💻 computer science

Quantum Machine Learning in Cybersecurity: A Hybrid Convolutional Neural Network with Skip Connections for QR Code Phishing Detection

Este estudo propõe uma Rede Neural Convolucional Quântico-Clássica Híbrida com conexões de salto (HybridSkip) que classifica diretamente imagens de QR code com base na estrutura visual para detectar phishing, alcançando recall e pontuações F1 significativamente mais altos com menos parâmetros do que os basais clássicos, oferecendo, assim, uma solução de recursos eficientes para a defesa proativa contra quishing.

Autores originais: Md Farhan Shahriyar

Publicado 2026-09-29

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Md Farhan Shahriyar

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo digital moderno, um simples quadrado de quadrados pretos e brancos tornou-se uma chave universal. Estes são os códigos de Resposta Rápida, ou códigos QR, os códigos de barras bidimensionais encontrados em menus de restaurantes, terminais de pagamento e bilhetes de transporte. Eles são projetados para serem escaneados instantaneamente pela câmera de um smartphone, unindo os mundos físico e digital sem uma única tecla pressionada. No entanto, esta conveniência criou uma nova vulnerabilidade. Como o olho humano não consegue ler os dados escondidos dentro do padrão, um ator malicioso pode substituir um código legítimo por um falso que leve a vítima a um site fraudulento. Este tipo específico de ataque, conhecido como "quishing", ignora os filtros de e-mail tradicionais e os scanners de links porque a ameaça chega como uma imagem impressa, não como uma mensagem digital. O desafio central para os especialistas em segurança é que, no momento em que o usuário escaneia o código, o dano geralmente já está feito, pois o telefone abre automaticamente o link oculto.

Pesquisadores há muito tentam resolver isso decodificando a imagem para ler a URL oculta e, em seguida, verificar se esse endereço é perigoso. Mas este método falha se o código estiver danificado, se a internet estiver indisponível ou se o link ruim tiver sido criado momentos antes do escaneamento. Uma nova abordagem sugere olhar para a própria imagem em vez do texto dentro dela. A ideia é que a extensão e a complexidade da mensagem oculta deixam uma sutil impressão digital estatística no arranjo dos quadrados pretos e brancos. Um computador treinado para reconhecer esses padrões visuais poderia detectar um código malicioso antes mesmo de ser decodificado. É aqui que a interseção entre a cibersegurança e a computação quântica entra na história. O aprendizado de máquina quântico utiliza os princípios da mecânica quântica para processar informações de maneiras que os computadores clássicos não conseguem, oferecendo potencialmente uma maneira mais eficiente de encontrar padrões em conjuntos de dados pequenos e complexos.

Md Farhan Shahriyar, um pesquisador da Universidade de Ciência e Tecnologia Hajee Mohammad Danesh, em Bangladesh, desenvolveu um novo sistema que combina essas ideias para detectar ataques de quishing. O sistema é um modelo híbrido, o que significa que mistura um programa de computador clássico padrão com um componente quântico especializado. A parte clássica atua como um conjunto de olhos, escaneando a imagem do código QR para identificar suas formas e estruturas básicas. A parte quântica então pega uma versão comprimida dessas formas e as processa através de um circuito quântico simulado, uma estrutura matemática que pode explorar muitas possibilidades ao mesmo tempo. O objetivo era ver se essa combinação poderia identificar um código falso com mais precisão do que um programa de computador padrão, utilizando menos recursos computacionais.

O estudo testou este sistema em um conjunto de dados de mil imagens de códigos QR, divididas igualmente entre códigos seguros e maliciosos. Os pesquisadores treinaram o modelo para observar as imagens brutas sem nunca tentar ler o texto dentro delas. Eles compararam seu novo design híbrido contra vários outros modelos, incluindo programas padrão apenas de computador e outras versões híbridas sem um ajuste arquitetônico específico. A versão mais bem-sucedida de seu sistema, que eles chamaram de HybridSkip, introduziu uma "conexão de salto" (skip connection). Em termos simples, este é um atalho que permite que a informação visual inicial da parte clássica do sistema ignore o processador quântico e vá direto para a etapa final de tomada de decisão. Este design garante que nenhum detalhe útil seja perdido durante o complexo processamento quântico e ajuda o sistema a aprender de forma mais eficaz.

Os resultados mostraram que esta nova abordagem foi altamente eficaz. O modelo HybridSkip identificou corretamente códigos QR maliciosos com uma taxa de sucesso maior do que os melhores modelos clássicos de apenas computador. Especificamente, ele detectou cerca de 72 por cento dos códigos ruins, comparado a aproximadamente 65 por cento para o modelo tradicional mais forte. Esta melhoria é significativa em um contexto de segurança porque perder um código ruim significa que um usuário pode ser enganado para entregar suas senhas ou dinheiro, enquanto um alarme falso custa apenas alguns segundos extras de verificação. Além disso, o novo modelo alcançou essa maior precisão utilizando quase 38 por cento menos configurações ajustáveis, ou parâmetros, do que os modelos clássicos. No mundo da inteligência artificial, ter menos parâmetros geralmente significa que o sistema é mais rápido e requer menos memória, tornando-o mais fácil de rodar em telefones celulares ou dispositivos pequenos.

Os pesquisadores confirmaram que essas melhorias não foram apenas um golpe de sorte, realizando os testes várias vezes com diferentes divisões dos dados. A análise estatística mostrou que os ganhos na detecção de códigos ruins foram reais e consistentes. O estudo também observou que o sistema funciona inteiramente offline. Como ele analisa a imagem diretamente, não precisa de uma conexão com a internet para verificar um banco de dados de links ruins conhecidos. Isso o torna particularmente útil para cenários como escanear um código em um quiosque remoto ou em um terminal de ponto de venda onde uma conexão de rede pode ser pouco confiável.

Embora os resultados sejam promissores, o estudo reconhece certas limitações. A parte quântica do sistema foi simulada em um computador padrão, não executada em hardware quântico real, que ainda é uma tecnologia emergente. Os pesquisadores também observaram que o conjunto de dados usado era relativamente pequeno, contendo apenas mil imagens, e que os códigos do mundo real podem variar amplamente em qualidade, iluminação e danos. Trabalhos futuros precisarão testar o sistema em coleções maiores de imagens e em dispositivos quânticos reais para ver como ele se comporta sob condições do mundo real. No entanto, o estudo demonstra que uma abordagem híbrida, que combina cuidadosamente o processamento clássico e o quântico, pode oferecer uma maneira mais eficiente e eficaz de detectar ameaças visuais. Ao tratar o código QR como uma imagem em vez de uma mensagem, este novo método fornece uma camada de defesa proativa que pode ajudar a manter os usuários seguros em um mundo cada vez mais conectado.

Resumo Técnico: CNN Híbrida Quântico-Clássica para Detecção de Phishing de QR Code

Definição do Problema
O phishing de QR code ("quishing") emergiu como uma ameaça cibernética crítica, explorando a opacidade dos códigos QR para entregar cargas maliciosas sem acionar as defesas tradicionais baseadas em e-mail ou links. As contramedidas atuais são amplamente reativas e falhas: elas dependem da decodificação do QR code para extrair uma URL para verificação de lista negra ou análise de reputação. Essa abordagem falha quando o destino é um domínio de dia zero (zero-day), quando a URL está ofuscada ou quando o dispositivo de leitura carece de conectividade de rede (ex: quiosques offline). Além disso, a detecção baseada em metadados estruturais falha se o código estiver fisicamente danificado ou deliberadamente ofuscado. Embora a classificação baseada em imagem ofereça uma alternativa sem decodificação, os modelos puramente clássicos de aprendizado profundo profundo frequentemente sofrem de overfitting em conjuntos de dados rotulados pequenos, típicos da pesquisa de segurança.

Metodologia
O estudo propõe uma Rede Neural Convolucional Híbrida Quântico-Clássica (HQCNN) que classifica QR codes diretamente de seus dados visuais de pixels, ignorando completamente a etapa de decodificação. A arquitetura consiste em três componentes principais:

Backbone Convolucional Clássico: Uma CNN de cinco camadas processa imagens de QR em tons de cinza (48×48 pixels) para extrair características espaciais hierárquicas. Essas características são projetadas via uma camada totalmente conectada e uma função de ativação tanh para restringir os valores ao intervalo $[-1, 1]$ , adequado para o angle embedding quântico.
Circuito Quântico Variacional (VQC): As características clássicas projetadas servem como entrada para um circuito quântico parametrizado. O circuito utiliza angle embedding (codificando características como ângulos de rotação de portas $RY$ ) seguido por $L$ camadas variacionais. Cada camada consiste em rotações $RY$ e $RZ$ treináveis em todos os qubits, acopladas a uma escada de emaranhamento CNOT. O circuito gera valores de expectativa de Pauli-Z, que são alimentados em uma cabeça de classificação clássica.
Arquitetura HybridSkip: Uma variante inovadora introduz um bypass residual (conexão de salto/skip connection). Neste design, as características do backbone clássico ( $z$ ) são roteadas diretamente para a cabeça de classificação em paralelo com o caminho processado quânticamente ( $q$ ). Os dois fluxos são concatenados ( $h = [q; z]$ ) antes da camada de classificação final. Este design visa preservar o fluxo de gradiente (mitigando o risco de "barren plateau"), reter o contexto espacial perdido durante a codificação quântica de baixa dimensão e eliminar a necessidade de uma camada totalmente conectada compensatória larga.

Os modelos foram avaliados em um corpus balanceado de 1.000 imagens de QR code (500 benignas, 500 maliciosas) usando validação cruzada de cinco dobras estratificada e um conjunto de teste reservado. Seis configurações foram comparadas: duas bases clássicas, duas HQCNNs padrão e duas variantes HybridSkip, variando o número de qubits (4 vs. 6) e camadas variacionais (3 vs. 4).

Principais Contribuições

Primeiro Classificador Visual Quântico Sem Decodificação: Este trabalho apresenta a primeira arquitetura híbrida quântico-clássica para detecção de phishing de QR code que opera exclusivamente em dados de pixels, não exigindo decodificação ou conectividade de rede.
Design HybridSkip: A introdução de um bypass residual em redes híbridas quântico-clássicas, que melhora o fluxo de gradiente e a eficiência de parâmetros ao permitir que o classificador acesse características clássicas brutas junto com as características quânticas.
Benchmarking de Eficiência de Parâmetros: Uma comparação rigorosa e normalizada por parâmetros demonstrando que a arquitetura HybridSkip alcança um desempenho superior com significativamente menos parâmetros treináveis do que as bases clássicas.
Rigor Estatístico: O estudo emprega testes estatísticos pareados (testes t, Wilcoxon signed-rank), análise de tamanho de efeito (Cohen's d) e intervalos de confiança entre as dobras de validação cruzada, indo além de simples estimativas pontuais para validar melhorias em pequenos conjuntos de dados.

Resultados
A configuração HybridSkip-6q4L (6 qubits, 4 camadas variacionais) demonstrou o compromisso mais favorável entre precisão e tamanho do modelo:

Desempenho: Alcançou um F1-score de validação cruzada de 0,694 ± 0,027 e um recall de 0,710 ± 0,031. No conjunto de teste reservado, atingiu um F1-score de 0,715 e recall de 0,724.
Comparação: Comparado à base clássica mais forte (Classical-h8), o HybridSkip-6q4L melhorou o recall em 6,8% e o F1-score em 3,3% (na validação cruzada).
Eficiência: O modelo utilizou 21.015 parâmetros treináveis, uma redução de 37,6% em relação à base clássica (33.673 parâmetros).
Significância: A análise estatística confirmou que os ganhos de recall foram significativos (p < 0,05) com grandes tamanhos de efeito (Cohen's d > 0,8). O modelo ocupa a fronteira de Pareto para precisão versus contagem de parâmetros.

Significância e Alegações
O artigo afirma que arquiteturas híbridas parametrizadas de forma eficiente oferecem um caminho viável para defesa proativa contra quishing em endpoints de recursos limitados (ex: dispositivos móveis, leitores embarcados) na era do NISQ (Noisy Intermediate-Scale Quantum).

As principais alegações incluem:

Capacidade Offline: O modelo funciona sem conectividade de rede, abordando um modo crítico de falha das defesas baseadas em URL.
Preservação de Gradiente: A conexão de salto mitiga com sucesso a atenuação de gradiente no gargalo quântico, um problema comum em modelos híbridos.
Generalização: O mapa de características quânticas permite que o modelo generalize de dados limitados (1.000 amostras) de forma mais eficaz do que modelos clássicos de capacidade similar, provavelmente devido ao mapeamento de características de alta dimensão implícito no espaço de Hilbert.
Prontidão para Implementação: Embora o componente quântico seja atualmente simulado, a economia de parâmetros é realizável em hardware clássico hoje, e a arquitetura é projetada para ser compatível com futuros dispositivos quânticos físicos.

O autor mantém a modéstia quanto ao desempenho absoluto, reconhecendo que os F1-scores (0,63–0,72) são inferiores aos detectores baseados em URL porque a classificação visual é um problema estritamente mais difícil por carecer da string de carga útil (payload). Ele enfatiza que a principal contribuição é a melhoria no recall e na eficiência em relação às bases de imagem clássicas, em vez de superar métodos baseados em URL. O trabalho futuro identifica a necessidade de conjuntos de dados maiores e mais diversos, treinamento consciente de ruído para hardware real e testes de robustez adversarial.

Resumo Técnico: CNN Híbrida Quântico-Clássica para Detecção de Phishing de QR Code

Mais como este