[論文レビュー] Quantum AI for Cybersecurity: A hybrid Quantum-Classical models for attack path analysis

Jessica A. Sciammarelli, Waqas Ahmed|arXiv (Cornell University)|Jan 5, 2026

Quantum Computing Algorithms and Architecture被引用数 0

ひとこと要約

論文は、古典的サイバーセキュリティ特徴を変分回路を介して量子埋め込みに写像し、古典的SVMで分類するハイブリッド量子-古典パイプラインを提案し、 UNSW-NB15 のデータ量豊富条件とデータ不足条件で古典的ベースラインと性能を比較します。

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.

研究の動機と目的

• サイバーセキュリティにおける攻撃経路分析のためのハイブリッド量子-古典学習の利用を動機づける。
• 量子特徴埋め込みがセキュリティタスクの識別性を向上させるか、特にデータが限られている場合を評価する。
• 古典的グラフ前処理と量子エンコードを組み合わせた再現可能なワークフローを侵入検知に提供する。

提案手法

• ネットワークフローの特徴ベースのグラフ抽象化を八つの古典特徴に変換し、八量子ビットへマッピング。
• カテゴリ特徴をラベルエンコードし、量子エンコード適合性のためにMin–Max正規化を行う。
• 角度エンコードを用いて深さ2の変分量子回路とStronglyEntanglingLayersで特徴をエンコード。
• Pauli-Z期待値から量子埋め込みを取得し、古典的SVMで分類。
• 完全データと200サンプルのサブセットの両方で、量子拡張パイプラインをロジスティック回帰、線形SVM、RBF SVMと比較する。
• PennyLane default.qubitシミュレータを用いてCPUベースの再現性を確保。

実験結果

リサーチクエスチョン

• RQ1 限られた学習データの下で、ハイブリッド量子-古典モデルは攻撃経路分析において純粋に古典的手法を上回れるか。
• RQ2 量子特徴埋め込みはデータ不足のサイバーセキュリティ設定においてクラス間の分離性を高め、一般化を改善するか。
• RQ3 量子埋め込みは古典的ベースラインと比較して、攻撃と benign クラスのリコールと精度にどのような影響を与えるか。

主な発見

• 完全データセットの UNSW-NB15 に対して古典モデルの精度は約69%。
• 200サンプルでは、Linear SVM および RBF SVM は80%の精度、Logistic Regressionは72.5%、一方で Quantum Embedding + SVM は64%。
• 小データの場合の量子埋め込みは攻撃クラスのリコールが完璧（100%）だが benign サンプルを誤分類し、Macro F1は0.39。
• 完全データでは古典モデルの攻撃リコールが高い（約97–98%）一方 benign リコールが低く（約33–34%）、この特徴空間でのクラスの不均衡を示唆。
• 量子埋め込みはデータが限られた状況で攻撃パターンの強い分離を提供し、表現力の利点を示す一方、浅い回路とデータ不均衡のため一般化には制限がある。
• 本研究は自由ツールを用いた再現可能なCPUベースのワークフローを強調し、回路深さ、キュービット数、ノイズ認識評価の今後の改善を論じる。