Evaluation of Variational Quantum Classifiers (VQC) for Cyberattack Detection in the NISQ Era

Sintesi Tecnica: Valutazione di Classificatori Quantistici Variazionali per il Rilevamento di Cyberattack nell'Era NISQ

Problematica
Il documento affronta la sfida di applicare il Quantum Machine Learning (QML) al rilevamento delle intrusioni di rete entro i vincoli dell'era NISQ (Noisy Intermediate-Scale Quantum). Sebbene i Classificatori Quantistici Variazionali (VQC) offrano teoricamente una separabilità non lineare attraverso spazi di Hilbert ad alta dimensionalità, la loro applicazione pratica è ostacolata dai limiti dell'hardware, specificamente dal numero limitato di qubit e dalla decoerenza. La domanda di ricerca centrale indaga se un VQC che utilizza l'Amplitude Encoding — che comprime i dati classici in un numero ristretto di qubit — possa servire come soluzione efficace per il rilevamento di anomalie di rete sul dataset NSL-KDD, o se questa strategia di codifica imponga un limite strutturale alle prestazioni.

Metodologia
Lo studio impiega un rigoroso framework sperimentale utilizzando il subset di ricerca ufficiale del 20% del dataset NSL-KDD (25.192 record), partizionato in split train-test 80/20. La metodologia si concentra su una specifica configurazione architettonica:

• Pre-elaborazione dei dati: Le caratteristiche categoriche sono state convertite tramite Target Encoding per evitare la sparsità, seguite da un'Analisi delle Componenti Principali (PCA) per ridurre le 41 caratteristiche originali a 16 componenti principali (mantenendo circa l'86,78% della varianza).
• Architettura Quantistica: È stato costruito un VQC a 4 qubit. I 16 componenti PCA sono stati incorporati nello spazio di stato a 4 qubit tramite Amplitude Encoding ($2^4 = 16$). La componente addestnabile è consistita in un ansatz RealAmplitudes con 5 ripetizioni, risultando in 24 parametri addestrabili.
• Strategia di Ottimizzazione: Per distinguere tra fallimenti di ottimizzazione e limiti di espressività strutturale, lo studio ha utilizzato due ottimizzatori fondamentalmente diversi: COBYLA (deterministico, senza gradiente) e SPSA (stocastico, resiliente al rumore).
• Benchmark Classici: Il VQC è stato confrontato con un modello di Regressione Logistica e un "Tiny MLP" (una rete neurale classica con uno strato nascosto a 4 nodi) per garantire la parità architettonica riguardo alla dimensionalità dell'input e alla complessità.
• Ambito Sperimentale: Gli esperimenti hanno incluso la classificazione binaria (Normale vs Attacco) e la classificazione multi-classe (sia 4 famiglie raggruppate che 22 categorie di attacco grezze).

Risultati Chiave

1. Prestazioni della Classificazione Binaria: Il VQC a 4 qubit ha raggiunto una precisione costante dell'88% sul test set tenuto da parte. Fondamentalmente, sia l'ottimizzatore COBYLA che l'SPSA si sono stabilizzati esattamente sulla stessa precisione, indicando che il limite delle prestazioni non è dovuto all'ottimizzatore che rimane intrappolato in minimi locali, ma è una proprietà intrinseca dell'architettura.
2. Benchmark Classico: Sotto la stessa compressione dell'input (16 componenti PCA), un Tiny MLP classico con uno strato nascosto a 4 nodi ha raggiunto il 97% di precisione. Ciò suggerisce che il dataset mantiene la separabilità lineare post-compressione, ma il modello quantistico, a causa della sua dipendenza da trasformazioni unitarie lineari (senza funzioni di attivazione non lineari come ReLU), non riesce a disaggregare efficacemente le ampiezze di probabilità compresse.
3. Fallimento Multi-Classe (Mode Collapse): Quando addestrato su un set bilanciato per classi delle 22 categorie di attacco grezze e valutato in-sample, il VQC è collassato al 9% di precisione. Il modello non è riuscito a distinguere tra le classi, predicendo solo due classi specifiche ('back' e 'buffer overflow') per la stragrande maggioranza degli input. Questo "collasso di modo degenero" suggerisce che la compressione aggressiva di 16 caratteristiche in 4 qubit tramite Amplitude Encoding rende le diverse firme di attacco indistinguibili (alta fedeltà) all'interno dello spazio di probabilità quantistica, portando a una perdita di separabilità lineare.

Contributi Chiave

• Baseline Empirica per l'IDS NISQ: Il documento stabilisce una baseline quantitativa dimostrando che, sebbene i VQC possano funzionare per il rilevamento binario di anomalie, affrontano gravi colli di bottiglia strutturali quando applicati al rilevamento di intrusioni multi-classe granulare sotto i vincoli NISQ.
• Isolamento di Ottimizzazione vs Espressività: Dimostrando che sia gli ottimizzatori deterministici che quelli stocastici producono la stessa identica soglia di prestazione, lo studio fornisce una prova empirica che il limite delle prestazioni è un problema di espressività strutturale causato dall'Amplitude Encoding, piuttosto che un artefatto di ottimizzazione.
• Quantificazione del "Collo di Bottiglia Quantistico": La ricerca evidenzia come la riduzione dimensionale classica aggressiva (PCA) combinata con l'Amplitude Encoding possa eliminare componenti critiche della varianza necessarie per la separazione delle classi minoritarie, portando a una perdita di informazioni separatrici di classe che i modelli non lineari classici possono ancora recuperare.
• Proposta di Paradigmi Alternativi: Il documento delinea uno spostamento dall'Amplitude Encoding verso l'Angle Encoding con un approccio "Una Caratteristica per Qubit" (ad esempio, un VQC a 16 qubit). Questo approccio sfrutta il Teorema di Cover per espandere la dimensionalità dello spazio di Hilbert, garantendo teoricamente la separabilità lineare per vettori di attacco complessi e non lineari senza fare affidamento su una compressione classica che comporta perdita di dati.

Significatività e Rivendicazioni
Il documento rivendica modestamente di aver fornito una risposta definitiva alla specifica domanda di ricerca riguardante i VQC con Amplitude Encoding a 4 qubit sul subset NSL-KDD al 20%. Non rivendica di aver dimostrato un limite matematico universale per tutti i classificatori quantistici, né isola l'encoding come l'unica causa del fallimento senza riconoscere potenziali fattori confondenti come la profondità dell'ansatz o il budget dell'ottimizzatore (sebbene identifichi l'encoding come il driver più probabile).

La significatività risiede nell'identificazione costruttiva di un modo di fallimento: l'attuale strategia di "Economia Quantistica" di comprimere i dati in pochi qubit è insufficiente per il rilevamento di cyberattack multi-classe complessi. Il documento sostiene che realizzare la promessa teorica del QML in questo dominio richiede l'abbandono della riduzione dimensionale classica aggressiva a favore di architetture che preservino la granularità dei dati attraverso encoding scalabili e ad alta fedeltà (come l'Angle Encoding) ed esecuzioni su hardware fisico per superare gli overhead di simulazione.