Intelligence-Guided Adaptive Purification for DDoS-Resilient Quantum Networks: A CUDA-Q based Study

Sintesi Tecnica: Purificazione Adattiva Guidata dall'Intelligenza per Reti Quantistiche Resilienti ai DDoS

Definizione del Problema
Le reti di ripetitori quantistici si affidano a politiche di controllo adattivo per bilanciare i tassi di generazione dell'entanglement, la fedeltà end-to-end, l'overhead di purificazione e la latenza indotta dalla memoria. Questo compromesso diventa significativamente più complesso quando il piano di controllo classico, che gestisce l'heralding (segnalazione), la sincronizzazione e il routing, è degradato da anomalie cyber come il traffico Denial-of-Service (DDoS). Le attuali strategie di controllo ottimizzano spesso la probabilità di consegna grezza o le soglie di fedeltà locale senza considerare come le decisioni locali si propagano attraverso una catena end-to-end o come il degrado dello stato cyber influenzi i parametri dei link fisici. Il documento affronta la domanda centrale di controllo: quando un ripetitore dovrebbe purificare un link elementare per garantire che la coppia di entanglement finale superi una soglia di fedeltà target, specialmente quando la rete opera sotto un degrado indotto da attacchi?

Metodologia
Lo studio impiega un workflow di co-simulazione CUDA-Q/SeQUeNCe per valutare le strategie di purificazione adattiva in catene di ripetitori lineari eterogenee.

1. Validazione dei Primitivi CUDA-Q: Kernel quantistici rumorosi sono utilizzati per stimare le operazioni primitive (generazione di coppie di Bell, purificazione dell'entanglement e swapping dell'entanglement) a livello di circuito. Questi kernel forniscono stime memorizzate delle probabilità di successo e delle fedeltà di output condizionali per gli stati di input, che vengono poi incorporati nella simulazione di rete.
2. Simulazione dello Strato di Eventi SeQUeNCe: Un simulatore a eventi discreti modella la natura stocastica della rete, inclusi la generazione dei link, i limiti di riprova, il decadimento della memoria (modellato tramite rilassamento esponenziale verso lo stato misto massimo), i fallimenti della purificazione e lo swapping.
3. Politiche di Controllo: Lo studio confronta diverse politiche in condizioni stazionarie:
   • Nessuna purificazione: Massimizza la consegna grezza ma rischia una bassa fedeltà.
   • Adattiva alla soglia (Threshold-adaptive): Purifica i link che scendono al di sotto di un trigger di fedeltà locale.
   • Purificazione fissa: Purifica tutti i link.
   • Predittiva/Consapevole del rischio (Risk-aware): Una funzione obiettivo penalizzata dalle risorse che ottimizza la "probabilità di consegna sopra il target" (la probabilità di consegnare una coppia con fedeltà $F \geq F_{\Sigma}$) penalizzando al contempo i costi di purificazione e la latenza. Questa politica utilizza una stima del limite inferiore di confidenza (LCB) per tenere conto dell'incertezza di Monte Carlo.
4. Accoppiamento Cyber-Quantum: Per modellare il degrado cyber, gli autori utilizzano una traccia di intrusione benigna-verso-SSDP del dataset CSE-CIC-IDS2018.
   • Un punteggio di anomalia IDS ($a_{IDS}(t)$) viene derivato dal traffico per informare il controllore.
   • Un segnale del tasso di attacco oracle ($a_{oracle}(t)$) derivato dalle etichette di ground-truth viene utilizzato per degradare fisicamente i link quantistici (riducendo la probabilità di generazione e la fedeltà, aumentando il tempo di tentativo e riducendo la coerenza della memoria).
   • Vengono testati quattro scenari: Pulito (nessun degrado), Non consapevole dell'attacco (fisica degradata, controllore pulito), Consapevole dell'IDS (fisica degradata, il controllore si adatta in base a $a_{IDS}$), e Consapevole dell'Oracle (fisica degradata, il controllore si adatta in base a $a_{oracle}$).

Contributi Chiave

1. Workflow di Co-Simulazione: Sviluppo di un workflow ibrido in cui CUDA-Q valida i primitivi quantistici rumorosi e SeQUeNCe valuta le prestazioni end-to-end della rete attraverso molti trial di Monte Carlo.
2. Politica Risk-Aware Penalizzata dalle Risorse: Introduzione di una funzione obiettivo che bilancia il limite inferiore di confidenza della consegna sopra il target con i costi di purificazione e la latenza. Questa politica evita gli estremi di "nessuna purificazione" (bassa fedeltà) e "purificazione fissa" (alta frequenza di fallimenti/latenza).
3. Framework di Controllo Cyber-Aware: Una dimostrazione di come i punteggi di anomalia derivati dall'IDS possano servire come input azionabili per i controllori di rete quantistica, permettendo al sistema di adattare le maschere di purificazione in risposta alla degradazione del piano di controllo classico.
4. Validazione Empirica: Confronto esaustivo di politiche in catene a 3 link e 8 nodi, dimostrando che ottimizzare la "consegna utile" (fedeltà qualificata) produce risultati migliori rispetto all'ottimizzazione del solo throughput grezzo o della fedeltà locale.

Risultati

• Condizioni Stazionarie: In una catena a 8 nodi, la politica risk-aware penalizzata dalle risorse ha raggiunto una probabilità di consegna sopra il target di 0,362 ± 0,017, superando la purificazione fissa (0,311 ± 0,017) pur utilizzando meno operazioni di purificazione e riducendo la latenza. Ciò conferma che la consegna utile è massimizzata dalla purificazione selettiva piuttosto che dalla purificazione di ogni link.
• Sotto Attacco (SSDT):
  • Il controllore non consapevole dell'attacco ha mantenuto un alto delivery grezzo ma ha subito un crollo della consegna utile, scendendo a una probabilità sopra il target di 0,098 ± 0,007.
  • Il controllore consapevole dell'IDS, passando a maschere più pesanti in termini di purificazione durante l'attacco, ha aumentato la probabilità di consegna sopra il target a 0,344 ± 0,011.
  • Questo risultato si è avvicinato molto al controllore consapevole dell'Oracle (0,335 ± 0,011), che disponeva della conoscenza perfetta del tasso di attacco.
• Compromesso (Trade-off): Il controllore consapevole dell'IDS ha scambiato con successo il throughput grezzo con la consegna a fedeltà qualificata. Sebbene abbia ridotto la probabilità di consegna grezza, ha recuperato significativamente la probabilità di consegnare entanglement ad alta fedeltà che altrimenti andrebbe perso a causa del degrado.

Significatività e Rivendicazioni
Il documento afferma che la purificazione adattiva deve essere trattata come un problema di controllo cyber-aware piuttosto che come un'operazione statica a livello di link. La principale significatività risiede nel dimostrare che:

1. Workflow Ibridi Quantum-Classical: Gli stimatori di primitivi basati su CUDA-Q sono componenti efficaci all'interno di un più ampio workflow di controllo cyber-aware, fornendo le necessarie stime di fedeltà senza dover simulare l'intera rete come un unico circuito quantistico globale.
2. Stato Cyber Azionabile: I punteggi di anomalia derivati dall'IDS non sono semplicemente correlati al degrado della rete; possono cambiare attivamente l'azione di controllo della rete quantistica (maschere di purificazione) per migliorare l'esito quantistico utile.
3. Strategia di Resilienza: Sotto degrado cyber, la strategia ottimale si sposta dalla massimizzazione del throughput grezzo alla massimizzazione della consegna a fedeltà qualificata. Il controllore consapevole dell'IDS ottiene questo aumentando dinamicamente l'impegno di purificazione quando lo stato cyber indica un degrado, recuperando efficacementamente la consegna di entanglement utile che un controllore non consapevole perderebbe.

Gli autori notano con modestia che il modello di degrado cyber-to-quantum è fenomenologico e che i risultati servono come dimostrazione di principio di un controllo cyber-aware piuttosto che come un modello di sicurezza completo per infrastrutture distribuite. Il lavoro futuro suggerito consiste nel calibrare i modelli di degrado rispetto all'hardware ed estendere il framework a grafi eterogenei e apprendimento online.