Quantum AIO-ChameleonGAN for Behaviour-Aware Quantum–Classical Intrusion Detection of Adaptive Cyber Threats

技術要約：行動認識型量子–古典侵入検知のためのQuantum AIO-ChameleonGAN

問題提起
現代の侵入検知システム（IDS）は、巧妙でポリモーフィック（多形態的）、かつ行動適応型のサイバー脅威という大きな課題に直面している。安定したシグネチャを持つ従来の攻撃とは異なり、高度な持続的脅威やファイルレス攻撃は、観測可能な特性を変化させつつ、正当な通信に類似したパターンを維持することができる。この「行動的擬態（behavioural camouflage）」は、静的な特徴表現や固定された決定境界に依存する検知メカニズムを無効化する。さらに、既存の敵対的生成ネットワーク（GAN）のアプローチは、データ拡張や異常検知には効果的であるものの、局所的に関連する正常な行動からの観測値の文脈的逸脱を明示的に特徴付けることなく、統計的な関係のみをモデル化することが多い。加えて、量子機械学習（QML）は変分量子回路（VQC）を通じて特徴表現を強化できる可能性を秘めているが、量子特徴と個々のネットワーク観測の局所的な行動コンテキストとの統合については、依然として未開拓の領域である。

手法
本論文では、著者らの先行研究であるConcave Matrix Generative Adversarial Network (CM-GAN)を拡張したハイブリッド量子–古典フレームワークであるQuantum AIO-ChameleonGANを提案する。このアーキテクチャは、古典的な統計的特徴、文脈的行動逸脱、および変分量子特徴変換という3つの補完的な情報源を統合している。

1. 行動幾何学エンジンおよび入射角最適化（AIO）：

   • 単一のグローバルな正常重心に依存する代わりに、本フレームワークは各ネットワーク観測値（$f_i$）に対して、観測値固有の正常リファレンス（$b_i$）を構築する。このリファレンスは、訓練データのみから構築された履歴リポジトリ内の$k$個の最近傍の正常サンプルから導出される。
   • AIO戦略は、観測値と局所的な正常リファレンスの間の方向的な偏差を、入射角（$\theta_i$）を用いて定量化する。これは、観測ベクトルと局所リファレンスベクトルのコサイン類似度の逆余弦関数によって算出される。
   • 極めて重要な点として、$\theta_i$は独立した分類閾値や損失項として使用されるのではなく、ハイブリッド表現に統合される行動記述子として機能する。

2. 変分量子特徴変換（VQC）：

   • 8量子ビットのVQCが、訓練可能な特徴変換モジュールとして機能する。8つの選択された正規化された古典的特徴は、$R_y$角度エンコーディングを用いて量子レジスタにエンコードされる。
   • 回路は6つの変分レイヤーで構成され、各レイヤーはパラメータ化された$R_y$および$R_z$回転と、循環的なリングトポロジーで配置された**Controlled-Z (CZ)**もつれ操作を含む。
   • 出力は、Pauli-Z期待値から導出される8次元ベクトルである。
   • 量子コンポーネントは状態ベクトルシミュレータ（Qiskit）を使用して実行される。本研究は、量子計算の高速化を主張するのではなく、表現上の利点を評価することを明示している。

3. ハイブリッド表現およびマルチタスク敵対的学習：

   • 最終的なハイブリッド表現（$h_i$）は、古典的特徴（$f_i$）、量子表現（$q_i$）、およびAIO記述子（$\theta_i$）を結合することで形成される。
   • 識別器は、共有の特徴抽出器と2つの出力ヘッドを持つマルチタスクネットワークである：
     • 敵対的ヘッド（$D_{adv}$）： 実世界のハイブリッド表現と、生成器によって生成された表現を区別する。
     • 分類ヘッド（$D_{cls}$）： 教師ありバイナリ分類（正常 vs 悪意）を実行する。
   • 生成器は敵対的ヘッドを欺くように最適化され、識別器は敵対的損失と教師あり分類損失（バイナリクロスエントロピー）の両方を最小化するように最適化される。

4. 実験プロトコル：

   • 実験にはCIC-UNSW-NB15データセットを用い、厳格な70:15:15の層化分割（訓練：検証：テスト）を行った。
   • 厳格なリーク制御が適用された：前処理、データ拡張、および正常リポジトリの構築は、すべて訓練パーティションのみから行われた。
   • 制御されたデータ拡張は、悪意のある訓練サンプルに対してのみ適用された（連続的な特徴に対する有界な摂動）。
   • ハイパーパラメータ（例：近傍サイズ$k$、分類閾値$\tau$）は、検証セットを用いて選択され、テスト前に固定された。

主な貢献

1. 局所的な正常行動モデリング： グローバルな正常重心から離れ、異種混合の正当な運用状態を捉えるために、観測値固有の正常リファレンスを構築する行動幾何学エンジンの導入。
2. AIO戦略： 方向的な偏差を文脈的な行動記述子として特徴付けるための入射角最適化戦略の開発。これは独立した分類器としてではなく、ハイブリッド表現の中に統合されている。
3. 変分量子特徴変換： 古典的特徴および行動的特徴を補完する、訓練可能な非線形特徴変換モジュールとしての8量子ビットVQCの組み込み。
4. ハイブリッド敵対的表現： 古典的、行動的、および量子的な特徴を統一された表現へと統合し、CM-GANの生成器–識別器の基礎を維持したまま、マルチタスク敵対的学習フレームワーク内に統合。
5. 包括的な検証： コンポーネントごとのアブレーション解析、近傍感度分析、10回の試行によるペア統計テスト、5分割交差検証、および敵対的摂動に対する堅牢性チェックを含む厳格な評価。

結果
CIC-UNSW-NB15データセットの独立したテスト・パーティションにおいて、Quantum AIO-ChameleonGANは以下の性能指標を達成した：

• 精度 (Accuracy): 99.85%
• 適合率 (Precision): 99.79%
• 再現率 / 異常検知率 (Recall / ADR): 99.84%
• F1スコア: 99.81%
• マシューズ相関係数 (MCC): 0.996
• AUROC: 0.9973
• 偽陰性率 (FNR): 0.16%

比較性能：

• CM-GANベースラインと比較して、提案フレームワークは精度を0.07パーセントポイント、F1スコアを0.09パーセントポイント向上させた。
• FNRは、CM-GANの0.24%から0.16%へと減少し、これは検出漏れの33.3%の相対的削減を意味する。
• アブレーション研究： AIOコンポーネントはベースラインに対して最大の個別改善を提供したが、AIOとVQCの組み合わせが最も強力な全体的性能を示した。
• 堅牢性： FGSMおよびPGD敵対的攻撃下において、提案フレームワークはCM-GANと比較して著しく低い性能低下を示した（例：FGSM下でのF1スコアの低下は、CM-GANの3.61 ppに対し、提案手法は1.10 ppであった）。
• 統計的有意性： 10回の試行によるペアt検定により、精度、適合率、再現率、およびF1スコアにおける改善が統計的に有意であること（$p < 0.05$）が確認された。

計算コスト：
本フレームワークは、CM-GANと比較して測定可能なオーバーヘッドを導入した：

• 訓練時間は**38.3%**増加（42.6分から58.9分へ）。
• 推論レイテンシは**25.5%**増加（サンプルあたり1.84 msから2.31 msへ）。
• ピークメモリ使用量は**18.8%**増加。
• 訓練可能なパラメータ数は**6.9%**増加。
  著者らは、このコストの主な要因を、観測値固有の近傍構築、AIO計算、およびVQCのシミュレーションによるものとしている。

意義および主張
本論文は、観測値固有の正常な行動コンテキストを、変分量子特徴変換と統合することが、適応的な悪意あるトラフィックの検知において測定可能な改善をもたらすと主張している。その意義は、純粋な統計的GANから、文脈的な行動逸脱を明示的にモデル化するハイブリッドフレームワークへの手法論的な進展にある。

著者らは、自らの主張の範囲について明確に述べている：

• 結果は、ハイブリッド定式化の表現上の利点を示している。
• 本研究は、VQCが古典的ハードウェア上の状態ベクトルシミュレータで評価されているため、量子計算の優位性や高速化を主張するものではない。
• 知見は、CIC-UNSW-NB15データセット、採用されたデータ拡張戦略、およびシミュレーション環境に特化したものである。
• AIOの貢献は、局所的な正常リファレンスの構築と、特徴としての角度偏差の使用によって定義されており、コサイン類似度という指標自体の新規性によるものではない。

今後の課題として、ストリーミングデータ、コンセプトドリフト（概念漂流）、および物理的な量子ハードウェア上でのノイズ耐性と運用可能性を評価する必要性が挙げられている。