Resumen Técnico: Autoencoders Cuánticos para la Detección de Anomalías en Ciberseguridad

Planteamiento del Problema

La detección de anomalías en ciberseguridad enfrenta desafíos significativos debido al desequilibrio extremo entre los eventos normales y los anómalos, donde las actividades normales superan ampliamente a los ataques. Además, la rápida evolución de las amenazas cibernéticas requiere conjuntos de datos etiquetados grandes y de alta calidad para el aprendizaje supervisado, los cuales a menudo son inexistentes o impracticables de mantener. Aunque los Autoencoders Clásicos (CAE) se han empleado para aprender la distribución de los datos "normales" con el fin de identificar valores atípicos mediante el error de reconstrucción, estos suelen tener dificultades en entornos con datos limitados. Este artículo investiga si los Autoencoders Cuánticos (QAE) pueden ofrecer una eficiencia de datos y un rendimiento superiores en la detección de anomalías dentro de contextos de ciberseguridad, específicamente cuando se entrenan con muestras limitadas de datos normales.

Metodología

Conjunto de Datos y Preprocesamiento

El estudio utiliza el conjunto de datos BPF-Extended Tracking Honeypot (BETH), una colección real de más de 8 millones de eventos de tráfico de red provenientes de honeypots en la nube. El conjunto de datos está altamente desequilibrado, con eventos anómalos que constituyen una pequeña fracción de los conjuntos de entrenamiento y validación (0.2% y 0.4%, respectivamente), pero que dominan el conjunto de prueba (90.7%) para simular un escenario de detección realista.

• Preprocesamiento: Las características fueron diseñadas según protocolos establecidos (Highnam et al.), incluyendo el mapeo de IDs de procesos y usuarios, el manejo de valores de retorno y la aplicación de codificación de objetivos (target encoding) para características categóricas de alta cardinalidad.
• Selección de Características: El conjunto de datos transformado inicial contenía 24 características. Los experimentos se centraron en subconjuntos de estas características, evaluando específicamente modelos con 8, 16 y 24 características dependiendo del esquema de codificación.

Arquitectura del Autoencoder Cuántico (QAE)

La implementación del QAE, construida con Qiskit y simulada en hardware local y GPUs Google Colab L4, sigue una estructura conceptual de tres capas:

1. Entrada/Codificador: Codifica datos clásicos en estados cuánticos.
2. Cuello de Botella (Bottleneck): Comprime el estado descartando qubits de "basura" (trash qubits).
3. Salida/Decodificador: En esta implementación específica, la reconstrucción explícita se omite. En su lugar, los qubits de basura descartados se comparan contra qubits de referencia utilizando una prueba SWAP (SWAP test).

Puntuación de Anomalía:
El objetivo de entrenamiento minimiza la función de costo derivada de la prueba SWAP, que mide la fidelidad ($S$) entre los qubits de basura y los estados de referencia. La puntuación de anomalía ($A$) se define como $A = 1 - S$. Una puntuación de 0 indica una instancia normal (alta fidelidad), mientras que 1 indica una instancia máximamente anómala.

Variables Experimentales:

• Técnicas de Codificación: El estudio evaluó cuatro estrategias distintas de codificación cuántica:
  1. Codificación de Amplitud (Amplitude Encoding): Mapea los datos a amplitudes de estado.
  2. Codificación de Ángulo (Angle Encoding): Mapea las características a ángulos de rotación ($R_y$).
  3. Codificación de Ángulo Denso (Dense-Angle Encoding): Codifica dos características por qubit utilizando rotaciones tanto $R_y$ como $R_z$, reduciendo los requisitos de qubits.
  4. Codificación Eficiente SU2 (Efficient SU2 Encoding): Un esquema basado en entrelazamiento de Qiskit.
• Tipos de Ansatz: Se probaron circuitos parametrizados incluyendo RealAmplitudes y PauliTwoDesign.
• Configuración de Entrenamiento: Los modelos fueron entrenados únicamente con datos normales utilizando el optimizador libre de gradiente COBYLA durante 60 iteraciones con un tamaño de lote (batch size) de 64.

Base de Referencia Clásica

Se implementó un Autoencoder Clásico (CAE) para la comparación de referencia, entrenado con los mismos subconjuntos de datos normales para comparar métricas de rendimiento incluyendo Precisión, Recall, F1-score y AUROC.

Resultados Clave

El estudio demuestra que los QAE pueden superar a los CAE en entornos con restricciones de datos, siendo el rendimiento altamente dependiente de las estrategias de codificación y selección de características.

• Configuración Óptima: El modelo QAE con mejor desempeño utilizó 8 características con codificación de Ángulo Denso y un ansatz RealAmplitudes.
• Métricas de Rendimiento:
  • En un entorno de datos limitados, el QAE óptimo alcanzó un F1 score de 0.87.
  • El CAE correspondiente alcanzó un F1 score de 0.77.
• Eficiencia de Datos: El QAE demostró la capacidad de superar a su contraparte clásica incluso cuando fue entrenado con sustancialmente menos muestras.
• Impacto de la Codificación: Los resultados resaltaron que la elección de la codificación cuántica impacta significativamente la expresividad y el rendimiento del modelo. Por ejemplo, la codificación Eficiente SU2 requirió conjuntos de características más grandes (16 o 24 características) para evitar problemas de sobrecompresión que ocurrieron con conjuntos de características más pequeños.

Significancia y Reivindicaciones

Los autores afirman que este trabajo proporciona evidencia empírica de que los Autoencoders Cuánticos ofrecen ventajas prácticas para la detección de anomalías en ciberseguridad, particularmente en escenarios caracterizados por limitaciones de datos.

• Eficiencia de Datos: La principal contribución es la demostración de que los QAE pueden lograr una mayor precisión de detección (F1 score) que los CAE utilizando menos muestras de entrenamiento. Esto aborda el desafío crítico de mantener grandes conjuntos de datos etiquetados para amenazas cibernéticas en evolución.
• Sensibilidad de la Codificación: El documento subraya que el rendimiento de los modelos cuánticos depende fuertemente de la selección de las técnicas de codificación y las estrategias de características, lo que sugiere que son necesarias optimizaciones específicas del dominio para alcanzar el pleno potencial del Aprendizaje Automático Cuántico (QML).
• Aplicabilidad Práctica: Al utilizar el conjunto de datos BETH, que refleja condiciones de red y patrones de ataque del mundo real, el estudio argumenta que los QAE no son meramente constructos teóricos, sino candidatos viables para desafíos operativos de ciberseguridad donde los datos anómalos son escasos.

El trabajo concluye que, aunque las variantes especializadas de QAE aún se encuentran en etapas tempranas de desarrollo, las mejoras observadas en entornos de datos limitados sugieren una trayectoria prometedora para la detección de anomalías potenciada por tecnología cuántica.