Resumo Técnico: Framework de Ensemble Meta-Quântico para Detecção Robusta de Intrusão em Redes

Declaração do Problema

Sistemas de Detecção de Intrusão (IDS) enfrentam desafios significativos para manter alta sensibilidade de detecção enquanto aderem a restrições rigorosas de taxa de falsos positivos (FPR). Essas dificuldades são exacerbadas em ambientes de Internet das Coisas (IoT) pelo desequilíbrio severo de classes entre tráfego benigno e malicioso, distribuições de dados não estacionárias devido a deriva de conceito e restrições de recursos. Embora modelos clássicos de aprendizado de máquina (por exemplo, XGBoost, redes neurais profundas) permaneçam o estado da arte, este trabalho investiga se o Aprendizado de Máquina Quântico (QML) pode oferecer benefícios complementares. Especificamente, os autores exploram se aprendizes quânticos heterogêneos — Máquinas de Vetores de Suporte Quânticas (QSVMs) e Redes Neurais Quânticas (QNNs) — exibem comportamentos preditivos distintos que, quando combinados, podem melhorar a estabilidade e a confiabilidade da detecção de forma mais eficaz do que modelos quânticos isolados.

Metodologia

Os autores propõem o Ensemble Meta-Quântico de Nível de Sistema (MQE), um framework híbrido quântico-clássico projetado para fundir as saídas dos ramos QSVM e QNN utilizando um meta-aprendiz clássico de Floresta Aleatória.

1. Pré-processamento e Incorporação de Dados

• Pré-processamento: Conjuntos de dados brutos passam por codificação de rótulos para atributos categóricos, remoção de valores ausentes e padronização (média zero, variância unitária). A Análise de Componentes Principais (PCA) reduz a dimensionalidade das características para 13 componentes para corresponder à contagem de qubits necessária para processamento quântico.
• Incorporação de Características Quânticas: Vetores de características clássicos são transformados em estados quânticos via incorporação por ângulo. Cada característica $x_i$ é codificada como uma rotação ao redor do eixo Y em um único qubit: $|\psi(x)\rangle = \bigotimes_{i=1}^n R_Y(x_i)|0\rangle$. Isso mapeia os dados em um espaço de Hilbert de alta dimensão para aproveitar o emaranhamento e a superposição.

2. Ramos Quânticos

• Ramo QSVM: Utiliza um método de kernel quântico para calcular similaridades entre amostras. O valor do kernel $K(x_i, x_j)$ é definido como a fidelidade $|\langle\psi(x_i)|\psi(x_j)\rangle|^2$, estimada via um circuito envolvendo um mapa de características e seu adjunto. Um SVM clássico utiliza então essa matriz de kernel para encontrar o hiperplano de separação ótimo.
• Ramo QNN: Emprega um Circuito Quântico Variacional (VQC) com Camadas Fortemente Emaranhadas (SELs). O ansatz consiste em rotações parametrizadas de qubits únicos ($R_Z, R_Y, R_X$) seguidas por emaranhamento baseado em CNOT em uma topologia de anel. O circuito é medido na base Pauli-Z, e os valores esperados alimentam uma camada densa clássica para classificação binária. Os parâmetros são otimizados usando um otimizador clássico baseado em gradiente (Adam).

3. Fusão por Meta-Aprendizado

O modelo meta de Floresta Aleatória atua como a camada de fusão. Ele recebe as probabilidades preditas de ataque de ambos os ramos QSVM e QNN como características de entrada ($p_i = [p^{(QNN)}_i, p^{(QSVM)}_i]$). O meta-aprendiz é treinado para capturar padrões de concordância e discordância entre os dois ramos quânticos, resolvendo conflitos para melhorar a robustez. O framework avalia três representações de fusão:

• Fusão Rígida: Rótulos de classe discretos.
• Fusão de Margem: Margens de decisão.
• Fusão Probabilística: Pontuações de probabilidade contínuas.

Contribuições Principais

1. Ensemble Meta-Quântico de Nível de Sistema (MQE): Introdução de um framework híbrido integrando QSVM e QNN dentro de um único pipeline de IDS, mediado por um meta-aprendiz clássico de Floresta Aleatória.
2. Mecanismo de Fusão Meta: Desenvolvimento de uma estratégia de fusão baseada em Floresta Aleatória que aproveita os vieses indutivos distintos de estruturas de decisão geométricas baseadas em kernel (QSVM) e representações não lineares treináveis (QNN).
3. Avaliação Abrangente: Uma avaliação detalhada nos conjuntos de dados TON IoT e CICIDS2017, cobrindo métricas padrão de classificação, comportamento de detecção com baixo FPR, análise de fusão meta, robustez a ruídos e confiabilidade de calibração.

Resultados Experimentais

O framework foi avaliado em dois conjuntos de dados: CICIDS2017 (D1, desequilíbrio de classes desafiador) e TON IoT (D2, separação de classes mais clara).

• Desempenho:

  • Em D1 (CICIDS2017), o MQE alcançou 97,14% de precisão e um F1-score de 81,48%. Em um FPR rigoroso de 0,1%, a Taxa de Verdadeiros Positivos (TPR) foi de 40,74%.
  • Em D2 (TON IoT), o MQE alcançou 98,57% de precisão e um F1-score de 99,05%. Em 0,1% de FPR, a TPR foi de 7,89%.
  • O meta-ensemble superou consistentemente os ramos QSVM e QNN isolados em termos de F1-score e AUPRC, particularmente no conjunto de dados mais difícil D1.

• Análise de Fusão Meta:

  • Discordância de Erros: Os ramos QSVM e QNN cometeram erros diferentes. Em D2, a sobreposição de erros foi pequena (2,7%), indicando alta complementaridade. Em D1, a sobreposição foi maior (6,7%), refletindo a dificuldade do conjunto de dados.
  • Estratégia de Fusão: O método de fusão ótimo dependeu do conjunto de dados. Para D2, a Fusão Rígida performou melhor (F1: 99,43%), sugerindo que saídas discretas foram suficientes. Para D1, a Fusão Probabilística produziu o maior F1 (81,48%), indicando que sinais baseados em confiança foram necessários para lidar com a tarefa de classificação mais difícil.

• Robustez e Calibração:

  • Resiliência a Ruídos: O framework manteve robustez razoável sob ruído baixo a moderado (amortecimento de amplitude, despolarização, etc.), mas mostrou degradação de desempenho à medida que a probabilidade de ruído aumentou, consistente com as limitações da era NISQ.
  • Calibração: O modelo produziu estimativas de probabilidade bem calibradas, evidenciado por baixos Escores Brier (0,57% para D2) e valores de Erro de Calibração Esperado (ECE) (0,04% para D2).

• Comparação com Baselines:

  • As bases clássicas (Floresta Aleatória, XGBoost) alcançaram desempenho absoluto superior em ambos os conjuntos de dados, confirmando sua maturidade para dados de IDS tabulares.
  • O framework MQE não visou superar esses modelos clássicos, mas demonstrou que fundir aprendizes quânticos heterogêneos melhora a confiabilidade de pipelines quântico-clássicos em comparação com abordagens quânticas isoladas.

Significado e Alegações

O artigo alega que a fusão em nível meta é uma estratégia prática para construir pipelines de IDS baseados em QML mais confiáveis. O significado do trabalho reside em demonstrar que:

1. Aprendizes quânticos heterogêneos (QSVM e QNN) possuem forças complementares e padrões de erro distintos que podem ser explorados por um meta-aprendiz.
2. A eficácia da estratégia de fusão é dependente do conjunto de dados; representações baseadas em confiança são cruciais para conjuntos de dados difíceis e desequilibrados, enquanto rótulos rígidos bastam para dados bem separados.
3. Embora ensembles clássicos permaneçam as bases mais fortes, o framework MQE fornece uma fundação modular para pesquisas futuras sobre fusão estruturada quântico-clássica, oferecendo estabilidade e confiabilidade aprimoradas em relação a modelos quânticos isolados em cenários de detecção de intrusão.

Os autores afirmam explicitamente que o framework não tem a intenção de substituir modelos de IDS clássicos maduros, mas de validar se estratégias de meta-ensemble podem melhorar o desempenho e a robustez de componentes de aprendizado quântico sob condições desafiadoras. Trabalhos futuros são propostos para estender isso para detecção multiclasse, cenários de deriva de tráfego e implantação consciente de hardware.