💻 computer science

Quantum Machine Learning in Cybersecurity: A Hybrid Convolutional Neural Network with Skip Connections for QR Code Phishing Detection

Questo studio propone una Rete Neurale Convoluzionale Ibrida Quantistico-Classica con connessioni skip (HybridSkip) che classifica direttamente le immagini di codici QR in base alla struttura visiva per rilevare il phishing, ottenendo recall e punteggi F1 significativamente più elevati con meno parametri rispetto ai baseline classici, offrendo così una soluzione efficiente dal punto di vista delle risorse per la difesa proattiva contro il quishing.

Autori originali: Md Farhan Shahriyar

Pubblicato 2026-09-29

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Md Farhan Shahriyar

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Nel mondo digitale moderno, un semplice quadrato di quadratini bianchi e neri è diventato una chiave universale. Sono i codici Quick Response, o codici QR, i codici a barre bidimensionali che si trovano sui menu dei ristoranti, sui terminali di pagamento e sui biglietti dei trasporti. Sono progettati per essere scansionati istantaneamente dalla fotocamera di uno smartphone, colmando il divario tra il mondo fisico e quello digitale senza un singolo tocco di tasti. Tuttavia, questa comodità ha creato una nuova vulnerabilità. Poiché l'occhio umano non può leggere i dati nascosti all'interno del pattern, un malintenzionato può sostituire un codice legittimo con uno falso che conduce la vittima a un sito web fraudolento. Questo tipo specifico di attacco, noto come "quishing", elude i tradizionali filtri email e gli scanner di link perché la minaccia arriva come immagine stampata, non come messaggio digitale. La sfida principale per gli esperti di sicurezza è che, nel momento in cui un utente scansiona il codice, il danno è spesso già fatto, poiché il telefono apre automaticamente il link nascosto.

I ricercatori hanno a lungo cercato di risolvere questo problema decodificando l'immagine per leggere l'URL nascosto e poi controllando se quell'indirizzo è pericoloso. Ma questo metodo fallisce se il codice è danneggiato, se la connessione internet è assente o se il link dannoso è stato creato solo pochi istanti prima della scansione. Un nuovo approccio suggerisce di guardare l'immagine stessa piuttosto che il testo al suo interno. L'idea è che la lunghezza e la complessità del messaggio nascosto lascino un sottile'impronta statistica sulla disposizione dei quadrati bianchi e neri. Un computer addestrato a riconoscere questi pattern visivi potrebbe individuare un codice malevolo prima ancora che venga decodificato. È qui che l'intersezione tra la cybersecurity e il calcolo quantistico entra nella storia. Il machine learning quantistico utilizza i principi della meccanica quantistica per elaborare informazioni in modi che i computer classici non possono, offrendo potenzialmente un modo più efficiente per trovare pattern in piccoli e complessi dataset.

Md Farhan Shahriyar, un ricercatore presso la Hajee Mohammad Danesh Science and Technology University in Bangladesh, ha sviluppato un nuovo sistema che combina queste idee per rilevare gli attacchi di quishing. Il sistema è un modello ibrido, il che significa che mescola un normale programma per computer classico con una componente quantistica specializzata. La parte classica funge da un insieme di occhi, scansionando l'immagine del codice QR per identificare le sue forme e strutture di base. La parte quantistica prende poi una versione compressa di quelle forme e le elabora attraverso un circuito quantistico simulato, una struttura matematica che può esplorare molte possibilità contemporaneamente. L'obiettivo era vedere se questa combinazione potesse identificare un codice falso con maggiore precisione rispetto a un normale programma per computer, utilizzando al contempo meno risorse computazionali.

Lo studio ha testato questo sistema su un dataset di mille immagini di codici QR, divise equamente tra codici sicuri e malevoli. I ricercatori hanno addestrato il modello a osservare le immagini grezze senza mai tentare di leggere il testo al loro interno. Hanno confrontato il loro nuovo design ibrido con diversi altri modelli, inclusi programmi standard basati solo su computer e altre versioni ibride prive di una specifica modifica architettonica. La versione più efficace del loro sistema, che hanno chiamato HybridSkip, ha introdotto una "connessione skip" (connessione di salto). In termini semplici, si tratta di una scorciatoia che permette alle informazioni visive iniziali della parte classica del sistema di bypassare il processore quantistico e andare direttamente alla fase finale di decisione. Questo design assicura che nessun dettaglio utile vada perduto durante l'elaborazione quantistica complessa e aiuta il sistema a imparare in modo più efficace.

I risultati hanno mostrato che questo nuovo approccio è altamente efficace. Il modello HybridSkip ha identificato correttamente i codici QR malevoli con un tasso di successo superiore rispetto ai migliori modelli classici basati solo su computer. Nello specifico, ha intercettato circa il 72 percento dei coduri errati, rispetto a circa il 65 percento del più forte modello tradizionale. Questo miglioramento è significativo in un contesto di sicurezza perché mancare un codice errato significa che un utente potrebbe essere ingannato nel fornire le proprie password o il proprio denaro, mentre un falso allarme costa solo qualche secondo extra di controllo. Inoltre, il nuovo modello ha raggiunto questa maggiore accuratezza utilizzando quasi il 38 percento in meno di impostazioni regolabili, o parametri, rispetto ai modelli classici. Nel mondo dell'intelligenza artificiale, avere meno parametri di solito significa che il sistema è più veloce e richiede meno memoria, rendendolo più facile da eseguire su telefoni cellulari o piccoli dispositivi.

I ricercatori hanno confermato che questi miglioramenti non erano solo un colpo di fortuna, eseguendo i test più volte con diverse suddivisioni dei dati. L'analisi statistica ha dimostrato che i guadagni nel rilevamento dei codici errati erano reali e consistenti. Lo studio ha anche notato che il sistema funziona interamente offline. Poiché analizza l'immagine direttamente, non ha bisogno di una connessione internet per controllare un database di link dannosi noti. Ciò lo rende particolarmente utile in scenari come la scansione di un codice presso un chiosco remoto o un terminale di pagamento, dove una connessione di rete potrebbe essere inaffidabile.

Sebbene i risultati siano promettenti, lo studio riconosce alcune limitazioni. La parte quantistica del sistema è stata simulata su un computer standard, non eseguita su un vero hardware quantistico, che è ancora una tecnologia emergente. I ricercatori hanno inoltre notato che il dataset utilizzato era relativamente piccolo, contenente solo mille immagini, e che i codici del mondo reale possono variare ampiamente per qualità, illuminazione e danni. Il lavoro futuro dovrà testare il sistema su collezioni di immagini più grandi e su dispositivi quantistici reali per vedere come si comporta in condizioni reali. Ciononostante, lo studio dimostra che un approccio ibrido, che combina attentamente l'elaborazione classica e quella quantistica, può offrire un modo più efficiente ed efficace per individuare le minacce visive. Trattando il codice QR come un'immagine piuttosto che come un messaggio, questo nuovo metodo fornisce uno strato di difesa proattivo che può aiutare a mantenere gli utenti al sicuro in un mondo sempre più connesso.

Sintesi Tecnica: CNN Ibrida Quantistico-Classica per il Rilevamento del Phishing tramite QR Code

Problema
Il phishing tramite QR code ("quishing") è emerso come una minaccia critica alla cybersicurezza, sfruttando l'opacità dei codici QR per consegnare payload malevoli senza attivare le difese tradizionali basate su email o link. Le contromisure attuali sono ampiamente reattive e difettose: si affidano alla decodifica del QR code per estrarre un URL per il controllo delle blacklist o l'analisi della reputazione. Questo approccio fallisce quando la destinazione è un dominio zero-day, quando l'URL è offuscato o quando il dispositivo di scansione manca di connettività di rete (ad esempio, chioschi offline). Inoltre, il rilevamento basato sui metadati strutturali fallisce se il codice è fisicamente danneggiato o deliberatamente offuscato. Sebbene la classificazione basata sulle immagini offra un'alternativa senza decodifica, i modelli di deep learning puramente classici spesso soffrono di overfitting su i piccoli dataset etichettati tipici della ricerca sulla sicurezza.

Metodologia
Lo studio propone una Rete Neurale Convoluzionale Ibrida Quantistico-Classica (HQCNN) che classifica i QR code direttamente dai loro dati visivi di pixel, bypassando interamente la fase di decodifica. L'architettura è composta da tre componenti principali:

Backbone Convoluzionale Classico: Una CNN a cinque strati elabora immagini QR in scala di grigi (48×48 pixel) per estrarre caratteristiche spaziali gerarchiche. Queste caratteristiche vengono proiettate tramite uno strato completamente connesso e una funzione di attivazione tanh per vincolare i valori nell'intervallo $[-1, 1]$ , adatto all'embedding angolare quantistico.
Circuito Quantistico Variazionale (VQC): Le caratteristiche classiche proiettate servono come input per un circuito quantistico parametrizzato. Il circuito utilizza l'embedding angolare (codifica delle caratteristiche come angoli di rotazione di gate $RY$ ) seguito da $L$ strati variazionali. Ogni strato consiste in rotazioni $RY$ e $RZ$ addestrabili su tutti i qubit, accoppiate con una scala di entanglement CNOT. Il circuito restituisce i valori di aspettazione Pauli-Z, che vengono poi inviati a una testa di classificazione classica.
Architettura HybridSkip: Una nuova variante introduce un bypass residuo (connessione skip). In questo design, le caratteristiche del backbone classico ( $z$ ) vengono instradate direttamente alla testa di classificazione in parallelo con il percorso elaborato dal quantistico ( $q$ ). I due flussi vengono concatenati ( $h = [q; z]$ ) prima dello strato di classificazione finale. Questo design mira a preservare il flusso del gradiente (mitigando il rischio di "barren plateau"), mantenere il contesto spaziale perso durante l'encoding quantistico a bassa dimensionalità ed eliminare la necessità di uno strato completamente connesso compensativo ampio.

I modelli sono stati valutati su un corpus bilanciato di 1.000 immagini di QR code (500 benigni, 500 malevoli) utilizzando una validazione incrociata a cinque pieghe stratificata e un set di test tenuto separato. Sono state confrontate sei configurazioni: due baseline classiche, due HQCNN standard e due varianti HybridSkip, variando il numero di qubit (4 vs 6) e gli strati variazionali (3 vs 4).

Contributi Chiave

Primo Classificatore Visivo Quantistico Senza Decodifica: Questo lavoro presenta la prima architettura ibrida quantistico-classica per il rilevamento del phishing tramite QR code che opera esclusivamente sui dati dei pixel, senza richiedere decodifica o connettività di rete.
Design HybridSkip: L'introduzione di un bypass residuo nelle reti quantistico-classiche ibride, che migliora il flusso del gradiente e l'efficienza dei parametri permettendo al classificatore di accedere alle caratteristiche classiche grezze insieme a quelle quantistiche.
Benchmarking Efficiente dei Parametri: Un confronto rigoroso e normalizzato per parametri che dimostra come l'architettura HybridSkip raggiunga prestazioni superiori con significativamente meno parametri addestrabili rispetto alle baseline classiche.
Rigore Statistico: Lo studio impiega test statistici accoppiati (t-test, Wilcoxon signed-rank), analisi della dimensione dell'effetto (Cohen's d) e intervalli di confidenza attraverso i fold della validazione incrociata, andando oltre le semplici stime puntuali per validare i miglioramenti su piccoli dataset.

Risultati
La configurazione HybridSkip-6q4L (6 qubit, 4 strati variazionali) ha dimostrato il compromesso più favorevole tra accuratezza e dimensione del modello:

Prestazioni: Ha raggiunto un F1-score di validazione incrociata di 0,694 ± 0,027 e un recall di 0,710 ± 0,031. Sul set di test tenuto separato, ha raggiunto un F1-score di 0,715 e un recall di 0,724.
Confronto: Rispetto alla baseline classica più forte (Classical-h8), HybridSkip-6q4L ha migliorato il recall del 6,8% e l'F1-score del 3,3% (nella validazione incrociata).
Efficienza: Il modello ha utilizzato 21.015 parametri addestrabili, una riduzione del 37,6% rispetto alla baseline classica (33.673 parametri).
Significatività: L'analisi statistica ha confermato che i guadagni di recall sono significativi (p < 0,05) con ampie dimensioni dell'effetto (Cohen's d > 0,8). Il modello occupa la frontiera di Pareto tra accuratezza e numero di parametri.

Significato e Rivendicazioni
L'articolo sostiene che le architetture ibride efficienti nei parametri offrono una via percorribile per una difesa proattiva contro il quishing su endpoint con risorse limitate (ad esempio, dispositivi mobili, lettori embedded) nell'era del NISQ (Noisy Intermediate-Scale Quantum).

Le rivendicazioni chiave includono:

Capacità Offline: Il modello funziona senza connettività di rete, affrontando un fallimento critico delle difese basate su URL.
Preservazione del Gradiente: La connessione skip mitiga con successo l'attenuazione del gradiente nel collo di bottiglia quantistico, un problema comune nei modelli ibridi.
Generalizzazione: La mappa delle caratteristiche quantistiche permette al modello di generalizzare da dati limitati (1.000 campioni) in modo più efficace rispetto ai modelli classici di capacità simile, probabilmente grazie alla mappatura implicita delle caratteristiche ad alta dimensionalità nello spazio di Hilbert.
Prontezza alla Distribuzione: Sebbene la componente quantistica sia attualmente simulata, il risparmio di parametri è realizzabile sull'hardware classico oggi stesso, e l'architettura è progettata per essere compatibile con i futuri dispositivi quantistici fisici.

L'autore mantiene la modestia riguardo alle prestazioni assolute, riconoscendo che gli F1-score (0,63–0,72) sono inferiori a quelli dei rilevatori basati su URL perché la classificazione visiva è un problema intrinsecamente più difficile che manca della stringa del payload. Egli sottolinea che il contributo primario è il miglioramento del recall e dell'efficienza rispetto alle baseline classiche basate su immagini, piuttosto che il superamento dei metodi basati su URL. Il lavoro futuro viene identificato nella necessità di dataset più ampi e diversificati, addestramento consapevole del rumore per l'hardware reale e test di robustezza avversaria.

Sintesi Tecnica: CNN Ibrida Quantistico-Classica per il Rilevamento del Phishing tramite QR Code

Articoli simili