziert eine Abkehr von Amplitude Encoding hin zu Angle Encoding mit einem „One Feature per Qubit“-Ansatz (z. B. ein 16-Qubit-VQC). Dieser Ansatz nutzt das Cover-Theorem, um die Dimensionalität des Hilbert-Raums zu erweitieren, was theoretisch die lineare Separierbarkeit für komplexe, nichtlineare Angriffsvektoren sicherstellt, ohne auf verlustbehafteter klassischer Kompression zu beruhen.

Bedeutung und Ansprüche
Die Arbeit erhebt den bescheidenen Anspruch, eine definitive Antwort auf die spezifische Forschungsfrage bezüglich 4-Qubit-Amplitude-Encoded-VQCs auf der 20%-NSL-KDD-Teilstichprobe zu liefern. Sie behauptet nicht, eine universelle mathematische Grenze für alle Quantenklassifikatoren bewiesen oder die Kodierung als alleinige Ursache des Scheiterns isoliert zu haben, ohne potenzielle Störfaktoren wie die Ansatz-Tiefe oder das Optimierungsbudget anzuerkennen (obwohl sie die Kodierung als wahrscheinlichsten Treiber identifiziert).

Die Bedeutung liegt in der konstruktiven Identifizierung eines Fehlermodus: Die aktuelle „Quanten-Sparsamkeits“-Strategie, Daten in wenige Qubits zu komprimieren, ist für die komplexe Multi-Class-Netzwerkintrusion-Erkennung unzureichend. Die Arbeit argumentiert, dass die Realisierung des theoretischen Versprechens von QML in diesem Bereich erfordert, die aggressive klassische Dimensionsreduktion zugunsten von Architekturen aufzugeben, die die Granularität der Daten durch skalierbare, hoch-fidele Kodierungen (wie Angle Encoding) bewahren und die Ausführung auf physischer Hardware nutzen, um den Simulations-Overhead zu umgehen.