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

Nel mondo della cybersicurezza, i ricercatori si affidano a vaste collezioni di campioni di software malevolo per addestrare l'intelligenza artificiale che protegge i nostri computer. Queste collezioni sono i campi di addestramento per i sistemi immunitari digitali, insegnando loro a riconoscere le firme uniche di virus, worm e trojan. Tuttavia, condividere queste collezioni è quasi impossibile. I file stessi sono pericolosi; distribuirli rischia di infettare le stesse persone che cercano di studiarli. Inoltre, il modo in cui questi file vengono raccolti spesso coinvolge fonti riservate, il che significa che la collezione stessa può rivelare informazioni sensibili su chi è stato attaccato e dove. Per risolvere questo problema, gli scienziati si sono rivolti ai dati sintetici: record generati dal computer che imitano i modelli statistici del malware reale senza contenere alcun codice realmente dannoso. Se avranno successo, questi sostituti sintetici potrebbero essere condivisi liberamente, permettendo ai ricercatori di tutto il mondo di migliorare le proprie difese senza il rischio di diffondere infezioni o far trapelare segreti.

La sfida, tuttavia, è che generare questi record falsi è difficile. Se il generatore è troppo semplice, il dato falso non somiglia affatto a quello reale e non insegna nulla ai sistemi di difesa. Se è troppo complesso, potrebbe accidentalmente memorizzare e riprodurre esattamente i dati di addestramento che gli sono stati forniti, facendo trapelare proprio i segreti che i ricercatori cercano di nascondere. Recentamente, una nuova classe di tecnologia informatica nota come calcolo quantistico è stata proposta come una potenziale soluzione. A differenza dei computer classici, che elaborano informazioni in bit che sono o zero o uno, i computer quantistici utilizzano qubit, che possono esistere in combinazioni complesse di stati. Ciò consente loro di esplorare vaste possibilità simultaneamente. L'idea è che un computer quantistico potrebbe generare questi record di sicurezza sintetici in modo più efficiente e privato rispetto a un computer standard. Ma finora, nessuno aveva testato se una macchina completamente quantistica potesse effettivamente creare dati utili e privati per la cybersicurezza, o se i benefici teorici sarebbero crollati sotto il peso delle limitazioni del mondo reale.

Un team di ricercatori della Texas Tech University e della FPT University si è posto l'obiettivo di rispondere a questa domanda costruendo un generatore completamente quantistico progettato specificamente per i record di malware. Non hanno utilizzato un sistema ibrido in cui un computer classico svolge la maggior parte del lavoro; al contrario, hanno costruito un modello in cui l'intero processo di pulizia dei dati rumorosi per creare un nuovo record avviene all'interno di un circuito quantistico. I ricercatori hanno iniziato prendendo campioni di malware reali, che sono essenzialmente lunghe sequenze di istruzioni macchina, e comprimendoli in una rappresentazione matematica compatta. Hanno poi inserito questi dati compressi in un dispositivo quantistico che aggiungeva rumore casuale, mimando un processo di corruzione. L'obiettivo era addestrare un circuito quantistico a invertire questa corruzione, passo dopo passo, per produrre un nuovo record pulito che somigliasse all'originale ma non fosse l'originale.

I risultati di questo esperimento hanno rivelato una realtà cruda sullo stato attuale dell'informatica quantistica per questo compito specifico. Il circuito quantistico ha imparato il suo lavoro. Ha ridotto con successo l'errore nel suo processo di denoising (rimozione del rumore) del sessantatré per cento rispetto a una macchina che non faceva nulla, e ha avvicinato il dato generato alla distribuzione del malware reale. Tuttavia, l'utilità dei dati prodotti è stata sorprendentemente bassa. Quando i ricercatori hanno utilizzato questi record generati quantisticamente per addestrare un classificatore per identificare le famiglie di malware, il sistema ha performato solo leggermente meglio rispetto a un addestramento su rumore casuale. Al contrario, un modello di computer classico della stessa dimensione, addestrato esattamente sullo stesso compito, ha prodotto record significativamente più utili per addestrare le difese. Il generatore quantistico ha faticato a catturare i dettagli specifici che distinguono una famiglia di malware dall'altra, producendo essenzialmente dati statisticamente simili al reale ma privi della "impronta digitale" distinta necessaria per la classificazione.

Forse il risultato più significativo riguarda il costo dell'uso di questa tecnologia. Il circuito quantistico si è basato su una tecnica chiamata post-selezione, necessaria per far funzionare i passaggi non lineari del processo di generazione. In pratica, ciò significa che il computer esegue il processo molte volte e conserva solo i risultati in cui si verifica un esito di misurazione specifico. I ricercatori hanno scoperto che, per il loro modello addestrato, la probabilità di ottenere un risultato utilizzabile era incredibilmente piccola: circa tre su dieci milioni. Ciò significa che per generare un singolo record sintetico valido, l'hardware quantistico dovrebbe eseguire il circuito milioni di volte, un costo che rende l'approccio impraticabile con la tecnologia attuale. Il team ha anche esplorato se potessero addestrare il sistema ad accettare i risultati più frequentemente, ma farlo distruggeva la qualità del denoising, lasciando il sistema incapace di generare dati utili.

Sul fronte della privacy, lo studio ha offerto un quadro più sfumato. Il generatore quantistico non ha memorizzato né copiato i dati di addestramento, un errore comune nella generazione di dati sintetici. Tuttavia, i ricercatori hanno scoperto che il metodo utilizzato per decodificare l'output quantistico in un formato leggibile ha inavvertitamente rivelato informazioni sulla lunghezza dei file di addestramento originali. Un attaccante avrebbe potuto usare queste lunghezze per indovinare se un file specifico faceva parte del set di addestramento. Il team ha risolto questo problema livellando la distribuzione della lunghezza, un aggiustamento semplice che non ha richiesto il riaddestramento del modello quantistico e ha ridotto il rischio di questa fuga di privacy al livello del caso casuale. Hanno anche dimostrato che una garanzia formale di privacy poteva essere applicata a questi dati di lunghezza, assicurando che la pubblicazione dei record sintetici non compromettesse la riservatezza del dataset originale.

In definitiva, lo studio suggerisce che, sebbene i computer quantistici detengano una promessa teorica per la generazione di dati di sicurezza sintetici, non sono ancora pronti a sostituire i metodi classici. Il modello quantistico ha imparato a rimuovere il rumore, ma non è riuscito a imparare le informazioni specifiche di classe necessarie per essere utile, e il costo di esecuzione sull'hardware è attualmente proibitivo. La ricerca evidenzia che, affinché i generatori quantistici diventino una fonte praticabile di dati di sicurezza condivisibili, i futuri design dovranno trovare un modo per bilanciare le richieste contrastanti di accuratezza del denoising e di efficienza del campionamento. Fino ad allora, il modo più efficace per generare e condividere record di malware sintetici rimane con i computer classici, che possono ottenere un'alta utilità e forti protezioni della privacy a una frazione del costo. Il lavoro funge da fondamentale richiamo alla realtà, ricordando alla comunità scientifica che il percorso verso il vantaggio quantistico nella generazione di dati di sicurezza richiede la risoluzione di profonde sfide sia nel design degli algoritmi che nella fattibilità dell'hardware.