💻 computer science

Quantum Autoencoders for Anomaly Detection in Cybersecurity

Dit artikel toont aan dat Quantum Autoencoders, specifiek een model met 8 kenmerken met Dense-Angle encoding en een RealAmplitude ansatz, klassieke autoencoders overtreffen bij het detecteren van anomalieën in cybersecurity op de BETH-dataset door een hogere F1-score te behalen (0,87 versus 0,77), zelfs wanneer ze zijn getraind op aanzienlijk minder monsters.

Oorspronkelijke auteurs: Rohan Senthil, Swee Liang Wong

Gepubliceerd 2026-07-03

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Rohan Senthil, Swee Liang Wong

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: De "Afwijkende" Zoeken in een Zee van Normaliteit

Stel je voor dat je een beveiligingsbeambte bent bij een enorm, druk treinstation. Elke dag lopen er miljoens mensen door de deuren. 99,9% van hen zijn gewoon gewone forenzen die normale dingen doen: kaartjes kopen, op hun horloge kijken en naar hun trein lopen. Maar af en toe probeert iemand een bom te smokkelen of een tas te stelen.

Jouw taak is Anomaliedetectie: het opsporen van de boef tussen de miljoenen goede mensen.

Het probleem? De boeven zijn zeldzaam. Als je een computer probeert te leren om ze te herkennen door het duizenden foto's van boeven te laten zien, zul je falen omdat je niet genoeg foto's van hen hebt. Je hebt alleen heel veel foto's van normale mensen.

Dit is waar de onderzoekers, Rohan Senthil en Swee Liang Wong, instapten. Ze vroegen zich af: "Kunnen we de vreemde, krachtige regels van de Kwantumfysica gebruiken om een betere beveiligingsbeambte te bouwen dan de beambtes die we vandaag de dag hebben?"

De Oude Garde: Klassieke Autoencoders (CAE's)

Voordat dit artikel verscheen, gebruikten beveiligingssystemen "Klassieke Autoencoders" (CAE's). Denk aan een CAE als een fotokopieermachine die alleen weet hoe ze normale mensen moet kopiëren.

Training: Je voert de fotokopieermachine duizenden foto's van normale forenzen. Het leert precies hoe een "normaal" persoon eruitziet.
De Test: Wanneer er een nieuw persoon binnenkomt, probeert de fotokopieermachine hun afbeelding te recreëren op basis van wat het heeft geleerd.
Het Resultaat:
- Als het een normale persoon is, ziet de kopie er geweldig uit.
- Als het een boef is (een anomalie), raakt de fotokopieermachine in de war. Het probeert het gezicht van de boef in een "normale" vorm te dwingen, en het resultaat ziet er verschrikkelijk en vervormd uit.
- Het Alarm: Het systeem ziet deze slechte vervorming en laat het alarm afgaan.

De Fout: Het artikel merkt op dat deze "fotokopieermachine" moeite heeft wanneer je niet veel trainingsfoto's hebt. Als je het slechts een paar foto's van normale mensen laat zien, raakt het in de war en mist het de boeven.

De Nieuwe Garde: Kwantum Autoencoders (QAE's)

De onderzoekers probeerden een Kwantum Autoencoder (QAE). Als de Klassieke Autoencoder een fotokopieermachine is, dan is de Kwantum Autoencoder als een magisch, meerdimensionaal prisma.

In plaats van alleen naar een platte foto te kijken, gebruikt de QAE de vreemde regels van de kwantummechanica (zoals superpositie en verstrengeling) om informatie te comprimeren op een manier die klassieke computers niet kunnen.

Hoe ze het testten:
Ze gebruikten een echte dataset genaamd BETH, wat een soort gigantisch logboek is van netwerkverkeer van een "honeypot" (een nepserver die ontworpen is om hackers te lokken).

De Uitdaging: De dataset was sterk scheefgetrokken. Er waren duizenden normale gebeurtenissen en zeer weinig hacker-aanvallen.
De Opzet: Ze trainden het Kwantummodel alleen op de normale gebeurtenissen, net als het klassieke model.

De Magische Trucs: Codering en Compressie

Om de kwantumcomputer de data te laten begrijpen, moesten de onderzoekers de data vertalen naar "kwantumtaal". Ze probeerden vier verschillende vertalingsmethoden (genoemd Encodings):

Amplitude Encoding: Als proberen een hele bibliotheek aan boeken in de dikte van een enkel vel papier te passen.
Angle Encoding: Als het draaien aan een knop voor elke eigenschap van de data.
Dense-Angle Encoding: Een slimme truc waarbij ze twee stukjes informatie op één knop (qubit) persen. Dit is als het inpakken van twee koffers in één kleine ruimte.
Efficiënte SU2 Encoding: Een complexe methode die de knoppen in elkaar draait en verbindt om ruimte te besparen.

Ze probeerden ook verschillende "blauwdrukken" voor het kwantumcircuit, genaamd Ansatz (denk hierbij aan verschillende architectonische ontwerpen voor de machine).

De Resultaten: Het Kwantumvoordeel

Hier komt de kern van het artikel:

Toen de onderzoekers de modellen testten op de hacker-data, won de Kwantum Autoencoder, maar met een kanttekening.

Het Scenario: Ze gaven de modellen een zeer kleine hoeveelheid trainingsdata (een "data-beperkte" setting).
De Uitkomst:
- De Klassieke Autoencoder (de fotokopieermachine) behaalde een score van 0,77. Het miste veel boeven omdat het niet genoeg oefening had.
- De Kwantum Autoencoder (het prisma) behaalde een score van 0,87. Het was veel beter in het opsporen van de anomalieën, zelfs al was het getraind op veel minder voorbeelden.

Waarom? Het artikel suggereert dat het Kwantummodel, specifiek degene met de Dense-Angle Encoding en een RealAmplitude ontwerp, in staat was om de vorm van "normale" data veel efficiënter te "begrijpen". Het had niet zoveel voorbeelden nodig om het patroon te leren.

De Kernboodschap

Het artikel beweert dat in een wereld waar we tonnen aan normale data hebben maar heel weinig data over daadwerkelijke aanvallen, Kwantum Autoencoders een betere tool kunnen zijn dan klassieke modellen.

Ze hebben aangetoond dat door specifieke kwantumtrucs te gebruiken (zoals het persen van twee datapunten in één qubit), ze een beveiligingssysteem konden bouwen dat gevoeliger is voor "afwijkingen", zelfs wanneer ze niet veel voorbeelden van die afwijkingen hebben gezien.

Kortom: De kwantummachine leerde de "vibe" van het normale verkeer sneller en beter dan de klassieke machine, wat het een veelbelovende tool maakt voor het detecteren van cyberdreigingen wanneer data schaars is.

Technische Samenvatting: Quantum Autoencoders voor Anomaliedetectie in Cybersecurity

Probleemstelling

Anomaliedetectie in cybersecurity staat voor aanzienlijke uitdagingen door de extreme onbalans tussen normale en afwijkende gebeurtenissen, waarbij normale activiteiten normale gebeurtenissen veruit overtreffen. Bovendien vereist de snelle evolutie van cyberdreigingen grote, hoogwaardige, gelabelde datasets voor supervised learning, die vaak niet beschikbaar zijn of onpraktisch zijn te onderhouden. Hoewel Klassieke Autoencoders (CAEs) zijn ingezet om de distributie van "normale" data te leren om uitschieters te identificeren via reconstructiefout, worstelen zij vaak in situaties met beperkte hoeveelheden data. Dit artikel onderzoekt of Quantum Autoencoders (QAE's) een superieure data-efficiëntie en prestaties kunnen bieden bij het detecteren van anomalieën binnen cybersecurity-contexten, specifiek wanneer zij getraind worden op beperkte monsters van normale data.

Methodologie

Dataset en Preprocessing

De studie maakt gebruik van de BPF-Extended Tracking Honeypot (BETH) dataset, een real-world collectie van meer dan 8 miljoen netwerkverkeergebeurtenissen uit cloud honeypots. De dataset is sterk ongebalanceerd, waarbij afwijkende gebeurtenissen een klein deel van de trainings- en validatiesets vormen (0,2% en 0,4%, respectievelijk), maar de testset domineren (90,7%) om een realistisch detectiescenario te simuleren.

Preprocessing: Kenmerken werden geconstrueerd volgens gevestigde protocollen (Highnam et al.), inclusief het mappen van proces- en gebruikers-ID's, het afhandelen van retourwaarden en het toepassen van target encoding op high-cardinality categorische kenmerken.
Kenmerkselectie (Feature Selection): De initiële getransformeerde dataset bevatte 24 kenmerken. Experimenten richtten zich op subsets van deze kenmerken, specifiek het evalueren van modellen met 8, 16 en 24 kenmerken, afhankelijk van het encodingschema.

Quantum Autoencoder (QAE) Architectuur

De QAE-implementatie, gebouwd met Qiskit en gesimuleerd op lokale hardware en Google Colab L4 GPU's, volgt een drielaagse conceptuele structuur:

Input/Encoder: Encodeert klassieke data in kwantumtoestanden.
Bottleneck: Comprimeert de toestand door "trash" qubits weg te gooien.
Output/Decoder: In deze specifieke implementatie wordt expliciete reconstructie overgeslagen. In plaats daarvan worden de weggegooide trash qubits vergeleken met referentie-qubits met behulp van een SWAP-test.

Anomalie Score:
Het trainingsdoel minimaliseert de kostenfunctie afgeleid van de SWAP-test, die de fideliteit ( $S$ ) meet tussen de trash qubits en de referentietoestanden. De anomalie score ( $A$ ) wordt gedefinieerd als $A = 1 - S$ . Een score van 0 duidt op een normale instantie (hoge fideliteit), terwijl 1 een maximaal afwijkende instantie aangeeft.

Experimentele Variabelen:

Encoding Technieken: De studie evalueerde vier verschillende kwantum-encodestrategieën:
1. Amplitude Encoding: Map data naar toestand-amplitudes.
2. Angle Encoding: Map kenmerken naar rotatiehoeken ( $R_y$ ).
3. Dense-Angle Encoding: Encodeert twee kenmerken per qubit met behulp van zowel $R_y$ als $R_z$ rotaties, wat het aantal benodigde qubits vermindert.
4. Efficient SU2 Encoding: Een entanglement-gebaseerd schema uit Qiskit.
Ansatz Types: Geparametriseerde circuits zoals RealAmplitudes en PauliTwoDesign werden getest.
Trainingsconfiguratie: De modellen werden uitsluitend getraind op normale data met de COBYLA gradiëntvrije optimizer gedurende 60 iteraties met een batchgrootte van 64.

Klassieke Baseline

Een Klassieke Autoencoder (CAE) werd geïmplementeerd voor benchmarking, getraind op dezelfde subsets van normale data om prestatie-indicatoren zoals Precision, Recall, F1-score en AUROC te vergelijken.

Belangrijkste Resultaten

De studie toont aan dat QAE's de CAEs kunnen overtreffen in omgevingen met beperkte data, waarbij de prestaties sterk afhankelijk zijn van de encoding en de strategieën voor kenmerkselectie.

Optimale Configuratie: Het best presterende QAE-model maakte gebruik van 8 kenmerken met Dense-Angle encoding en een RealAmplitudes ansatz.
Prestatie-indicatoren:
- In een data-beperkte setting bereikte de optimale QAE een F1-score van 0,87.
- De overeenkomstige CAE bereikte een F1-score van 0,77.
Data-efficiëntie: De QAE demonstreerde het vermogen om de klassieke tegenhanger te overtreffen, zelfs wanneer getraind op aanzienlijk minder monsters.
Impact van Encoding: De resultaten benadrukten dat de keuze van de kwantum-encoding de expressiviteit en prestaties van het model aanzienlijk beïnvloedt. Zo vereiste de Efficient SU2 encoding grotere feature sets (16 of 24 kenmerken) om overcompressieproblemen te voorkomen die optraden bij kleinere feature sets.

Betekenis en Claims

De auteurs stellen dat dit werk empirisch bewijs levert dat Quantum Autoencoders praktische voordelen bieden voor anomaliedetectie in cybersecurity, met name in scenario's die gekenmerkt worden door data-beperkingen.

Data-efficiëntie: De primaire bijdrage is de demonstratie dat QAE's een hogere detectie-accuratesse (F1-score) kunnen bereiken dan CAEs terwijl zij minder trainingsmonsters gebruiken. Dit pakt de kritieke uitdaging aan van het onderhouden van grote, gelabelde datasets voor evoluerende cyberdreigingen.
Encoding Gevoeligheid: Het artikel onderstreept dat de prestaties van kwantummodellen sterk afhankelijk zijn van de selectie van encoding-technieken en kenmerkstrategieën, wat suggereert dat domeinspecifieke optimalisaties noodzakelijk zijn om het volledige potentieel van Quantum Machine Learning (QML) te benutten.
Praktische Toepasbaarheid: Door de BETH-dataset te gebruiken, die reflecties bevat van real-world netwerkcondities en aanvalspatronen, betogen de auteurs dat QAE's geen louter theoretische constructen zijn, maar levensvatbare kandidaten voor operationele cybersecurity-uitdagingen waar afwijkende data schaars is.

Het werk concludeert dat hoewel gespecialiseerde QAE-varianten zich nog in een vroeg stadium van ontwikkeling bevinden, de waargenomen verbeteringen in data-beperkte settings wijzen op een veelbelovend traject voor kwantum-versterkte anomaliedetectie.