⚛️ quantum physics

Quantum Machine Learning for Cybersecurity Applications: Simulation and Hardware Validation

Este artículo demuestra que las arquitecturas híbridas cuántico-clásicas, específicamente aquellas que emplean perceptrones multicapa compactos acoplados con cabezales cuánticos pequeños como QSVM y VQC, pueden igualar o superar ligeramente a los modelos clásicos en la detección de amenazas de ciberseguridad bajo restricciones estrictas de recursos, con resultados de simulación validados en hardware cuántico ruidoso de IBM Quantum.

Autores originales: Zirui Zhu, Zisheng Chen, Xiangyang Li

Publicado 2026-09-29

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Zirui Zhu, Zisheng Chen, Xiangyang Li

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo de alto riesgo de la ciberseguridad, los defensores corren constantemente contra los atacantes que intentan escabullirse de los guardias digitales. Estos guardias, conocidos como sistemas de detección de amenazas, actúan como filtros, escaneando la información entrante, como el tráfico de red o los correos electrónicos, para detectar actividad maliciosa. Durante años, estos sistemas han dependido de computadoras clásicas, las cuales son excelentes para procesar vastas cantidades de información. Sin embargo, a medida que los datos se vuelven más complejos y los atacantes más sutiles, estos sistemas tradicionales a veces tienen dificultades, particularmente cuando un ataque se sitúa justo en el límite de lo que parece normal. Aquí es donde entra en escena un nuevo campo llamado aprendizaje automático cuántico. Este intenta utilizar las reglas extrañas e contraintuitivas de la física cuántica —la ciencia que gobierna el comportamiento de las partículas más diminutas del universo— para hacer que estos filtros sean más inteligentes. Si bien la idea de usar computadoras cuánticas para la seguridad ha existido durante algún tiempo, la mayor parte del trabajo previo ha sido teórico o probado en máquinas imaginarias y perfectas. La pregunta real sigue siendo: ¿pueden estas herramientas cuánticas funcionar realmente en el hardware ruidoso e imperfecto disponible hoy en día, y ofrecen una ventaja genuina cuando los recursos son limitados?

Un equipo de investigadores de la Universidad Johns Hopkins se propuso responder a esto construyendo una prueba práctica que cierre la brecha entre la teoría y la realidad. Diseñaron un sistema híbrido, un híbrido en este contexto significa una colaboración entre una computadora clásica y un pequeño procesador cuántico. Los investigadores comenzaron con un problema estándar: distinguir entre datos seguros y peligrosos. Tomaron dos conjuntos de datos del mundo real, uno que contenía registros de intrusiones de red y otro lleno de correos electrónicos de spam. Para asegurar una prueba justa, primero comprimieron la enorme cantidad de información de estos conjuntos de datos a un tamaño diminuto y manejable utilizando un programa de computadora clásica estándar. Este paso fue crucial porque las computadoras cuánticas actuales son muy pequeñas y solo pueden manejar unas pocas piezas de información a la vez. Luego, los investigadores introdujeron estos datos comprimidos en la parte cuántica del sistema para tomar la decisión final sobre si los datos eran seguros o un ataque.

Probaron dos formas diferentes en las que la parte cuántica podría tomar estas decisiones. El primer método, que llamaron máquina de vectores de soporte cuántica, utiliza un conjunto fijo de reglas para medir qué tan similares son los nuevos datos con ejemplos conocidos. El segundo método, conocido como circuito cuántico variacional, es más flexible; es un circuito que puede ser entrenado y ajustado, de manera muy similar a una red neuronal clásica, para aprender la mejor forma de separar los datos buenos de los malos. El equipo realizó estas pruebas en un simulador que imita el comportamiento de una computadora cuántica real, incluyendo los errores y el ruido que ocurren en el mundo real. Compararon los resultados cuánticos contra un sistema puramente clásico al que se le dio exactamente la misma cantidad de información y potencia de cómputo para asegurar que cualquier diferencia en el rendimiento se debiera al método cuántico en sí, y no a tener más datos o mejores herramientas.

Los resultados de la simulación mostraron un patrón claro. El sistema cuántico que utiliza reglas fijas, la máquina de vectores de soporte cuántica, funcionó muy bien, especialmente cuando aumentaron el número de bits cuánticos, o qubits, de dos a cuatro. Con cuatro qubits, este sistema se volvió significativamente mejor en la detección de ataques y en la reducción de falsas alarmas en comparación con el sistema clásico. El circuito cuántico también más flexible y entrenable mostró ser prometedor, pero resultó ser menos estable; cuando aumentaron su tamaño, a veces funcionaba peor, probablemente debido a que el proceso de entrenamiento era demasiado sensible a los pequeños errores inherentes a las máquinas cuánticas. Esto sugirió que, para estas tareas de seguridad específicas, el enfoque cuántico más simple de reglas fijas era más confiable que el complejo y entrenable.

Para ir más allá de la simulación, los investigadores tomaron su modelo con mejor desempeño —la máquina de vectores de soporte cuántica de cuatro qubits— y la ejecutaron en una computadora cuántica real proporcionada por IBM. Este fue un paso crítico porque las máquinas reales están lejos de ser perfectas; sufren de ruido eléctrico y derivas de calibración que no existen en las simulaciones. Cuando probaron el modelo en un pequeño subconjunto de los datos de correo electrónico de spam, la máquina real funcionó casi tan bien como el simulador predijo. Los resultados fueron ligeramente inferiores, pero la caída fue consistente con lo que se esperaría de las imperfecciones conocidas del hardware. Esto confirmó que la ventaja cuántica vista en la simulación no era una ilusión; podía sobrevivir a la transición al hardware real y ruidoso.

Los investigadores también querían saber qué tan robustos eran estos sistemas cuánticos contra atacantes astutos que podrían intentar engañarlos. Sometieron al modelo a varias formas de sabotaje digital, como añadir palabras extrañas a los correos electrónicos o cambiar sutilmente el texto para ocultar intenciones maliciosas. Las pruebas revelaron que, si bien el sistema era generalmente fuerte, no era invencible. Ciertos tipos de ataques, particularmente aquellos que intercambiaban palabras o inyectaban ruido pesado de tipo spam, causaron que el sistema cometiera más errores. Sin embargo, el sistema no colapsó por completo; mostró un patrón específico de falla que ayuda a los investigadores a entender dónde mejorar la defensa.

En última instancia, este estudio sugiere que, incluso con las computadoras cuánticas limitadas y ruidosas disponibles hoy en día, los componentes cuánticos cuidadosamente diseñados pueden servir como herramientas efectivas para la ciberseguridad. La investigación indica que un pequeño procesador cuántico de reglas fijas puede igualar o superar ligeramente los métodos clásicos cuando los recursos son limitados, particularmente al capturar ataques difíciles que se sitúan en el límite entre lo seguro y lo peligroso. El trabajo demuestra que la brecha entre la simulación y la realidad es manejable y que el camino a seguir no consiste solo en construir computadoras cuánticas más grandes, sino en diseñar estos sistemas para que funcionen inteligentemente dentro de los estrictos límites de la tecnología actual. Por primera vez, tenemos evidencia de que el aprendizaje automático cuántico no es solo una posibilidad teórica para la seguridad, sino una opción práctica y consciente del presupuesto que puede funcionar en el mundo real.

Resumen Técnico: Aprendizaje Automático Cuántico para Aplicaciones de Ciberseguridad

1. Planteamiento del Problema y Motivación

Los procesos actuales de detección de amenazas clásicos suelen degradar su rendimiento cuando operan bajo presupuestos estrictos de características y cómputo, particularmente en eventos cercanos al límite de decisión donde los falsos positivos (FP) y los falsos negativos (FN) resultan operativamente costosos. Aunque actualmente se puede acceder a procesadores cuánticos pequeños a través de plataformas en la nube, la literatura existente no demuestra adecuadamente si los componentes cuánticos proporcionan mejoras tangibles en la detección de amenazas de extremo a extremo bajo estas condiciones específicas de restricción de recursos.

Existe una brecha crítica en la atribución de las mejoras de rendimiento: muchos estudios previos mezclan diferentes pipelines de características, reducciones de dimensionalidad y presupuestos de entrenamiento, lo que deja poco claro si las ganancias se deben al algoritmo cuántico o a la representación de los datos. Además, la "brecha entre simulador y hardware" rara vez se caracteriza con protocolos reproducibles que aíslen las fuentes de ruido (ruido de disparo, sesgo de lectura, ruido de circuito) mientras rastrean los cambios en las tasas de FP y FN.

Este artículo aborda estas breodas mediante la evaluación de arquitecturas híbridas clásico-cuánticas diseñadas para restricciones presupuestarias estrictas, centrándose específicamente en:

Si las capas de decisión cuánticas inducen distribuciones de margen sistemáticamente diferentes, particularmente en regímenes de bajo margen.
Si la brecha de rendimiento entre la simulación y el hardware NISQ (Noisy Intermediate-Scale Quantum) real se mantiene dentro de límites aceptables cuando se modela como perturbaciones de kernel/estimador.
La estabilidad de las capas de decisión cuánticas frente a perturbaciones de entrada de tipo evasión.

2. Metodología

Entorno Operativo y Modelo de Amenaza

El estudio opera bajo estrictas restricciones de recursos:

Presupuesto de Características: El cabezal cuántico consume solo $q$ características ( $q \in \{2, 4\}$ ). Un codificador MLP (Perceptrón Multicapa) clásico compacto comprime los datos de alta dimensión en un embedding normalizado de $q$ dimensiones.
Presupuesto de Cómputo: La profundidad del circuito y el número de disparos (shots) están limitados para respetar la latencia.
Modelo de Ruido: La ejecución en hardware incluye ruido de puerta/medición, varianza de disparos finitos y deriva de calibración. El estudio emplea mitigación de ruido (mitigación de lectura M3) y supresión (desacoplamiento dinámico XY8), pero no asume tolerancia a fallos.

Pipeline de Extremo a Extremo

Para asegurar una atribución justa, el preprocesamiento, el codificador MLP y la interfaz de $q$ dimensiones son fijos para todos los métodos. Solo varía la capa de decisión:

Línea Base Clásica: Un clasificador lineal/logístico ligero que consume el mismo embedding de $q$ dimensiones.
Máquina de Vectores de Soporte Cuántica (QSVM): Utiliza un mapa de características cuánticas fijo (ZZFeatureMap) para calcular un kernel $k(u, v) = |\langle \phi(u) | \phi(v) \rangle|^2$ . El kernel se estima mediante un circuito de "computar-descomputar" en hardware, evitando la tomografía completa del estado. Un SVM clásico se entrena sobre la matriz de kernel centrada.
Circuito Cuántico Variacional (VQC): Un circuito entrenable con recarga de datos (data re-uploading). Codifica las características como ángulos de rotación, intercala capas de ansatz entrenables (estilo TwoLocal) y mide un observable de Pauli para generar un logit.

Diseño Experimental

Datasets: Detección de Intrusión de Red (NSL-KDD) y Filtrado de Spam (Ling-Spam).
Estudio Factorial: Un diseño $2 \times 2$ que varía el número de cúbits ( $q=2, 4$ ) y el tipo de cabezal (QSVM vs. VQC) bajo simulación ruidosa basada en disparos.
Validación de Hardware: El modelo QSVM de 4 cúbits con mejor rendimiento se despliega en un dispositivo IBM Quantum. Los parámetros del modelo se congelan; solo se realiza la evaluación del kernel en hardware utilizando mitigación M3 y desacoplamiento XY8.
Pruebas Adversarias: Una prueba de estrés en el pipeline de Ling-Spam evalúa la robustez contra inyección de tokens, perturbaciones de caracteres, sustitución de palabras e inyección de ruido bajo supuestos de caja negra/gris.

3. Resultados Clave

Rendimiento de Simulación (Presupuestos Emparejados)

QSVM: Demostró una mejora consistente a medida que el número de cúbits aumentó de 2 a 4. En NSL-KDD, el QSVM de 4 cúbits logró un Macro-F1 de 0.9098 (frente a 0.6613 para la línea base lineal) y un AUROC de 0.9335. En Ling-Spam, alcanzó un rendimiento cercano al techo (Macro-F1 de 0.9987).
VQC: Mostró una mayor varianza. Mientras que el VQC de 2 cúbits funcionó de manera competitiva, el VQC de 4 cúbits se degradó en Macro-F1 en NSL-KDD (cayendo a 0.7907), lo que sugiere sensibilidad al ruido del optimizador y a las restricciones de hardware cuando aumenta la expresividad.
Conclusión: Bajo presupuestos emparejados, el QSVM es la variante más estable y escalable, mientras que el VQC presenta un perfil de "mayor potencial pero mayor riesgo".

Validación de Hardware

El QSVM de 4 cúbits fue evaluado en un subconjunto estratificado de 100 muestras del conjunto de prueba en hardware IBM Quantum:

Ling-Spam: El rendimiento se mantuvo cerca del techo (Exactitud 0.9900, Macro-F1 0.9827), siguiendo de cerca la simulación.
NSL-KDD: Mostró una mayor disminución de rendimiento respecto a la simulación (Exactitud 0.8400, Macro-F1 0.8242).
Análisis de Brecha: La discrepancia se atribuye al ruido del dispositivo (el enrutamiento/SWAPs aumentan la profundidad efectiva), la varianza de disparos finitos cerca de los límites de decisión y el sesgo de lectura. La brecha es sistemática y explicable, dominada por el ruido del dispositivo más que por fallos en el diseño del modelo.

Robustez Adversaria

Las pruebas de estrés en el pipeline de QSVM de Ling-Spam revelaron:

Caídas Modestas: Las perturbaciones simples como la inyección de "palabras mágicas" o cambios de caracteres causaron pequeñas caídas de exactitud (~1%).
Degradación Significativa: Los ataques de sustitución de palabras y de ruido de spam de alta intensidad indujeron mayores caídas de F1 (hasta 0.0540).
Ataques Combinados: La degradación más severa ocurrió bajo ataques combinados (Caída de Exactitud 0.0372, caída de F1 0.0656), con modos de fallo distintos que oscilaban entre la dominancia de FP y FN.

4. Significado y Reivindicaciones

El artículo sostiene que los componentes cuánticos cuidadosamente diseñados pueden funcionar como módulos competitivos y conscientes del presupuesto en la detección práctica de amenazas cibernéticas, incluso en dispositivos pequeños y ruidosos. Sus principales contribuciones son:

Evaluación con Atribución Segura: Al fijar el codificador y la interfaz de características, el estudio aísla la capa de decisión como la fuente de la varianza de rendimiento, aclarando que el QSVM se beneficia materialmente del aumento del número de cúbits mientras que el VQC no necesariamente escala de forma lineal bajo ruido.
Validación Realista de Hardware: El estudio proporciona un protocolo reproducible para caracterizar la brecha entre simulador y hardware, mostrando que con técnicas de mitigación, la brecha es manejable y sistemática, particularmente para métodos basados en kernels.
Credibilidad Operativa: Los resultados sugieren que las capas de decisión cuánticas de la era NISQ son operativamente creíbles para la detección de amenazas, siempre que los protocolos de evaluación consideren el ruido como una restricción de primer orden y que la robustez se evalúe frente a familias de perturbaciones relevantes para la seguridad (por ejemplo, sustitución de palabras) en lugar de ediciones superficiales.

Los autores concluyen que, aunque el estudio es preliminar, establece una base para trabajos futuros que fortalezcan la evidencia estadística y evalúen realidades operativas como la deriva y los adversarios activos.