[논문 리뷰] Quantum AI for Cybersecurity: A hybrid Quantum-Classical models for attack path analysis

Jessica A. Sciammarelli, Waqas Ahmed|arXiv (Cornell University)|2026. 01. 05.

Quantum Computing Algorithms and Architecture인용 수 0

한 줄 요약

본 논문은 고전 사이버 보안 특징을 가변 회로를 통해 양자 임베딩으로 매핑한 후, 고전 SVM으로 분류하는 하이브리드 양자-고전 파이프라인을 제안하고, 데이터 풍부 및 데이터 부족 조건에서 UNSW-NB15에 대해 고전 기준선과의 성능을 비교한다.

ABSTRACT

Modern cyberattacks are increasingly complex, posing significant challenges to classical machine learning methods, particularly when labeled data is limited and feature interactions are highly non-linear. In this study we investigates the potential of hybrid quantum-classical learning to enhance feature representations for intrusion detection and explore possible quantum advantages in cybersecurity analytics. Using the UNSW-NB15 dataset, network traffic is transformed into structured feature vectors through classical preprocessing and normalization. Classical models, including Logistic Regression and Support Vector Machines with linear and RBF kernels, are evaluated on the full dataset to establish baseline performance under large-sample conditions. Simultaneously, a quantum-enhanced pipeline maps classical features into variational quantum circuits via angle encoding and entangling layers, executed on a CPU-based quantum simulator, with resulting quantum embeddings classified using a classical SVM. Experiments show that while classical models achieve higher overall accuracy with large datasets, quantum-enhanced representations demonstrate superior attack recall and improved class separability when data is scarce, suggesting that quantum feature spaces capture complex correlations inaccessible to shallow classical models. These results highlight the potential of quantum embeddings to improve generalization and representation quality in cybersecurity tasks and provide a reproducible framework for evaluating quantum advantages as quantum hardware and simulators continue to advance.

연구 동기 및 목표

• 사이버보안에서 공격 경로 분석을 위한 하이브리드 양자-고전 학습의 필요성을 제시한다.
• 제한된 데이터 상황에서 양자 특징 임베딩이 보안 작업의 판별력을 향상시키는지 평가한다.
• 고전적 그래프 전처리와 양자 인코딩을 결합한 재현 가능한 침입 탐지 워크플로를 제공한다.

제안 방법

• 네트워크 흐름의 특징 기반 그래프 추상화를 여덟 개의 고전 특징으로 표현하여 여덟 개의 큐빗에 매핑한다.
• 범주형 특징은 레이블 인코딩하고 양자 인코딩 적합성을 위해 Min–Max 정규화를 수행한다.
• 각도 인코딩을 통해 깊이 2의 가변 양자 회로와 StronglyEntanglingLayers에 특징을 인코딩한다.
• Pauli-Z 기대값으로 양자 임베딩을 얻고 고전 SVM으로 분류한다.
• 전체 데이터와 200 샘플 부분집합에서 양자 보강 파이프라인을 로지스틱 회귀, 선형 SVM, RBF SVM과 비교한다.
• CPU 기반 재현성을 보장하기 위해 PennyLane default.qubit 시뮬레이터를 사용한다.

실험 결과

연구 질문

• RQ1 제한된 학습 데이터에서 하이브리드 양자-고전 모델이 순수 고전적 접근법보다 공격 경로 분석에서 더 우수한 성능을 보일 수 있는가?
• RQ2 데이터가 부족한 사이버보안 환경에서 양자 특징 임베딩이 클래스 간 분리도를 더 높이고 일반화 성능을 향상시키는가?
• RQ3 양자 임베딩이 공격 대 정상 클래스로 구분하는 재현율과 정밀도에 대해 고전 기준선과 비교해 어떤 영향을 미치는가?

주요 결과

• 고전 모델은 전체 UNSW-NB15 데이터셋에서 약 69% 정확도를 달성한다.
• 200샘플 구간에서 Linear SVM과 RBF SVM은 80% 정확도에 도달하고, 로지스틱 회귀는 72.5%, 반면 양자 임베딩 + SVM은 64%이다.
• 양자 임베딩은 소량 데이터에서 공격 클래스에 대해 재현율이 100%로 완벽하지만 정상 샘플을 오분류하여 매크로 F1이 0.39이다.
• 고전 모델은 전체 데이터에서 공격 재현율이 높고(약 97–98%), 정상 재현율은 낮아(약 33–34%) 이 특징 공간의 클래스 불균형을 시사한다.
• 양자 임베딩은 제한된 데이터에서 공격 패턴의 강한 구분을 제공하여 표현력 이점을 시사하지만, 얕은 회로와 데이터 불균형으로 인해 일반화에 한계가 있다.
• 본 연구는 무료 도구를 사용한 재현 가능한 CPU 기반 워크플로를 강조하고 회로 깊이, 큐빗 수 및 노이즈 인식 평가의 향후 개선점을 논의한다.