💻 computer science

Quantum Machine Learning in Cybersecurity: A Hybrid Convolutional Neural Network with Skip Connections for QR Code Phishing Detection

Este estudio propone una Red Neuronal Convolucional Híbrida Cuántico-Clásica con conexiones de salto (HybridSkip) que clasifica directamente imágenes de códigos QR basadas en su estructura visual para detectar phishing, logrando puntuaciones de recall y F1 significativamente más altas con menos parámetros que los modelos base clásicos, ofreciendo así una solución eficiente en recursos para la defensa proactiva contra el quishing.

Autores originales: Md Farhan Shahriyar

Publicado 2026-09-29

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Md Farhan Shahriyar

Artículo original bajo licencia CC BY 4.0 (https://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 digital moderno, un simple cuadrado de cuadros blancos y negros se ha convertido en una llave universal. Estos son los códigos de Respuesta Rápida, o códigos QR, los códigos de barras bidimensionales que se encuentran en menús de restaurantes, terminales de pago y boletos de transporte. Están diseñados para ser escaneados instantáneamente por la cámara de un teléfono inteligente, uniendo los mundos físico y digital sin una sola pulsación de tecla. Sin embargo, esta conveniencia ha creado una nueva vulnerabilidad. Debido a que el ojo humano no puede leer los datos ocultos dentro del patrón, un actor malicioso puede reemplazar un código legítimo por uno falso que lleve a la víctima a un sitio web fraudulento. Este tipo específico de ataque, conocido como "quishing", evade los filtros de correo electrónico tradicionales y los escáneres de enlaces porque la amenaza llega como una imagen impresa, no como un mensaje digital. El desafío central para los expertos en seguridad es que, para cuando un usuario escanea el código, el daño a menudo ya está hecho, ya que el teléfono abre automáticamente el enlace oculto.

Los investigadores han intentado resolver esto durante mucho tiempo decodificando la imagen para leer la URL oculta y luego verificando si esa dirección es peligrosa. Pero este método falla si el código está dañado, si el internet no está disponible o si el malicioso enlace fue creado apenas unos momentos antes del escaneo. Un nuevo enfoque sugiere observar la imagen misma en lugar del texto en su interior. La idea es que la longitud y la complejidad del mensaje oculto dejan una sutil huella estadística en la disposición de los cuadros negros y blancos. Una computadora entrenada para reconocer estos patrones visuales podría detectar un código malicioso antes de que sea siquiera decodificado. Aquí es donde la intersección entre la ciberseguridad y la computación cuántica entra en la historia. El aprendizaje automático cuántico utiliza los principios de la mecánica cuántica para procesar información de formas que las computadoras clásicas no pueden, ofreciendo potencialmente una forma más eficiente de encontrar patrones en conjuntos de datos pequeños y complejos.

Md Farhan Shahriyar, un investigador de la Universidad de Ciencia y Tecnología Hajee Mohammad Danesh en Bangladesh, ha desarrollado un nuevo sistema que combina estas ideas para detectar ataques de quishing. El sistema es un modelo híbrido, lo que significa que mezcla un programa de computadora clásica estándar con un componente cuántico especializado. La parte clásica actúa como un par de ojos, escaneando la imagen del código QR para identificar sus formas y estructuras básicas. La parte cuántica toma entonces una versión comprimida de esas formas y las procesa a través de un circuito cuántico simulado, una estructura matemática que puede explorar muchas posibilidades a la vez. El objetivo era ver si esta combinación podía identificar un código falso con mayor precisión que un programa de computadora estándar, utilizando al mismo tiempo menos recursos de computación.

El estudio probó este sistema en un conjunto de datos de mil imágenes de códigos QR, divididas equitativamente entre códigos seguros y maliciosos. Los investigadores entrenaron el modelo para observar las imágenes puras sin intentar nunca leer el texto en su interior. Compararon su nuevo diseño híbrido contra varios otros modelos, incluyendo programas estándar de solo computación clásica y otras versiones híbridas sin un ajuste arquitectónico específico. La versión más exitosa de su sistema, a la que llamaron HybridSkip, introdujo una "conexión de salto" (skip connection). En términos simples, este es un atajo que permite que la información visual inicial de la parte clásica del sistema evite el procesador cuántico y vaya directamente a la etapa final de toma de decisiones. Este diseño asegura que no se pierda ningún detalle útil durante el complejo procesamiento cuántico y ayuda al sistema a aprender de manera más efectiva.

Los resultados mostraron que este nuevo enfoque fue altamente efectivo. El modelo HybridSkip identificó correctamente códigos QR maliciosos con una tasa de éxito mayor que los mejores modelos clásicos de solo computación. Específicamente, detectó alrededor del 72 por ciento de los códigos malos, en comparación con aproximadamente el 65 por ciento de los modelos tradicionales más fuertes. Esta mejora es significativa en un contexto de seguridad porque perder un código malo significa que un usuario podría ser engañado para entregar sus contraseñas o dinero, mientras que una falsa alarma solo cuesta unos segundos adicionales de verificación. Además, el nuevo modelo logró esta mayor precisión utilizando casi un 38 por ciento menos de ajustes, o parámetros, que los modelos clásicos. En el mundo de la inteligencia artificial, tener menos parámetros suele significar que el sistema es más rápido y requiere menos memoria, lo que facilita su ejecución en teléfonos móviles o dispositivos pequeños.

Los investigadores confirmaron que estas mejoras no fueron solo un golpe de suerte realizando las pruebas múltiples veces con diferentes divisiones de los datos. El análisis estadístico mostró que las ganancias en la detección de códigos malos eran reales y consistentes. El estudio también señaló que el sistema funciona completamente fuera de línea (offline). Debido a que analiza la imagen directamente, no necesita una conexión a internet para verificar una base de datos de enlaces malos conocidos. Esto lo hace particularmente útil para escenarios como escanear un código en un quiosco remoto o en un terminal de punto de venta donde la conexión de red podría ser poco confiable.

Si bien los resultados son prometedores, el estudio reconoce ciertas limitaciones. La parte cuántica del sistema fue simulada en una computadora estándar, no ejecutada en hardware cuántico real, que es todavía una tecnología emergente. Los investigadores también señalaron que el conjunto de datos utilizado era relativamente pequeño, conteniendo solo mil imágenes, y que los códigos del mundo real pueden variar ampliamente en calidad, iluminación y daño. El trabajo futuro deberá probar el sistema en colecciones de imágenes más grandes y en dispositivos cuánticos reales para ver cómo se mantiene bajo condiciones del mundo real. No obstante, el estudio demuestra que un enfoque híbrido, que combina cuidadosamente el procesamiento clásico y el cuántico, puede ofrecer una forma más eficiente y efectiva de detectar amenazas visuales. Al tratar el código QR como una imagen en lugar de un mensaje, este nuevo método proporciona una capa de defensa proactiva que podría ayudar a mantener a los usuarios seguros en un mundo cada vez más conectado.

Resumen Técnico: CNN Híbrida Cuántico-Clásica para la Detección de Phishing mediante Códigos QR

Planteamiento del Problema
El phishing mediante códigos QR ("quishing") ha emergido como una amenaza de ciberseguridad crítica, explotando la opacidad de los códigos QR para entregar cargas maliciosas sin activar las defensas tradicionales basadas en correos electrónicos o enlaces. Las contramedidas actuales son mayoritariamente reactivas y defectuosas: dependen de la decodificación del código QR para extraer una URL para el control de listas negras o el análisis de reputación. Este enfoque falla cuando el destino es un dominio de día cero (zero-day), cuando la URL está ofuscada o cuando el dispositivo de escaneo carece de conectividad de red (por ejemplo, quioscos sin conexión). Además, la detección basada en metadatos estructurales falla si el código está físicamente dañado o deliberadamente ofuscado. Si bien la clasificación basada en imágenes ofrece una alternativa sin decodificación, los modelos de aprendizaje profundo puramente clásicos suelen sufrir de sobreajuste (overfitting) en los pequeños conjuntos de datos etiquetados típicos de la investigación en seguridad.

Metodología
El estudio propone una Red Neuronal Convolucional Híbrida Cuántico-Clásica (HQCNN) que clasifica los códigos QR directamente a partir de sus datos visuales de píxeles, omitiendo por completo el paso de decodificación. La arquitectura consta de tres componentes principales:

Núcleo Convolucional Clásico: Una CNN de cinco capas procesa imágenes de QR en escala de grises (48×48 píxeles) para extraer características espaciales jerárquicas. Estas características son proyectadas mediante una capa totalmente conectada y una función de activación tanh para restringir los valores al rango $[-1, 1]$ , adecuado para el embebido de ángulo (angle embedding) cuántico.
Circuito Cuántico Variacional (VQC): Las características clásicas proyectadas sirven como entrada para un circuito cuántico parametrizado. El circuito utiliza embebido de ángulo (codificando las características como ángulos de rotación de puertas $RY$ ) seguido de $L$ capas variacionales. Cada capa consiste en rotaciones $RY$ y $RZZ$ entrenables en todos los cúbits, acopladas con una escalera de entrelazamiento CNOT. El circuito devuelve los valores de expectativa de Pauli-Z, que se alimentan a una cabeza de clasificación clásica.
Arquitectura HybridSkip: Una variante novedosa introduce un bypass residual (conexión de salto o skip connection). En este diseño, las características del núcleo clásico ( $z$ ) se dirigen directamente a la cabeza de clasificación en paralelo con la ruta procesada cuánticamente ( $q$ ). Las dos corrientes se concatenan ( $h = [q; z]$ ) antes de la capa de clasificación final. Este diseño tiene como objetivo preservar el flujo de gradiente (mitigando el riesgo de "barren plateaus"), retener el contexto espacial perdido durante el codificado cuántico de baja dimensión y eliminar la necesidad de una capa totalmente conectada compensatoria ancha.

Los modelos fueron evaluados en un corpus equilibrado de 1,000 imágenes de códigos QR (500 benignos, 500 maliciosos) utilizando validación cruzada de cinco pliegues estratificada y un conjunto de prueba reservado. Se compararon seis configuraciones: dos líneas base clásicas, dos HQCNN estándar y dos variantes de HybridSkip, variando el número de cúbits (4 vs. 6) y las capas variacionales (3 vs. 4).

Contribuciones Clave

Primer Clasificador Visual Cuántico Libre de Decodificación: Este trabajo presenta la primera arquitectura híbrida cuántico-clásica para la detección de phishing de QR que opera únicamente con datos de píxeles, sin requerir decodificación ni conectividad de red.
Diseño HybridSkip: La introducción de un bypass residual en redes cuántico-clásicas híbridas, que mejora el flujo de gradiente y la eficiencia de parámetros al permitir que el clasificador acceda a las características clásicas puras junto con las características cuánticas.
Benchmarking de Eficiencia de Parámetros: Una comparación rigurosa y normalizada por parámetros que demuestra que la arquitectura HybridSkip logra un rendimiento superior con significativamente menos parámetros entrenables que las líneas base clásicas.
Rigor Estadístico: El estudio emplea pruebas estadísticas pareadas (pruebas t, Wilcoxon signed-rank), análisis de tamaño de efecto (Cohen's d) e intervalos de confianza a través de los pliegues de validación cruzada, yendo más allá de las simples estimaciones puntuales para validar las mejoras en conjuntos de datos pequeños.

Resultados
La configuración HybridSkip-6q4L (6 cúbits, 4 capas variacionales) demostró el compromiso más favorable entre precisión y tamaño del modelo:

Rendimiento: Logró una puntuación F1 de validación cruzada de 0.694 ± 0.027 y un recall de 0.710 ± 0.031. En el conjunto de prueba reservado, alcanzó una puntuación F1 de 0.715 y un recall de 0.724.
Comparación: Comparado con la línea base clásica más fuerte (Classical-h8), HybridSkip-6q4L mejoró el recall en un 6.8% y la puntuación F1 en un 3.3% (en validación cruzada).
Eficiencia: El modelo utilizó 21,015 parámetros entrenables, una reducción del 37.6% en comparación con la línea base clásica (33,673 parámetros).
Significancia: El análisis estadístico confirmó que las ganancias de recall fueron significativas (p < 0.05) con tamaños de efecto grandes (Cohen's d > 0.8). El modelo ocupa la frontera de Pareto entre precisión y recuento de parámetros.

Significancia y Reivindicaciones
El artículo sostiene que las arquitecturas híbridas con eficiencia de parámetros ofrecen una vía viable para la defensa proactiva contra el quishing en endpoints con recursos limitados (por ejemplo, dispositivos móviles, lectores integrados) en la era de la Computación Cuántica de Escala Intermedia con Ruido (NISQ).

Las reivindicaciones clave incluyen:

Capacidad Offline: El modelo funciona sin conectividad de red, abordando un modo de fallo crítico de las defensas basadas en URL.
Preservación de Gradiente: La conexión de salto mitiga con éxito la atenuación del gradiente en el cuello de botella cuántico, un problema común en los modelos híbridos.
Generalización: El mapa de características cuánticas permite al modelo generalizar de manera más efectiva desde datos limitados (1,000 muestras) que los modelos clásicos de capacidad similar, probablemente debido al mapeo de características de alta dimensión implícito en el espacio de Hilbert.
Preparación para el Despliegue: Aunque el componente cuántico es actualmente simulado, los ahorros de parámetros son realizables en hardware clásico hoy en día, y la arquitectura está diseñada para ser compatible con futuros dispositivos cuánticos físicos.

El autor mantiene la modestia respecto al rendimiento absoluto, reconociendo que las puntuaciones F1 (0.63–0.72) son inferiores a las de los detectores basados en URL porque la clasificación visual es un problema estrictamente más difícil que carece de la cadena de carga útil (payload). Enfatiza que la contribución principal es la mejora en el recall y la eficiencia en relación con las líneas base clásicas de imágenes, en lugar de superar a los métodos basados en URL. Se identifica como trabajo futuro la necesidad de conjuntos de datos más grandes y diversos, entrenamiento consciente del ruido para hardware real y pruebas de robustez adversarial.

Resumen Técnico: CNN Híbrida Cuántico-Clásica para la Detección de Phishing mediante Códigos QR

Más como este