Quantum Machine Learning for Cybersecurity Applications: Simulation and Hardware Validation
यह शोध पत्र प्रदर्शित करता है कि हाइब्रिड क्वांटम-क्लासिकल आर्किटेक्चर, विशेष रूप से वे जो QSVM और VQC जैसे छोटे क्वांटम हेड्स के साथ युग्मित कॉम्पैक्ट मल्टीलेयर परसेप्ट्रॉन्स का उपयोग करते हैं, सीमित संसाधन बाधाओं के तहत साइबर सुरक्षा खतरे का पता लगाने में शास्त्रीय मॉडलों के बराबर या उनसे थोड़ा बेहतर प्रदर्शन कर सकते हैं, जिसके सिमुलेशन परिणाम शोर वाले (noisy) IBM क्वांटम हार्डवेयर पर मान्य किए गए हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
साइबर सुरक्षा की उच्च-दांव वाली दुनिया में, रक्षक लगातार हमलावरों के खिलाफ दौड़ रहे हैं जो डिजिटल गार्डों से बचकर निकलने की कोशिश करते हैं। ये गार्ड, जिन्हें थ्रेट डिटेक्शन सिस्टम (खतरे का पता लगाने वाले सिस्टम) के रूप में जाना जाता है, फिल्टर के रूप में कार्य करते हैं, जो नेटवर्क ट्रैफ़िक या ईमेल जैसे आने वाले डेटा को स्कैन करके दुर्भावनापूर्ण गतिविधि का पता लगाते हैं। वर्षों से, ये सिस्टम शास्त्रीय कंप्यूटरों (classical computers) पर निर्भर रहे हैं, जो सूचना की विशाल मात्रा को संसाधित करने में उत्कृष्ट हैं। हालाँकि, जैसे-जैसे डेटा अधिक जटिल होता जा रहा है और हमलावर अधिक सूक्ष्म होते जा रहे हैं, ये पारंपरिक सिस्टम कभी-कभी संघर्ष करते हैं, विशेष रूप से तब जब कोई हमला ठीक उस सीमा पर स्थित हो जो सामान्य दिखती है। यहीं पर क्वांटम मशीन लर्निंग नामक एक नया क्षेत्र दृश्य में आता है। यह क्वांटम भौतिकी के अजीब और सहज-बोध के विपरीत नियमों का उपयोग करने का प्रयास करता है—वह विज्ञान जो ब्रह्मांड के सबसे सूक्ष्म कणों के व्यवहार को नियंत्रित करता है—ताकि इन फिल्टरों को अधिक स्मार्ट बनाया जा सके। हालांकि सुरक्षा के लिए क्वांटम कंप्यूटरों का उपयोग करने का विचार काफी समय से मौजूद है, लेकिन पिछला अधिकांश काम सैद्धांतिक था या आदर्श, काल्पनिक मशीनों पर परीक्षण किया गया था। असली सवाल यह बना हुआ है: क्या ये क्वांटम उपकरण आज उपलब्ध शोर वाले, अपूर्ण हार्डवेयर पर वास्तव में काम कर सकते हैं, और क्या वे संसाधनों की कमी होने पर वास्तविक लाभ प्रदान करते हैं?
जॉन्स हॉपकिन्स यूनिवर्सिटी के शोधकर्ताओं ने एक व्यावहारिक परीक्षण बनाकर इस प्रश्न का उत्तर देने का प्रयास किया जो सिद्धांत और वास्तविकता के बीच के अंतर को पाटता है। उन्होंने एक हाइब्रिड सिस्टम डिजाइन किया, यहाँ हाइब्रिड का अर्थ एक शास्त्रीय कंप्यूटर और एक छोटे क्वांटम प्रोसेसर के बीच टीम-अप है। शोधकर्ताओं ने एक मानक समस्या के साथ शुरुआत की: सुरक्षित और खतरनाक डेटा के बीच अंतर करना। उन्होंने दो वास्तविक दुनिया के डेटासेट लिए, एक जिसमें नेटवर्क घुसपैठ के रिकॉर्ड थे और दूसरा जो स्पैम ईमेल से भरा था। एक निष्पक्ष परीक्षण सुनिश्चित करने के लिए, उन्होंने पहले एक मानक शास्त्रीय कंप्यूटर प्रोग्राम का उपयोग करके इन डेटासेट में मौजूद विशाल मात्रा में सूचना को एक बहुत छोटे, प्रबंधनीय आकार में संकुचित किया। यह कदम महत्वपूर्ण था क्योंकि वर्तमान क्वांटम कंप्यूटर बहुत छोटे हैं और एक बार में केवल कुछ ही सूचनाओं को संभाल सकते हैं। शोधकर्ताओं ने फिर इस संकुचित डेटा को सिस्टम के क्वांटम भाग में डाला ताकि यह निर्णय लिया जा सके कि डेटा सुरक्षित है या एक हमला।
उन्होंने क्वांटम भाग द्वारा इन निर्णयों को लेने के दो अलग-अलग तरीकों का परीक्षण किया। पहले तरीके को, जिसे उन्होंने क्वांटम सपोर्ट वेक्टर मशीन कहा, में ज्ञात उदाहरणों के साथ एक नए डेटा के टुकड़े की समानता को मापने के लिए नियमों का एक निश्चित सेट उपयोग किया जाता है। दूसरा तरीका, जिसे वेरिएशनल क्वांटम सर्किट (variational quantum circuit) के रूप में जाना जाता है, अधिक लचीला है; यह एक ऐसा सर्किट है जिसे प्रशिक्षित और समायोजित किया जा सकता है, ठीक वैसे ही जैसे एक शास्त्रीय न्यूरल नेटवर्क, ताकि वह अच्छे डेटा को बुरे डेटा से अलग करने का सबसे अच्छा तरीका सीख सके। टीम ने इन परीक्षणों को एक सिम्युलेटर पर चलाया जो एक वास्तविक क्वांटम कंप्यूटर के व्यवहार की नकल करता है, जिसमें वे त्रुटियां और शोर भी शामिल हैं जो वास्तविक दुनिया में होते हैं। उन्होंने क्वांटम परिणामों की तुलना एक विशुद्ध रूप से शास्त्रीय प्रणाली से की जिसे सूचना की बिल्कुल समान मात्रा और कंप्यूटिंग शक्ति दी गई थी, ताकि यह सुनिश्चित किया जा सके कि प्रदर्शन में कोई भी अंतर क्वांटम पद्धति से आया है, न कि अधिक डेटा या बेहतर उपकरणों के कारण।
सिमुलेशन के परिणामों ने एक स्पष्ट पैटर्न दिखाया। क्वांटम सिस्टम जिसने निश्चित नियमों का उपयोग किया था, यानी क्वांटम सपोर्ट वेक्टर मशीन, ने बहुत अच्छा प्रदर्शन किया, विशेष रूप से जब उन्होंने क्वांटम बिट्स, या क्यूबिट्स (qubits), की संख्या को दो से बढ़ाकर चार किया। चार क्यूबिट्स के साथ, यह सिस्टम शास्त्रीय प्रणाली की तुलना में हमलों का पता लगाने और गलत अलार्म को कम करने में काफी बेहतर हो गया। अधिक लचीला, प्रशिक्षण योग्य क्वांटम सर्किट भी आशाजनक रहा लेकिन कम स्थिर साबित हुआ; जब उन्होंने इसका आकार बढ़ाया, तो इसने कभी-कभी खराब प्रदर्शन किया, जिसका कारण संभवतः यह था कि प्रशिक्षण प्रक्रिया क्वांटम मशीनों में निहित छोटी त्रुटियों के प्रति बहुत संवेदनशील थी। इससे यह संकेत मिला कि इन विशिष्ट सुरक्षा कार्यों के लिए, जटिल, प्रशिक्षण योग्य पद्धति की तुलना में सरल, निश्चित-नियम वाला क्वांटम दृष्टिकोण अधिक विश्वसनीय था।
सिमुलेशन से आगे बढ़ने के लिए, शोधकर्ताओं ने अपने सबसे अच्छा प्रदर्शन करने वाले मॉडल—चार-क्यूबिट क्वांटम सपोर्ट वेक्टर मशीन—को लिया और इसे IBM द्वारा प्रदान किए गए एक वास्तविक क्वांटम कंप्यूटर पर चलाया। यह एक महत्वपूर्ण कदम था क्योंकि वास्तविक मशीनें पूर्ण नहीं होती हैं; वे विद्युत शोर और कैलिब्रेशन ड्रिफ्ट (calibration drifts) से ग्रस्त होती हैं जो सिमुलेशन में मौजूद नहीं होते हैं। जब उन्होंने मॉडल का परीक्षण स्पैम ईमेल डेटा के एक छोटे उपसमुच्चय पर किया, तो वास्तविक मशीन ने लगभग उतना ही प्रदर्शन किया जितना सिम्युलेटर ने भविष्यवाणी की थी। परिणाम थोड़े कम थे, लेकिन गिरावट उस स्तर के अनुरूप थी जिसकी अपेक्षा वास्तविक हार्डवेयर की ज्ञात खामियों के आधार पर की जाती है। इसने पुष्टि की कि सिमुलेशन में देखा गया क्वांटम लाभ एक भ्रम नहीं था; यह वास्तविक, शोर वाले हार्डवेयर में संक्रमण के दौरान भी जीवित रह सकता है।
शोधकर्ता यह भी जानना चाहते थे कि ये क्वांटम सिस्टम चालाक हमलावरों के खिलाफ कितने मजबूत हैं जो इन्हें धोखा देने की कोशिश कर सकते हैं। उन्होंने मॉडल को विभिन्न प्रकार के डिजिटल तोड़फोड़ के अधीन किया, जैसे कि ईमेल में अजीब शब्द जोड़ना या दुर्भावनापूर्ण इरादे को छिपाने के लिए टेक्स्ट को सूक्ष्म रूप से बदलना। परीक्षणों से पता चला कि हालांकि सिस्टम आम तौर पर मजबूत था, लेकिन यह अजेय नहीं था। कुछ प्रकार के हमले, विशेष रूप से वे जिनमें शब्दों को बदला गया था या भारी स्पैम-जैसे शोर को इंजेक्ट किया गया था, के कारण सिस्टम ने अधिक गलतियाँ कीं। हालांकि, सिस्टम पूरी तरह से ध्वस्त नहीं हुआ; इसने विफलता का एक विशिष्ट पैटर्न दिखाया जो शोधकर्ताओं को यह समझने में मदद करता है कि सुधार कहाँ किया जाना चाहिए।
अंततः, यह अध्ययन सुझाव देता है कि आज उपलब्ध सीमित और शोर वाले क्वांटम कंप्यूटरों के साथ भी, सावधानीपूर्वक डिज़ाइन किए गए क्वांटम घटक साइबर सुरक्षा के लिए प्रभावी उपकरण के रूप में कार्य कर सकते हैं। शोध इंगित करता है कि एक छोटा, निश्चित-नियम वाला क्वांटम प्रोसेसर संसाधनों की कमी होने पर शास्त्रीय तरीकों के बराबर या थोड़ा बेहतर प्रदर्शन कर सकता है, विशेष रूप से उन कठिन हमलों को पकड़ने में जो सुरक्षित और खतरनाक के बीच की सीमा पर स्थित होते हैं। यह कार्य प्रदर्शित करता है कि सिमुलेशन और वास्तविकता के बीच का अंतर प्रबंधनीय है और आगे का रास्ता न केवल बड़े क्वांटम कंप्यूटर बनाने में है, बल्कि इन प्रणालियों को वर्तमान तकनीक की सख्त सीमाओं के भीतर बुद्धिमानी से काम करने के लिए इंजीनियर करने में है। पहली बार, हमारे पास प्रमाण है कि क्वांटम मशीन लर्निंग केवल सुरक्षा के लिए एक सैद्धांतिक संभावना नहीं है, बल्कि एक व्यावहारिक, बजट-सचेत विकल्प है जो वास्तविक दुनिया में कार्य कर सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।