Riepilogo Tecnico: Framework di Ensemble Meta-Quantistico per il Rilevamento Robusto delle Intrusioni di Rete

Enunciato del Problema

I Sistemi di Rilevamento delle Intrusioni (IDS) affrontano sfide significative nel mantenere un'alta sensibilità di rilevamento rispettando vincoli rigorosi sul tasso di falsi positivi (FPR). Queste difficoltà sono esacerbate negli ambienti Internet of Things (IoT) da uno squilibrio di classe severo tra traffico benigno e malevolo, distribuzioni di dati non stazionarie dovute al drift concettuale e vincoli di risorse. Sebbene i modelli di apprendimento automatico classico (ad esempio, XGBoost, reti neurali profonde) rimangano lo stato dell'arte, questo lavoro indaga se l'Apprendimento Automatico Quantistico (QML) possa offrire benefici complementari. Nello specifico, gli autori esplorano se apprenditori quantistici eterogenei — Macchine a Vettori di Supporto Quantistiche (QSVM) e Reti Neurali Quantistiche (QNN) — esibiscano comportamenti predittivi distinti che, quando combinati, possano migliorare la stabilità e l'affidabilità del rilevamento in modo più efficace rispetto ai modelli quantistici autonomi.

Metodologia

Gli autori propongono l'Ensemble Meta-Quantistico a Livello di Sistema (MQE), un framework ibrido quantistico-classico progettato per fondere gli output dei rami QSVM e QNN utilizzando un meta-apprenditore classico Random Forest.

1. Preprocessing e Incorporamento dei Dati

• Preprocessing: I dataset grezzi subiscono una codifica delle etichette per gli attributi categorici, la rimozione dei valori mancanti e la standardizzazione (media zero, varianza unitaria). L'Analisi delle Componenti Principali (PCA) riduce la dimensionalità delle caratteristiche a 13 componenti per corrispondere al numero di qubit richiesto per l'elaborazione quantistica.
• Incorporamento delle Caratteristiche Quantistiche: I vettori di caratteristiche classici sono trasformati in stati quantistici tramite incorporamento angolare. Ogni caratteristica $x_i$ è codificata come una rotazione attorno all'asse Y su un singolo qubit: $|\psi(x)\rangle = \bigotimes_{i=1}^n R_Y(x_i)|0\rangle$. Questo mappa i dati in uno spazio di Hilbert a dimensionalità elevata per sfruttare l'entanglement e la sovrapposizione.

2. Rami Quantistici

• Ramo QSVM: Utilizza un metodo a kernel quantistico per calcolare le similarità tra campioni. Il valore del kernel $K(x_i, x_j)$ è definito come la fedeltà $|\langle\psi(x_i)|\psi(x_j)\rangle|^2$, stimata tramite un circuito che coinvolge una mappa delle caratteristiche e il suo aggiunto. Una SVM classica utilizza quindi questa matrice di kernel per trovare l'iperpiano di separazione ottimale.
• Ramo QNN: Impiega un Circuito Quantistico Variazionale (VQC) con Strati Fortemente Entangolanti (SEL). L'ansatz è costituito da rotazioni parametrizzate su singolo qubit ($R_Z, R_Y, R_X$) seguite da entanglement basato su CNOT in una topologia ad anello. Il circuito è misurato nella base di Pauli-Z e i valori di aspettazione alimentano uno strato denso classico per la classificazione binaria. I parametri sono ottimizzati utilizzando un ottimizzatore classico basato sul gradiente (Adam).

3. Fusione tramite Meta-Apprendimento

Il meta-modello Random Forest agisce come strato di fusione. Assume come caratteristiche di input le probabilità di attacco previste da entrambi i rami QSVM e QNN ($p_i = [p^{(QNN)}_i, p^{(QSVM)}_i]$). Il meta-apprenditore è addestrato a catturare i modelli di accordo e disaccordo tra i due rami quantistici, risolvendo i conflitti per migliorare la robustezza. Il framework valuta tre rappresentazioni di fusione:

• Fusione Rigida: Etichette di classe discrete.
• Fusione del Margine: Margini di decisione.
• Fusione Probabilistica: Punteggi di probabilità continui.

Contributi Chiave

1. Ensemble Meta-Quantistico a Livello di Sistema (MQE): Introduzione di un framework ibrido che integra QSVM e QNN all'interno di un'unica pipeline IDS, mediato da un meta-apprenditore classico Random Forest.
2. Meccanismo di Fusione Meta: Sviluppo di una strategia di fusione basata su Random Forest che sfrutta i pregiudizi induttivi distinti delle strutture decisionali geometriche basate su kernel (QSVM) e delle rappresentazioni non lineari addestrabili (QNN).
3. Valutazione Completa: Una valutazione dettagliata sui dataset TON IoT e CICIDS2017, che copre metriche di classificazione standard, comportamento di rilevamento a basso FPR, analisi della fusione meta, robustezza al rumore e affidabilità della calibrazione.

Risultati Sperimentali

Il framework è stato valutato su due dataset: CICIDS2017 (D1, squilibrio di classe impegnativo) e TON IoT (D2, separazione di classe più chiara).

• Prestazioni:

  • Su D1 (CICIDS2017), MQE ha raggiunto un'accuratezza del 97,14% e un F1-score dell'81,48%. A un FPR rigoroso dello 0,1%, il Tasso di Vero Positivo (TPR) è stato del 40,74%.
  • Su D2 (TON IoT), MQE ha raggiunto un'accuratezza del 98,57% e un F1-score del 99,05%. A un FPR dello 0,1%, il TPR è stato del 7,89%.
  • L'ensemble meta ha costantemente superato i rami QSVM e QNN autonomi in termini di F1-score e AUPRC, in particolare sul dataset più difficile D1.

• Analisi della Fusione Meta:

  • Disaccordo sugli Errori: I rami QSVM e QNN hanno commesso errori diversi. Su D2, la sovrapposizione degli errori era piccola (2,7%), indicando un'alta complementarità. Su D1, la sovrapposizione era maggiore (6,7%), riflettendo la difficoltà del dataset.
  • Strategia di Fusione: Il metodo di fusione ottimale dipendeva dal dataset. Per D2, la Fusione Rigida ha ottenuto i migliori risultati (F1: 99,43%), suggerendo che gli output discreti erano sufficienti. Per D1, la Fusione Probabilistica ha prodotto il F1 più alto (81,48%), indicando che segnali basati sulla confidenza erano necessari per gestire il compito di classificazione più difficile.

• Robustezza e Calibrazione:

  • Resilienza al Rumore: Il framework ha mantenuto una robustezza ragionevole sotto rumore da basso a moderato (smorzamento di ampiezza, depolarizzazione, ecc.), ma ha mostrato un degrado delle prestazioni all'aumentare della probabilità di rumore, coerentemente con le limitazioni dell'era NISQ.
  • Calibrazione: Il modello ha prodotto stime di probabilità ben calibrate, come dimostrato da bassi Punteggi Brier (0,57% per D2) e valori di Errore di Calibrazione Atteso (ECE) (0,04% per D2).

• Confronto con le Linee di Base:

  • Le linee di base classiche (Random Forest, XGBoost) hanno ottenuto prestazioni assolute superiori su entrambi i dataset, confermando la loro maturità per i dati tabulari IDS.
  • Il framework MQE non mirava a superare questi modelli classici, ma ha dimostrato che fondere apprenditori quantistici eterogenei migliora l'affidabilità delle pipeline quantistiche-classiche rispetto agli approcci quantistici autonomi.

Significato e Affermazioni

Il documento afferma che la fusione a livello meta è una strategia pratica per costruire pipeline IDS basate su QML più affidabili. Il significato del lavoro risiede nel dimostrare che:

1. Gli apprenditori quantistici eterogenei (QSVM e QNN) possiedono punti di forza complementari e modelli di errore distinti che possono essere sfruttati da un meta-apprenditore.
2. L'efficacia della strategia di fusione dipende dal dataset; le rappresentazioni basate sulla confidenza sono cruciali per dataset difficili e sbilanciati, mentre le etichette rigide sono sufficienti per dati ben separati.
3. Sebbene gli ensemble classici rimangano le linee di base più forti, il framework MQE fornisce una base modulare per la futura ricerca sulla fusione strutturata quantistica-classica, offrendo maggiore stabilità e affidabilità rispetto ai modelli quantistici autonomi negli scenari di rilevamento delle intrusioni.

Gli autori dichiarano esplicitamente che il framework non intende sostituire i modelli IDS classici maturi, ma validare se le strategie di meta-ensemble possano migliorare le prestazioni e la robustezza dei componenti di apprendimento quantistico in condizioni impegnative. Viene proposto un lavoro futuro per estendere questo approccio al rilevamento multiclasse, agli scenari di drift del traffico e al deployment consapevole dell'hardware.