Hybrid Quantum-Classical GANs for the Generation of Adversarial Network Flows

기술 요약: 적대적 네트워크 흐름 생성을 위한 하이브리드 양자 - 고전적 GAN

문제 제기
고전적 생성 적대 신경망 (GAN) 은 침입 탐지 시스템 (IDS) 을 회피할 수 있는 적대적 네트워크 트래픽을 생성하는 데 활용되어 왔습니다. 그러나 이러한 고전적 접근 방식은 대규모 고차원 데이터셋에 대한 심각한 의존성, 모드 붕괴 (mode collapse) 에 대한 취약성, 그리고 높은 계산 오버헤드 등 중대한 한계에 직면해 있습니다. 또한, 전통적인 IDS 는 현대 네트워크 트래픽의 양, 차원성, 그리고 역동적인 특성을 처리하는 데 어려움을 겪고 있습니다. 양자 컴퓨팅은 중첩과 얽힘을 통해 잠재적 이점을 제공하지만, 제한된 큐비트 수와 하드웨어 노이즈와 같은 현실적 제약 하에서 IDS 회피를 위한 적대적 흐름 생성에 대한 적용은 검증이 필요한 신흥 분야로 남아 있습니다.

방법론
저자들은 합성 악성 네트워크 흐름을 생성하도록 설계된 하이브리드 양자 - 고전적 GAN(QC-GAN) 프레임워크를 제안합니다. 이 아키텍처는 양자 생성기와 고전적 판별기로 구성됩니다.

• 데이터 준비: 본 연구는 UNSW-NB15 데이터셋을 활용합니다. 현재 양자 하드웨어의 제약 (특히 4 큐비트 한계) 으로 인해 2 단계 특징 선택 과정이 적용되었습니다. 1 단계에서는 다중 뷰 앙상블 (랜덤 포레스트, 상호 정보, L1 정규화 로지스틱 회귀) 을 사용하여 특징을 선별했습니다. 2 단계에서는 중복성을 줄이기 위해 주성분 분석 (PCA) 을 적용했습니다. 그 결과 synack, ct_state_ttl, sbytes, smean 의 최종 4 개 특징 부분집합이 도출되었습니다.
• 양자 생성기: 생성기는 4 큐비트를 갖는 변분 양자 회로 (VQC) 를 사용합니다. $RY$ 회전을 통해 고전적 잠재 노이즈 벡터를 양자 상태로 매핑하는 각도 인코딩 (Angle Encoding) 을 활용합니다. 회로에는 연속 단위 데이터 주입 (SUDAI) 이라는 새로운 구성 요소가 통합되었습니다. 표준 단일 샷 인코딩과 달리 SUDAI 는 잠재 벡터의 주입을 여러 변분 레이어에 걸쳐 교차시켜, 큐비트 수를 증가시키지 않고도 회로가 더 넓은 범위의 상태를 탐색할 수 있도록 합니다. 회로는 $RX$및$RZ$ 회전과 CNOT 게이트를 통한 링 토폴로지 얽힘을 포함하는 학습 가능한 변분 레이어를 포함합니다.
• 측정 및 후처리: 양자 상태는 파울리-Z 연산자의 기대값을 계산하여 측정되며, 고전적 특징 벡터를 생성합니다. 이 벡터는 판별기에 입력되기 전에 고전적 후처리 네트워크에 의해 정제됩니다.
• 고전적 판별기: 판별기는 UNSW-NB15 데이터셋의 실제 트래픽과 QC-GAN 이 생성한 합성 흐름을 구분하도록 훈련된 다층 퍼셉트론 (MLP) 입니다.
• 실험 설정: 세 가지 모델이 훈련 및 비교되었습니다: 고전적 GAN, "클린" QC-GAN, 그리고 하드웨어 노이즈 (탈분극, 비트 플립, 진폭 감쇠 채널) 를 시뮬레이션한 QC-GAN 입니다. 모델들은 랜덤 포레스트 (RF), XGBoost, 1 차원 합성곱 신경망 (CNN1D) 분류기에 대해 평가되었습니다.

주요 기여 및 결과

• 파라미터 효율성: QC-GAN 은 총 372 개의 파라미터 (양자 16 개 + 고전적 356 개) 로 경쟁력 있는 성능을 달성했으며, 이는 1,412 개의 파라미터를 가진 고전적 GAN 보다 현저히 적습니다.
• 수렴 및 안정성: QC-GAN 모델들은 관찰된 모드 붕괴 없이 안정적인 훈련 역학을 보여주었습니다. SUDAI 아키텍처는 하드웨어 수준의 노이즈에 강인한 것으로 입증되었으며, 노이즈가 있는 모델은 기울기 교란에도 불구하고 성공적으로 수렴했습니다.
• 분포 충실도 대 회피 능력:
  • 분포 지표: 고전적 GAN 은 전체 분포 지표 (MMD, Wasserstein 거리) 에서 양자 모델보다 우수한 성능을 보였으며, 이는 전체 데이터 분포에 더 가까운 근사를 가능하게 하는 더 높은 파라미터 수 때문일 가능성이 높습니다.
  • 회피 성능: IDS 회피 측면에서 QC-GAN 들은 분류기에 따라 뚜렷한 이점을 보였습니다. XGBoost에 대해 클린 QC-GAN 은 3.8 배 적은 파라미터를 가졌음에도 불구하고 고전적 GAN 의 35.6% 를 상회하는 41.1% 의 공격 성공률 (ASR) 을 달성했습니다. 노이즈가 있는 QC-GAN 또한 고전적 GAN 보다 우세했습니다 (40.6% 대 35.6%).
  • 분류기 민감도: 양자 모델들은 XGBoost 에 비해 RF 와 CNN1D 에 대해 덜 효과적이었습니다. 저자들은 XGBoost 에 대한 성공을 양자 잠재 공간이 결정 내역을 내는 트리 기반 분류기 (예: XGBoost) 가 밀집한 특징 영역 밖에서 통계적으로 현실적이지만 실제 공격으로 밀집되지 않은 흐름을 생성할 수 있는 능력에 기인합니다.
• 노이즈의 역할: 노이즈가 순수하게 해롭다는 가정과 반대로, 시뮬레이션된 하드웨어 노이즈는 정규화제 역할을 했습니다. 노이즈가 있는 QC-GAN 은 테스트 세트에서 가장 낮은 평균 제곱 오차 (MSE, 0.703) 를 달성했으며 높은 회피율을 유지하여, 불완전한 근미래 양자 하드웨어도 여전히 효과적인 적대적 예시를 생성할 수 있음을 시사합니다.

의의 및 주장
본 논문은 하이브리드 양자 - 고전적 적대적 생성기가 고전적 GAN 보다 현저히 적은 파라미터를 사용하여 고전적 IDS 를 효과적으로 우회할 수 있음을 입증한다고 주장합니다. 본 연구는 다음과 같은 점을 강조합니다:

1. 특정 맥락에서의 양자 우위: 양자 잠재 공간은 제한된 큐비트에도 불구하고 실제 공격이 밀집되지 않은 특징 공간 영역을 탐색함으로써 (특히 XGBoost 와 같은 트리 기반 모델을 포함하여) 특정 유형의 분류기를 회피하는 흐름을 생성할 수 있습니다.
2. NISQ 하드웨어에서의 실현 가능성: 양자 강화 적대적 공격의 위협은 미래의 오류 정정 양자 컴퓨터에 국한되지 않으며, 현재의 노이즈가 있는 중규모 양자 (NISQ) 장치로 달성 가능한 오늘날의 위험입니다.
3. SUDAI 의 강인성: 연속 단위 데이터 주입 아키텍처는 양자 생성기에서 데이터를 인코딩하는 견고한 방법을 제공하며, 시뮬레이션된 하드웨어 노이즈 하에서도 표현력과 안정성을 유지합니다.

저자들은 고전적 GAN 이 전역 데이터 분포를 더 잘 근사할 수 있지만, QC-GAN 은 적대적 트래픽 생성을 위한 강력하고 파라미터 효율적인 대안을 제공하므로, 양자 - 강인한 IDS 방어 체계를 재평가해야 한다고 결론 내립니다. 향후 연구는 다른 데이터셋에서의 테스트, 다양한 큐비트 수, 그리고 강화된 IDS 모델 평가를 포함할 것으로 제안됩니다.