💻 computer science

Scalable Malware Family Classification Using Quantum Kernel Based Machine Learning

本文提出了一种可扩展的量子核机器学习框架，该框架结合了结构化特征提取、线性判别分析和 Nyström 近似，在对 23 个家族共 18,836 个恶意软件样本进行分类时实现了 80.88% 的准确率，在超越经典基准模型的同时，克服了传统核方法存在的二次计算成本问题。

原作者： Ratun Rahman, Hassan Jalil Hadi, Christopher Gabriel Pedraza Pohlenz, Ali Shoker

发布于 2026-06-16

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Ratun Rahman, Hassan Jalil Hadi, Christopher Gabriel Pedraza Pohlenz, Ali Shoker

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心问题：看起来像草堆的“大海捞针”

想象你是一名大型机场（互联网）的安检员。每天都有成千上万的人（计算机文件）经过。大多数是无辜的旅客，但也有一些是携带危险违禁品的走私者（恶意软件）。

麻烦在于，走私者变得非常擅长伪装。他们穿着与无辜者相同的衣服，提着类似的包，甚至说着同样的语言。此外，还有数千个不同的“走私家族”，每个家族都有自己独特的风格，但由于它们看起来都如此相似，以至于极难分辨。

传统的安检员（标准计算机程序）试图通过观察包的大小或鞋子的颜色等简单特征来对这些人进行分类。但由于走私者如此聪明且长得太像，安检员经常会犯错，尤其是在机场过于拥挤、无法逐一检查每个人时。

新方案：“量子侦探”与神奇透镜

研究人员开发了一种名为可扩展量子核机器学习 (QKML) 的新型安全系统。你可以把它想象成聘请了一支拥有“神奇透镜”的“量子侦探”团队。

以下是他们的系统运作步骤：

1. “身份证” (特征提取)

首先，系统会查看每个文件并为其创建一个详细的“身份证”。它不仅仅看文件名，还会检查内部结构、大小、“熵”（代码看起来有多乱或多杂乱）以及其他隐藏特征。这就像是检查旅客的护照、DNA 以及行李箱的质感。

2. “分组室” (监督投影)

这些“身份证”非常庞大且复杂。如果你试图把它们展示给一位量子侦探，他们会被信息淹没。因此，研究人员使用了一种名为 LDA（线性判别分析）的工具。

类比： 想象你有一个挤满了人的巨大且混乱的房间。你想把他们分成 23 个不同的组（家族）。与其观察每个人的每一个细节，不如要求他们站在特定的阵型中，让各组之间的界限变得清晰。你缩小了这个房间，使各个组能够被清晰地分隔开。这为下一步工作减轻了难度。

3. “神奇透镜” (量子核)

现在到了最特别的部分。研究人员使用了一个量子特征映射 (Quantum Feature Map)。

类比： 想象量子侦探戴着一副特殊的眼镜，可以看见“隐形的联系”。在普通世界里，两个文件看起来可能截然不同。但在量子透镜下，侦探可以看到它们共享某种隐藏的、复杂的模式，因为它们是由同一个犯罪家族制造的。
这个透镜利用量子电路（遵循量子物理规则的微小、复杂的机器）来测量两个文件之间真实的相似程度。在识别微妙且棘手的相似性方面，它比标准计算机要出色得多。

4. “速度技巧” (Nyström 近似)

这里有一个最大的障碍：如果你有 18,000 个文件，为了检查每个文件与其他每个文件的相似性而进行两两对比，将会耗费极长时间（就像在机场检查每一个人与其它所有人的关系一样）。这在现实生活中太慢了。

类比： 与其面试每一位旅客，量子侦探会挑选一小群聪明的“地标人物”（大约 8,000 人）。他们会对这些地标人物进行彻底的面试。然后，对于剩余的旅客，他们只需询问：“在这些地标人物中，你看起来最像谁？”
这个被称为 Nyström 近似 的技巧，让系统能够从所有数据中学习，而不会陷入需要计算数年的数学泥潭。这就像是利用一张主要城市的地图来导航整个国家，而不是试图记住每一条街道。

结果：奏效了吗？

研究人员在一个包含 18,836 个恶意软件样本（来自 23 个不同家族，外加一些无害软件）的大型数据集上测试了这个系统。

得分： 量子侦探的准确率达到了 80.88%。
对比： 他们将此结果与表现最好的“标准”安检员（如 K-最近邻算法或支持向量机等经典机器学习模型）进行了比较。标准安检员的分数在 52% 到 79% 之间波动。
胜出者： 量子系统击败了所有对手。它更擅长分辨那些看起来极其相似的棘手家族。

为什么这很重要

论文声称这种方法找到了一个“甜点位”（平衡点）。它既利用了量子计算强大的模式识别能力（神奇透镜），又使用了聪明的捷径（地标人物），从而避免了让计算机崩溃或耗时过长。

简而言之： 他们构建了一个系统，该系统可以观察一大堆令人困惑、长相相似的计算机病毒，利用量子“神奇透镜”发现隐藏的家族联系，并比现有方法更快、更准确地进行分类，且无需耗费数十亿美元去购买一台超级计算机。

注：论文明确指出，这些结果是使用*模拟器（一个模仿量子计算机运行的计算机程序）取得的，而非真实的物理量子机器，但这证明了当真正的量子机器问世时，其数学逻辑是行得通的。*

技术摘要：基于量子核机器学习的可扩展恶意软件家族分类

问题陈述

恶意软件家族分类是网络安全中的一项关键任务，对于威胁归因、谱系分析以及防御策略的制定至关重要。然而，由于恶意软件变体的大量激增、广泛的混淆、加壳以及自动化生成技术，这项任务变得日益困难。这些因素导致了高种间家族结构相似性和多态性，对传统的机器学习模型提出了挑战。

现有的经典方法，包括线性分类器、树模型和深度学习，在处理大规模多分类设置时面临特定的局限性：

表达能力： 手工特征往往无法捕捉恶意软件家族之间微妙的非线性关系。
可扩展性： 深度学习模型需要大量的标注数据和计算资源，往往导致可解释性降低。
类别不平衡与相似性： 显著的类别不平衡和结构重叠限制了经典模型的泛化能力。
量子局限性： 虽然量子机器学习（QML）通过高维希尔伯特空间嵌入提供了潜力，但目前的研究通常局限于二分类、小规模数据集或合成数据。此外，构建完整的量子核矩阵的复杂度随样本数量呈二次方增长（ $O(N^2)$ ），使得直接应用于大规模恶意软件库在计算上变得不切实际。

方法论

作者提出了一种**可扩展量子核机器学习（QKML）**框架，旨在解决多分类恶意软件家族分类中的准确性和效率约束。该框架集成了四个主要组件：

1. 数据集构建与特征表示

研究使用了一个大规模数据集（QLCD），包含 18,836 个样本，涵盖 23 个恶意软件家族（包括 22 个恶意家族和一个良性类别）。

特征提取： 从可执行文件（PE 文件）中提取静态结构特征，包括文件熵、节统计数据以及虚拟大小与原始大小的比率。类别属性（如机器类型、加壳器）采用独热编码（one-hot encoding）。
预处理： 特征经过 Z-score 标准化处理，并对缺失值进行中位数填充。样本量少于 50 个的家族被排除在外，以确保可靠的多分类学习。

2. 有监督特征投影 (LDA)

为了缓解输入维度导致的量子电路复杂度指数级增长问题，以及可用量子比特数量有限的问题，该框架采用了**线性判别分析（LDA）**作为有监督降维步骤。

LDA 将高维特征向量投影到低维的、具有类间辨别性的子空间中，其维度为 $k \le C-1$ （其中 $C$ 是类别数）。
此步骤在最大化类间可分性的同时最小化类内方差，从而创建出适合量子编码的紧凑表示。

3. 量子核构建

投影后的特征向量通过参数化量子特征映射（一个参数化量子电路，PQC）被编码到量子态中。

编码： 特征被映射到 $n$ 个量子比特上的旋转角（例如 $R_Y$ 门）。
核定义： 量子核由两个量子态之间的平方保真度定义： $K(z_i, z_j) = |\langle \phi(z_i) | \phi(z_j) \rangle|^2$ 。这种基于保真度的核能够捕捉到经典核可能遗漏的非线性相似性。

4. 可扩展核近似 (Nyström 方法)

为了克服完整核矩阵构建带来的 $O(N^2)$ 计算瓶颈，作者采用了 Nyström 近似。

地标选择： 从训练集中选择一个由 $M$ 个地标样本组成的子集（ $M \ll N$ ）。
低秩近似： 利用由这些地标生成的子矩阵来近似完整的核矩阵。这使得可以构建所有样本的显式低维特征表示 $\psi(z_i)$ 。
分类： 在这些经 Nyström 近似后的特征上训练一个经典的岭回归模型，以执行多分类任务。这种方法使得从整个数据集中学习成为可能，而无需进行采样偏差处理，将主导复杂度降低至 $O(NM)$。

核心贡献

本文概述了四项主要贡献：

可扩展 QKML 框架： 一种结合了基于保真度的量子核与有监督 LDA 投影的新型流水线，旨在实现类感知降维并增强判别能力。
用于量子核的 Nyström 近似： 一种利用地标样本构建量子核低秩表示的方法。这使得可以在不引入采样偏差的情况下对全量数据进行训练，并显著减少了所需的量子保真度评估次数。
大规模真实世界数据集： 策划并预处理了包含 18,836 个样本、涉及 23 个家族的 QLCD 数据集，专门用于评估 QML 在现实多分类网络安全场景中的表现。
经验验证： 通过综合实验证明，在相同的特征和数据划分下，所提出的框架优于经典的机器学习基准模型，实现了 80.88% 的准确率。

实验结果

实验是在基于状态向量的量子模拟器上进行的，采用了混合经典-量子流水线。

性能对比基准： 所提出的 QKML 框架达到了 80.88% 的准确率，优于包括 Softmax 回归 (52.79%)、线性 SVM (78.73%)、KNN (79.56%) 和高斯朴素贝叶斯 (58.44%) 在内的经典基准模型。
消融实验：
- 投影： 用无监督 SVD 替换有监督 LDA 会使准确率从 80.88% 下降到 78.83%，证实了标签感知投影的价值。
- 地标： 准确率从约 74%（1,000 个地标）提升至约 81.8%（8,000 个地标），显示出在 $M=8000$ 之后收益递减。
- 电路深度： 增加电路重复次数 ( $L$ ) 和量子比特数 ( $n$ ) 通常会提高性能，最佳结果出现在 $n=8, L=4$ 时。
逐类性能： 模型在主要家族（如 Mediyes F1=0.988, Winwebsec F1=0.986）和良性类别（F1=0.774）上表现强劲。对于具有高度结构相似性的少数派类别（如 LockBit, LokiBot），性能较低，这符合已知恶意软件分类的挑战。
效率：
- 运行时间： 量子流水线在 426.58 秒内完成了训练，明显快于 KNN (830s) 和 GaussianNB (1161s) 等经典基准模型。
- 计算成本： 与经典模型相比，量子模型所需的运算次数（门操作和状态向量代理）低了几个数量级，表明其具有潜在的能源效率优势。
- 可扩展性： “轻量化量子”（较少的量子比特和地标）配置实现了 74.82% 的准确率，并带来了 5.5 倍的加速，展示了资源高效的扩展能力。

意义与主张

作者声称，这项工作弥合了量子核方法的理论表达能力与现实恶意软件分析的可扩展性需求之间的差距。

可衡量的优势： 研究表明，在复杂的、多分类的网络安全任务中，可扩展的量子核技术可以比经典基准提供可衡量的性能优势（更高的准确率和更低的损失）。
实际可行性： 通过集成 Nyström 近似和有监督投影，该框架能够在不产生高昂二次方成本的前提下使用所有可用训练数据，使其适用于大规模仓库。
未来方向： 本文将此工作定位为将量子增强学习整合到运营级恶意软件分析流水线中的实践性一步，特别是针对近期的含噪声中型量子（NISQ）设备和混合工作流。

作者注明的局限性：
作者明确指出，评估依赖于经典量子模拟器而非真实的硬件，这意味着未捕捉到噪声和退相干效应。此外，虽然 Nyström 近似提高了可扩展性，但状态制备的成本仍随量子比特数和电路深度的增加而增长，且目前的实现尚未部署在实时流式环境中。