Fully Quantum Latent Diffusion for Synthetic Malware Records: Effective Denoising, Limited Class Information, and Costly Post-Selection

Dans le monde de la cybersécurité, les chercheurs s'appuient sur de vastes collections d'échantillons de logiciels malveillants pour entraîner l'intelligence artificielle qui protège nos ordinateurs. Ces collections sont les terrains d'entraînement des systèmes immunitaires numériques, leur apprenant à reconnaître les signatures uniques des virus, des vers et des chevaux de Troie. Cependant, le partage de ces collections est presque impossible. Les fichiers eux-mêmes sont dangereux ; les distribuer risque d'infecter les personnes mêmes qui tentent de les étudier. De plus, la manière dont ces fichiers sont rassemblés implique souvent des sources confidentielles, ce qui signifie que la collection elle-même peut révéler des informations sensibles sur qui a été attaqué et où. Pour résoudre ce problème, les scientifiques se sont tournés vers les données synthétiques : des enregistrements générés par ordinateur qui imitent les modèles statistiques de vrais logiciels malveillants sans contenir aucun code réellement nuisible. Si elle réussit, ces substituts synthétiques pourraient être partagés librement, permettant aux chercheurs du monde entier d'améliorer leurs défenses sans le risque de propager une infection ou de divulguer des secrets.

Le défi, cependant, est que générer ces faux enregistrements est difficile. Si le générateur est trop simple, les fausses données ne ressemblent en rien à la réalité et n'apprennent rien aux systèmes de défense. S'il est trop complexe, il pourrait accidentellement mémoriser et reproduire exactement les données d'entraînement qui lui ont été fournies, divulguant ainsi les secrets mêmes que les chercheurs tentent de cacher. Récemment, une nouvelle classe de technologie informatique connue sous le nom d'informatique quantique a été proposée comme une solution potentielle. Contrairement aux ordinateurs classiques, qui traitent l'information en bits qui sont soit zéro, soit un, les ordinateurs quantiques utilisent des bits quantiques, ou qubits, qui peuvent exister dans des combinaisons complexes d'états. Cela leur permet d'explorer simultanément de vastes possibilités. L'idée est qu'un ordinateur quantique pourrait générer ces enregistrements de sécurité synthétiques plus efficacement et plus discrètement qu'un ordinateur standard. Mais jusqu'à présent, personne n'avait testé si une machine entièrement quantique pouvait réellement créer des données utiles et privées pour la cybersécurité, ou si les avantages théoriques s'effondreraient sous le poids des limitations du monde réel.

Une équipe de chercheurs de l'Université Texas Tech et de l'Université FPT s'est donné pour mission de répondre à cette question en construisant un générateur entièrement quantique conçu spécifiquement pour les enregistrements de logiciels malveillants. Ils n'ont pas utilisé un système hybride où un ordinateur classique fait la majeure partie du travail ; au lieu de cela, ils ont construit un modèle où l'ensemble du processus de nettoyage des données bruitées pour créer un nouvel enregistrement se déroule à l'intérieur d'un circuit quantique. Les chercheurs ont commencé par prendre de vrais échantillons de logiciels malveillants, qui sont essentiellement de longues séquences d'instructions machines, et les ont compressés en une représentation mathématique compacte. Ils ont ensuite injecté ces données compressées dans un dispositif quantique qui a ajouté un bruit aléatoire, imitant un processus de corruption. Le but était d'entraîner un circuit quantique à inverser cette corruption, étape par étape, pour produire un nouvel enregistrement propre qui ressemblait à l'original mais qui n'était pas l'original.

Les résultats de cette expérience ont révélé une réalité brutale sur l'état actuel de l'informatique quantique pour cette tâche spécifique. Le circuit quantique a appris son métier. Il a réussi à réduire l'erreur de son processus de débruitage de soixante-trois pour cent par rapport à une machine qui ne faisait rien, et il a rapproché les données générées de la distribution des vrais logiciels malveillants. Cependant, l'utilité des données qu'il a produites était étonnamment faible. Lorsque les chercheurs ont utilisé ces enregistrements générés par voie quantique pour entraîner un classificateur afin d'identifier les familles de logiciels malveillants, le système n'a été que légèrement plus performant que s'il avait été entraîné sur du bruit aléatoire. En revanche, un modèle informatique classique de même taille, entraîné sur la même tâche exacte, a produit des enregistrements nettement plus utiles pour entraîner les défenses. Le générateur quantique a eu du mal à capturer les détails spécifiques qui distinguent une famille de logiciels malveillants d'une autre, produisant des données qui étaient statistiquement similaires à la réalité mais qui manquaient de la « empreinte digitale » distinctive nécessaire à la classification.

La découverte la plus significative concernait peut-être le coût de l'utilisation de cette technologie. Le circuit quantique reposait sur une technique appelée post-sélection, nécessaire pour faire fonctionner les étapes non linéaires du processus de génération. En pratique, cela signifie que l'ordinateur exécute le processus de nombreuses fois et ne conserve que les résultats où un résultat de mesure spécifique se produit. Les chercheurs ont découvert que pour leur modèle entraîné, la probabilité d'obtenir un résultat utilisable était incroyablement faible — environ trois sur dix millions. Cela signifie que pour générer un seul enregistrement synthétique valide, le matériel quantique devrait exécuter le circuit des millions de fois, un coût qui rend l'approche impraticable avec la technologie actuelle. L'équipe a également exploré la possibilité d'entraîner le système à accepter les résultats plus fréquemment, mais le faire détruisait la qualité du débruitage, laissant le système incapable de générer des données utiles.

Sur le front de la confidentialité, l'étude a offert un tableau plus nuancé. Le générateur quantique lui-même n'a pas mémorisé ou copié les données d'entraînement, un mode de défaillance courant dans la génération de données synthétiques. Cependant, les chercheurs ont découvert que la méthode utilisée pour décoder la sortie quantique en un format lisible divulguait par inadvertance des informations sur la longueur des fichiers d'entraînement originaux. Un attaquant pourrait utiliser ces longueurs pour deviner si un fichier spécifique faisait partie de l'ensemble d'entraînement. L'équipe a résolu ce problème en lissant la distribution des longueurs, un ajustement simple qui ne nécessitait pas de réentraînement du modèle quantique et qui a réduit le risque de cette fuite de confidentialité au niveau du hasard. Ils ont également démontré qu'une garantie formelle de confidentialité pouvait être appliquée à ces données de longueur, garantissant que la publication des enregistrements synthétiques ne compromettrait pas la confidentialité du jeu de données original.

En fin de compte, l'étude suggère que bien que les ordinateurs quantiques détiennent une promesse théorique pour la génération de données de sécurité synthétiques, ils ne sont pas encore prêts à remplacer les méthodes classiques. Le modèle quantique a appris à débruiter, mais il n'a pas réussi à apprendre les informations de classe spécifiques nécessaires pour être utile, et le coût de son exécution sur le matériel est actuellement prohibitif. La recherche souligne que pour que les générateurs quantiques deviennent une source viable de données de sécurité partageables, les conceptions futures doivent trouver un moyen de équilibrer les demandes concurrentes de précision du débruitage et d'efficacité de l'échantillonnage. D'ici là, la façon la plus efficace de générer et de partager des enregistrements de logiciels malveillants synthétiques reste les ordinateurs classiques, qui peuvent atteindre une utilité élevée et de solides protections de confidentialité à une fraction du coût. Ce travail sert de rappel à la réalité crucial pour la communauté scientifique, rappelant que le chemin vers l'avantage quantique dans la génération de données de sécurité nécessite de résoudre des défis profonds tant dans la conception des algorithmes que dans la faisabilité du matériel.