Intelligence-Guided Adaptive Purification for DDoS-Resilient Quantum Networks: A CUDA-Q based Study

Resumen Técnico: Purificación Adaptativa Guiada por Inteligencia para Redes Cuánticas Resilientes ante DDoS

Planteamiento del Problema
Las redes de repetidores cuánticos dependen de políticas de control adaptativo para equilibrar las tasas de generación de entrelazamiento, la fidelidad de extremo a extremo, la sobrecarga de purificación y la latencia inducida por la memoria. Este compromiso se vuelve significativamente más complejo cuando el plano de control clásico, que gestiona el heraldo (heralding), la sincronización y el enrutamiento, se ve degradado por anomalías cibernéticas como el tráfico de Denegación de Servicio (DDoS). Las estrategias de control actuales suelen optimizar la probabilidad de entrega bruta o los umbrales de fidelidad local sin considerar cómo las decisiones locales se propagan a través de una cadena de extremo a extremo o cómo la degradación del estado cibernético afecta los parámetros físicos del enlace. El artículo aborda la pregunta central de control: ¿cuándo debe un repetidor purificar un enlace elemental para asegurar que el par entrelazado final supere un umbral de fidelidad objetivo, particularmente cuando la red opera bajo una degradación inducida por ataques?

Metodología
El estudio emplea un flujo de trabajo de co-simulación CUDA-Q/SeQUeNCe para evaluar estrategias de purificación adaptativa en cadenas de repetidores lineales heterogéneas.

1. Validación de Primitivas CUDA-Q: Se utilizan núcleos cuánticos ruidosos para estimar las operaciones primitivas (generación de pares de Bell, purificación de entrelazamiento y el intercambio de entrelazamiento) a nivel de circuito. Estos núcleos proporcionan estimaciones almacenadas en caché de las probabilidades de éxito y las fidelidades de salida condicionales para los estados de entrada, que luego se integran en la simulación de la red.
2. Simulación de Capa de Eventos de SeQUeNCe: Un simulador de eventos discretos modela la naturaleza estocástica de la red, incluyendo la generación de enlaces, los límites de reintento, la decaimiento de la memoria (modelado mediante relajación exponencial hacia el estado mixto máximo), los fallos de purificación y el intercambio (swapping).
3. Políticas de Control: El estudio compara varias políticas bajo condiciones estacionarias:
   • Sin purificación: Maximiza la entrega bruta pero conlleva el riesgo de una fidelidad baja.
   • Adaptativa al umbral: Purifica los enlaces que caen por debajo de un disparador de fidelidad local.
   • Purificación fija: Purifica todos los enlaces.
   • Predictiva/Conciencia de Riesgo: Una función de objetivo penalizada por recursos que optimiza la "probabilidad de entrega por encima del objetivo" (la probabilidad de entregar un par con fidelidad $F \geq F_{\Sigma}$) mientras penaliza los costos de purificación y la latencia. Esta política utiliza una estimación de límite inferior de confianza (LCB) para dar cuenta de la incertidumbre de Monte Carlo.
4. Acoplamiento Ciber-Cuántico: Para modelar la degradación cibernética, los autores utilizan una traza de detección de intrusiones benigna-a-SSDP del CSE-CIC-IDS2018.
   • Se deriva un puntaje de anomalía IDS ($a_{IDS}(t)$) del tráfico para informar al controlador.
   • Una señal de tasa de ataque de oráculo ($a_{oracle}(t)$) derivada de las etiquetas de verdad de campo (ground-truth) se utiliza para degradar físicamente los enlaces cuánticos (reduciendo la probabilidad de generación y la fidelidad, aumentando el tiempo de intento y reduciendo la coherencia de la memoria).
   • Se prueban cuatro escenarios: Limpio (sin degradación), Desconocido del ataque (física degradada, controlador limpio), Consciente del IDS (física degradada, el controlador se adapta basándose en $a_{IDS}$) y Consciente del Oráculo (física degradada, el controlador se adapta basándose en $a_{oracle}$).

Contribuciones Clave

1. Flujo de Trabajo de Co-Simulación: Desarrollo de un flujo de trabajo híbrido donde CUDA-Q valida las primitivas cuánticas ruidosas y SeQUeNCe evalúa el rendimiento de la red de extremo a extremo a través de muchos ensayos de Monte Carlo.
2. Política de Conciencia de Riesgo Penalizada por Recursos: Introducción de una función de objetivo que equilibra el límite inferior de confianza de la entrega por encima del objetivo contra los costos de purificación y la latencia. Esta política evita los extremos de "sin purificación" (baja fidelidad) y "purificación fija" (alta falla/latencia).
3. Marco de Control Consciente de la Ciberseguridad: Una demostración de cómo los puntajes de anomalía derivados del IDS pueden servir como entradas accionables para los controladores de redes cuánticas, permitiendo que el sistema adapte las máscaras de purificación en respuesta a la degradación del plano de control clásico.
4. Validación Empírica: Comparación exhaustiva de políticas en cadenas de 3 enlaces y 8 nodos, demostrando que optimizar la "entrega útil" (fidelidad calificada) produce mejores resultados que optimizar solo la tasa de transferencia bruta o la fidelidad local.

Resultos

• Condiciones Estacionarias: En una cadena de 8 nodos, la política de conciencia de riesgo penalizada por recursos logró una probabilidad de entrega por encima del objetivo de 0.362 ± 0.017, superando a la purificación fija (0.311 ± 0.017) mientras utilizaba menos operaciones de purificación y reducía la latencia. Esto confirma que la entrega útil se maximiza mediante la purificación selectiva en lugar de purificar cada enlace.
• Bajo Ataque (SSDP):
  • El controlador ajeno al ataque mantuvo una alta entrega bruta pero sufrió un colapso en la entrega útil, cayendo a una probabilidad de entrega por encima del objetivo de 0.098 ± 0.007.
  • El controlador consciente del IDS, al cambiar a máscaras con mayor carga de purificación durante el ataque, aumentó la probabilidad de entrega por encima del objetivo a 0.344 ± 0.011.
  • Este resultado igualó estrechamente al controlador consciente del oráculo (0.335 ± 0.011), el cual poseía conocimiento perfecto de la tasa de ataque.
• Compromiso (Trade-off): El controlador consciente del IDS logró intercambiar exitosamente la tasa de transferencia bruta por la entrega de fidelidad calificada. Aunque redujo la probabilidad de entrega bruta, recuperó significativamente la probabilidad de entregar entrelazamiento de alta fidelidad que de otro modo se perdería debido a la degradación.

Significancia y Reivindicaciones
El artículo sostiene que la purificación adaptativa debe tratarse como un problema de control consciente de la ciberseguridad en lugar de una operación estática de nivel de enlace. La principal significancia radica en demostrar que:

1. Flujos de Trabajo Híbridos Cuántico-Clásicos: Los estimadores de primitivas basados en CUDA-Q son componentes efectivos dentro de un flujo de trabajo de control consciente de la ciberseguridad más amplio, proporcionando las estimaciones de fidelidad necesarias sin necesidad de simular toda la red como un circuito cuántico global.
2. Estado Cibernético Accionable: Los puntajes de anomalía derivados del IDS no están simplemente correlacionados con la degradación de la red; pueden cambiar activamente la acción de control de la red cuántica (máscaras de purificación) para mejorar el resultado cuántico útil.
3. Estrategia de Resiliencia: Bajo degradación cibernética, la estrategia óptima cambia de maximizar la tasa de transferencia bruta a maximizar la entrega de fidelidad calificada. El controlador consciente del IDS logra esto aumentando dinámicamente el esfuerzo de purificación cuando el estado cibernético indica degradación, recuperando efectivamente la entrega de entrelazamiento útil que un controlador ajeno al ataque perdería.

Los autores señalan modestamente que el modelo de degradación ciber-a-cuántico es fenomenológico y que los resultados sirven como una demostración de principio de un control consciente de la ciberseguridad, más que como un modelo de seguridad completo para infraestructuras desplegadas. Se sugiere como trabajo futuro calibrar los modelos de degradación contra el hardware y extender el marco a grafos heterogéneos y aprendizaje en línea.