Evaluation of Variational Quantum Classifiers (VQC) for Cyberattack Detection in the NISQ Era

Technische Samenvatting: Evaluatie van Variational Quantum Classifiers voor Cyberaanvaldetectie in het NISQ-tijdperk

Probleemstelling
Het artikel behandelt de uitdaging van het toepassen van Quantum Machine Learning (QML) op netwerkinbreukdetectie binnen de beperkingen van het Noisy Intermediate-Scale Quantum (NISQ) tijdperk. Hoewel Variational Quantum Classifiers (VQC's) theoretisch niet-lineaire scheidbaarheid bieden via hoogdimensionale Hilbert-ruimten, wordt hun praktische toepassing gehinderd door hardwarebeperkingen, specifiek een beperkt aantal qubits en decoherentie. De centrale onderzoeksvraag onderzoekt of een VQC die gebruikmaakt van Amplitude Encoding — die klassieke data comprimeert in een beperkt aantal qubits — een effectieve oplossing kan vormen voor het detecteren van netwerkanomalieën op de NSL-KDD dataset, of dat deze encoderingsstrategie een structurele prestatieplafond oplegt.

Methodologie
De studie maakt gebruik van een rigoureus experimenteel kader met behulp van de officiële 20% onderzoekssubset van de NSL-KDD dataset (25.192 records), verdeeld in 80/20 train-test splits. De methodologie richt zich op een specifieke architecturale configuratie:

• Data Preprocessing: Categorische kenmerken werden omgezet met behulp van Target Encoding om verspreiding te voorkomen, gevolgd door Principal Component Analysis (PCA) om de 41 oorspronkelijke kenmerken te reduceren tot 16 hoofdcomponenten (waarbij ~86,78% van de variantie behouden bleef).
• Quantum Architectuur: Een 4-qubit VQC werd geconstrueerd. De 16 PCA-componenten werden in de 4-qubit toestandsruimte ingebed met behulp van Amplitude Encoding ($2^4 = 16$). Het leerbare onderdeel bestond uit een RealAmplitudes ansatz met 5 repetities, wat resulteerde in 24 leerbare parameters.
• Optimalisatiestrategie: Om optimalisatiefouten te onderscheiden van structurele expressiviteitslimieten, maakte de studie gebruik van twee fundamenteel verschillende optimizers: COBYLA (deterministisch, gradiëntvrij) en SPSA (stochastisch, ruisbestendig).
• Vergelijkende Baselines: De VQC werd vergeleken met een Logistische Regressie model en een "Tiny MLP" (een klassiek neuraal netwerk met een verborgen laag van 4 knopen) om architecturale pariteit met betrekking tot inputdimensionaliteit en complexiteit te waarborgen.
• Experimentele Omvang: De experimenten omvatten binaire classificatie (Normaal vs. Aanval) en multi-class classificatie (zowel 4 gegroepeerde families als 22 ruwe aanvalscategorieën).

Belangrijkste Resultaten

1. Prestaties Binaire Classificatie: De 4-qubit VQC behaalde een consistente 88% nauwkeurigheid op de testset. Cruciaal is dat zowel de COBYLA- als de SPSA-optimizer op exact dezelfde nauwkeurigheid van 88% stagneerden, wat aangeeft dat de prestatielimiet niet wordt veroorzaakt door de optimizer die vastloopt in lokale minima, maar een intrinsieke eigenschap is van de architectuur.
2. Klassieke Benchmarking: Onder identieke inputcompressie (16 PCA-kenmerken) behaalde een klassieke Tiny MLP met een verborgen laag van 4 knopen een 97% nauwkeurigheid. Dit suggereert dat de dataset na compressie nog steeds lineair scheidbaar is, maar dat de afhankelijkheid van het quantummodel van lineaire unitaire transformaties (zonder niet-lineaire activatiefuncties zoals ReLU) het onmogelijk maakt om de gecomprimeerde waarschijnlijkheidsamplitudes effectief te ontwarren.
3. Multi-Class Falen (Mode Collapse): Wanneer getraind op een klasse-gebalanceerde set van de 22 ruwe aanvalscategorieën en geëvalueerd in-sample, stortte de VQC in naar een nauwkeurigheid van 9%. Het model slaagde er niet in om klassen te onderscheiden en voorspelde voor het overgrote deel van de inputs slechts twee specifieke klassen ('back' en 'buffer overflow'). Deze "degeneratieve mode collapse" suggereert dat de agressieve compressie van 16 kenmerken naar 4 qubits via Amplitude Encoding ervoor zorgt dat onderscheidende aanvalssignaturen (hoge fideliteit) binnen de quantumwaarschijnlijkheidsruimte ononderscheidbaar worden, wat leidt tot een verlies van lineaire scheidbaarheid.

Belangrijkste Bijdragen

• Empirische Baseline voor NISQ IDS: Het artikel vestigt een kwantitatieve baseline die aantoont dat hoewel VQC's kunnen functioneren voor binaire anomaliedetectie, ze te maken hebben met ernstige structurele knelpunten bij de toepassing op granulaire, multi-class inbreukdetectie onder NISQ-beperkingen.
• Isolatie van Optimalisatie versus Expressiviteit: Door aan te tonen dat zowel deterministische als stochastische optimizers een identiek prestatieplafond opleveren, biedt de studie empirisch bewijs dat de prestatielimiet een structureel expressiviteitsprobleem is veroorzaakt door Amplitude Encoding, en geen optimalisatie-artefact.
• Kwantificering van de "Quantum Bottleneck": Het onderzoek benadrukt dat agressieve klassieke dimensionaliteitsreductie (PCA) in combinatie met Amplitude Encoding kritieke variantiecomponenten die nodig zijn voor de scheiding van minderheids klassen kan elimineren, wat leidt tot een verlies van klasse-scheidende informatie die klassieke niet-lineaire modellen nog wel kunnen herstellen.
• Voorstel voor Alternatieve Paradigma's: Het artikel schetst een verschuiving weg van Amplitude Encoding naar Angle Encoding met een "Eén Kenmerk per Qubit"-benadering (bijv. een 16-qubit VQC). Deze benadering maakt gebruik van Cover's Theorem om de dimensie van de Hilbert-ruimte uit te breiden, wat theoretisch lineaire scheidbaarheid garandeert voor complexe, niet-lineaire aanvalsvectoren zonder te vertrouwen op verlieslatende klassieke compressie.

Betekenis en Claims
Het artikel claimt bescheiden een definitief antwoord te bieden op de specifieke onderzoeksvraag met betrekking tot 4-qubit Amplitude Encoded VQC's op de NSL-KDD 20% subset. Het claimt niet bewezen te hebben dat er een universele wiskundige grens is voor alle quantumclassifiers, noch isoleert het de encoding als de enige oorzaak van falen zonder mogelijke verstorende factoren zoals de ansatz-diepte of de optimizer-budget te erkennen (hoewel het encoding identificeert als de meest waarschijnlijke drijfveer).

De betekenis ligt in de constructieve identificatie van een faalmodus: de huidige "Quantum Economy" strategie van het comprimeren van data in enkele qubits is onvoldoende voor complexe, multi-class cyberaanvaldetectie. Het artikel betoogt dat het realiseren van de theoretische belofte van QML in dit domein vereist dat men de agressieve klassieke dimensionaliteitsreductie loslaat ten gunste van architecturen die de granulariteit van data behouden door middel van schaalbare, hoog-frequente encodings (zoals Angle Encoding) en uitvoering op fysieke hardware om de simulatie-overhead te omzeilen.