💻 computer science

Quantum Autoencoders for Anomaly Detection in Cybersecurity

Questo articolo dimostra che gli Autoencoder Quantistici, specificamente un modello a 8 feature con codifica Dense-Angle e un ansatz RealAmplitude, superano gli Autoencoder Classici nel rilevamento di anomalie per la cybersecurity sul dataset BETH, ottenendo un punteggio F1 più elevato (0,87 rispetto a 0,77) anche quando addestrati su un numero di campioni sostanzialmente inferiore.

Autori originali: Rohan Senthil, Swee Liang Wong

Pubblicato 2026-07-03

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Rohan Senthil, Swee Liang Wong

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

Il Quadro Generale: Trovare l'"Anomalia" in un Mare di Normalità

Immaginate di essere una guardia giurata in una stazione ferroviaria enorme e affollata. Ogni giorno, milioni di persone attraversano le porte. Il 99,9% di loro è composto da normali pendolari che fanno cose normali: comprano biglietti, controllano l'orologio e camminano verso i propri treni. Ma ogni tanto, qualcuno cerca di infilarsi una bomba o di rubare una borsa.

Il vostro compito è il Rilevamento delle Anomalie (Anomaly Detection): individuare il cattivo tra milioni di bravi cittadini.

Il problema? I cattivi sono rari. Se provate a insegnare a un computer come riconoscerli mostrandogli migliaia di foto di cattivi, fallirete perché non avete abbastanza foto di loro. Avete solo un sacco di foto di persone normali.

È qui che i ricercatori, Rohan Senthil e Swee Liang Wong, sono intervenuti. Si sono chiesti: "Possiamo usare le strane e potenti regole della Fisica Quantistica per costruire una guardia giurata migliore di quelle che abbiamo oggi?"

La Vecchia Guardia: Autoencoder Classici (CAE)

Prima di questo articolo, i sistemi di sicurezza utilizzavano gli "Autoencoder Classici" (CAE). Pensate a un CAE come a una fotocopiatrice che sa copiare solo persone normali.

Addestramento: Fornite alla fotocopiatrice migliaia di foto di pendolari normali. Essa impara esattamente che aspetto ha una persona "normale".
Il Test: Quando entra una nuova persona, la fotocopiatrice cerca di ricreare la sua immagine basandosi su ciò che ha imparato.
Il Risultato:
- Se si tratta di una persona normale, la copia è ottima.
- Se si tratta di un cattivo (un'anomalia), la fotocopiatrice si confonde. Cerca di forzare il volto del cattivo in una forma "normale", e il risultato appare terribile e distorto.
- L'Allarme: Il sistema vede questa distorsione e suona l'allarme.

Il Difetto: L'articolo nota che questo "fotocopiatrice" fatica quando non si hanno molte foto di addestramento. Se mostrate solo poche foto di persone normali, si confonde e perde i cattivi.

La Nuova Guardia: Autoencoder Quantistici (QAE)

I ricercatori hanno provato un Autoencoder Quantistico (QAE). Se l'Autoencoder Classico è una fotocopiatrice, l'Autoencoder Quantistico è come un prisma magico e multidimensionale.

Invece di guardare solo una foto piatta, il QAE usa le strane regole della meccanica quantistica (come la sovrapposizione e l'entanglement) per comprimere le informazioni in un modo che i computer classici non possono fare.

Come lo hanno testato:
Hanno utilizzato un dataset reale chiamato BETH, che è come un grande registro del traffico di rete di un "honeypot" (un server falso progettato per attirare gli hacker).

La Sfida: Il dataset era fortemente sbilanciato. C'erano migliaia di eventi normali e pochissimi attacchi hacker.
La Configurazione: Hanno addestrato il modello Quantistico solo sugli eventi normali, proprio come il modello classico.

I Trucchi Magici: Codifica e Compressione

Per far sì che il computer quantistico capisse i dati, i ricercatori hanno dovuto tradurre i dati in "linguaggio quantistico". Hanno provato quattro diversi metodi di traduzione (chiamati Codifiche):

Codifica di Ampiezza (Amplitude Encoding): Come cercare di far stare un'intera biblioteca di libri nello spessore di un singolo foglio di carta.
Codifica di Angolo (Angle Encoding): Come girare una manopola per ogni caratteristica dei dati.
Codifica Dense-Angle: Un trucco intelligente in cui comprimono due pezzi di informazione su una sola manopola (qubit). È come impacchettare due valigie in uno spazio ristretto.
Efficient SU2 Encoding: Un metodo complesso che intreccia e collega le manopole insieme per risparmiare spazio.

Hanno anche provato diversi "progetti" per il circuito quantistico, chiamati Ansatz (pensateli come diversi design architettonici per la macchina).

I Risultati: Il Vantaggio Quantistico

Ecco il punto cruciale dell'articolo:

Quando i ricercatori hanno testato i modelli sui dati degli hacker, l'Autoencoder Quantistico ha vinto, ma con un avvertimento.

Lo Scenario: Hanno fornito ai modelli una quantità molto piccola di dati di addestramento (un ambiente "limitato dai dati").
L'Esito:
- L'Autoencoder Classico (la fotocopiatrice) ha ottenuto un punteggio di 0,77. Ha perso molti cattivi perché non aveva abbastanza pratica.
- L'Autoencoder Quantistico (il prisma) ha ottenuto un punteggio di 0,87. Era molto più bravo a individuare le anomalie, anche se era stato addestrato con molti meno esempi.

Perché? L'articolo suggerisce che il modello Quantistico, specificamente quello che utilizza la Dense-Angle Encoding e un design RealAmplitude, è stato in grado di "capire" la forma dei dati "normali" in modo molto più efficiente. Non aveva bisogno di molti esempi per imparare il pattern.

In Breve

L'articolo afferma che in un mondo in cui abbiamo tonnellate di dati normali ma pochissimi dati sugli attacchi reali, gli Autoencoder Quantistici potrebbero essere uno strumento migliore rispetto a quelli classici.

Hanno dimostrato che, utilizzando specifici trucchi quantistici (come comprimere due punti dati in un unico qubit), potevano costruire un sistema di sicurezza più sensibile alle "stranezze", anche quando non ha visto molti esempi di esse in precedenza.

In breve: La macchina quantistica ha imparato il "vibe" del traffico normale più velocemente e meglio della macchina classica, rendendola uno strumento promettente per intercettare le minacce informatiche quando i dati sono scarsi.

Riepilogo Tecnico: Autoencoder Quantistici per il Rilevamento di Anomalie nella Cybersecurity

Definizione del Problema

Il rilevamento delle anomalie nella cybersecurity affronta sfide significative dovute all'estremo squilibrio tra eventi normali e anomalie, dove le attività normali superano di gran lunga quelle malevole. Inoltre, la rapida evoluzione delle minacce informatiche richiede dataset etichettati ampi e di alta qualità per l'apprendimento supervisionato, che spesso non sono disponibili o sono impraticabili da mantenere. Sebbene gli Autoencoder Classici (CAE) siano stati impiegati per apprendere la distribuzione dei dati "normali" al fine di identificare gli outlier tramite l'errore di ricostruzione, essi spesso faticano in contesti con dati limitati. Questo articolo investiga se gli Autoencoder Quantistici (QAE) possano offrire una maggiore efficienza dei dati e prestazioni superiori nel rilevamento di anomalie in contesti di cybersecurity, specificamente quando addestrati su campioni limitati di dati normali.

Metodologia

Dataset e Preprocessing

Lo studio utilizza il dataset BPF-Extended Tracking Honeypot (BETH), una collezione reale di oltre 8 milioni di eventi di traffico di rete provenienti da honeypot cloud. Il dataset è altamente sbilanciato, con eventi anomali che costituiscono una piccola frazione dei set di addestramento e validazione (rispettivamente lo 0,2% e lo 0,4%), ma che dominano il set di test (90,7%) per simulare uno scenario di rilevamento realistico.

Preprocessing: Le caratteristiche sono state ingegnerizzate secondo protocolli stabiliti (Highnam et al.), includendo la mappatura di ID di processi e utenti, la gestione dei valori di ritorno e l'applicazione del target encoding per le caratteristiche categoriche ad alta cardinalità.
Selezione delle Caratteristiche: Il dataset trasformato iniziale conteneva 24 caratteristiche. Gli esperimenti si sono concentrati su sottoinsiemi di queste caratteristiche, valutando specificamente i modelli con 8, 16 e 24 caratteristiche a seconda dello schema di codifica.

Architettura dell'Autoencoder Quantistico (QAE)

L'implementazione del QAE, costruita utilizzando Qiskit e simulata su hardware locale e GPU Google Colab L4, segue una struttura concettuale a tre strati:

Input/Encoder: Codifica i dati classici in stati quantistici.
Bottleneck (Collo di bottiglia): Comprime lo stato scartando i qubit "trash" (scarti).
Output/Decoder: In questa specifica implementazione, la ricostruzione esplicita viene saltata. Invece, i qubit scartati vengono confrontati con i qubit di riferimento tramite un test SWAP.

Scoring delle Anomalie:
L'obiettivo dell'addestramento è minimizzare la funzione di costo derivata dal test SWAP, che misura la fedeltà ( $S$ ) tra i qubit scartati e gli stati di riferimento. Il punteggio di anomalia ( $A$ ) è definito come $A = 1 - S$ . Un punteggio di 0 indica un'istanza normale (alta fedeltà), mentre 1 indica un'istanza massimamente anomala.

Variabili Sperimentali:

Tecniche di Codifica: Lo studio ha valutato quattro distinte strategie di codifica quantistica:
1. Amplitude Encoding: Mappa i dati nelle ampiezze di stato.
2. Angle Encoding: Mappa le caratteristiche in angoli di rotazione ( $R_y$ ).
3. Dense-Angle Encoding: Codifica due caratteristiche per qubit utilizzando sia rotazioni $R_y$ che $R_z$ , riducendo il numero di qubit richiesti.
4. Efficient SU2 Encoding: Uno schema basato sull'entanglement proveniente da Qiskit.
Tipi di Ansatz: Sono stati testati circuiti parametrizzati come RealAmplitudes e PauliTwoDesign.
Configurazione di Addestramento: I modelli sono stati addestrati esclusivamente su dati normali utilizzando l'ottimizzatore gradient-free COBYLA per 60 iterazioni con una dimensione del batch di 64.

Baseline Classica

Un Autoencoder Classico (CAE) è stato implementato per il benchmarking, addestrato sugli stessi sottoinsiemi di dati normali per confrontare le metriche di prestazione, inclusi Precision, Recall, F1-score e AUROC.

Risultati Chiave

Lo studio dimostra che i QAE possono superare i CAE in ambienti con vincoli di dati, con prestazioni che dipendono fortemente dalla strategia di codifica e di selezione delle caratteristiche.

Configurazione Ottimale: Il modello QAE con le migliori prestazioni ha utilizzato 8 caratteristiche con codifica Dense-Angle e un ansatz RealAmplitudes.
Metriche di Prestazione:
- In un contesto di dati limitati, l'ottimale QAE ha raggiunto un F1 score di 0,87.
- Il corrispondente CAE ha raggiunto un F1 score di 0,77.
Efficienza dei Dati: Il QAE ha dimostrato la capacità di superare il suo controparte classico anche quando addestrato su un numero significativamente inferiore di campioni.
Impatto della Codifica: I risultati hanno evidenziato come la scelta della codifica quantistica influenzi significativamente l'espressività e le prestazioni del modello. Ad esempio, la codifica Efficient SU2 richiedeva set di caratteristiche più ampi (16 o 24 caratteristiche) per evitare problemi di sovra-compressione che si verificavano con set di caratteristiche più piccoli.

Significato e Rivendicazioni

Gli autori affermano che questo lavoro fornisce una prova empirica del fatto che gli Autoencoder Quantistici offrono vantaggi pratici per il rilevamento delle anomalie nella cybersecurity, in particolare in scenari caratterizzati da limitazioni di dati.

Efficienza dei Dati: Il contributo primario è la dimostrazione che i QAE possono raggiungere una maggiore accuratezza di rilevamento (F1 score) rispetto ai CAE pur utilizzando meno campioni di addestramento. Ciò affronta la sfida critica del mantenimento di ampi dataset etichettati per le minacce informatiche in continua evoluzione.
Sensibilità della Codifica: Il documento sottolinea come le prestazioni dei modelli quantistici dipendano fortemente dalla selezione delle tecniche di codifica e delle strategie di caratteristiche, suggerendo che ottimizzazioni specifiche del dominio siano necessarie per realizzare il pieno potenziale del Machine Learning Quantistico (QML).
Applicabilità Pratica: Utilizzando il dataset BETH, che riflette condizioni di rete e pattern di attacco reali, lo studio sostiene che i QAE non siano meri costrutti teorici, ma candidati validi per le sfide operative della cybersecurity dove i dati anomali sono scarsi.

Il lavoro conclude che, sebbene le varianti specializzate di QAE siano ancora nelle fasi iniziali di sviluppo, i miglioramenti osservati nei contesti con dati limitati suggeriscono una traiettoria promettente per il rilevamento delle anomalie potenziato dal quantum.