Réseau neuronal hybride quantique-classique pour la détection DDoS
Implémentation de modèles et expériences comparatives pour une recherche sur la détection des menaces évaluée par les pairs.
- Contexte
- Recherche universitaire collaborative; publication évaluée par les pairs
- Mon rôle
- Coauteur : implémentation des modèles, expériences comparatives et rédaction
- État
- Publication dans EPJ Quantum Technology, juin 2025
- Livrable
- Cadre publié et analyse expérimentale comparative
Décision et éléments probants
Adapter les caractéristiques classiques à un modèle quantique
Le pipeline publié utilise des représentations par ondelettes, l’extraction de caractéristiques par CNN et la réduction de dimension avant l’étape quantique. Cela relie des représentations d’entrée plus riches à un espace de caractéristiques compact pour le circuit quantique.
Ma contribution comprenait l’implémentation, l’exécution des modèles de comparaison et la rédaction de l’analyse, comme l’indique la section sur les contributions des auteurs. L’architecture et les résultats sont attribués à l’équipe de recherche.
Présentation
Participation à des travaux de recherche utilisant un cadre de réseaux neuronaux hybrides quantiques-classiques pour la détection des menaces, en appliquant l’IA, l’apprentissage automatique et l’informatique quantique à la détection DDoS dans les réseaux définis par logiciel (SDN).
Objectif
Étudier les approches hybrides quantiques-classiques pour l’analytique de sécurité réseau par le prétraitement, l’entraînement, l’expérimentation et l’évaluation comparative des performances.
Ma contribution
- Contribution au prétraitement des données, à l’implémentation et à l’entraînement des modèles de détection DDoS.
- Exécution des modèles de comparaison et contribution à l’analyse expérimentale, comme indiqué dans la section de l’article consacrée aux contributions des auteurs.
- Corédaction des sections sur les modèles et l’analyse, et révision du manuscrit avec l’équipe de recherche.
Approche technique
- Combinaison de réseaux neuronaux classiques et de techniques d’apprentissage automatique quantique dans un cadre hybride de détection des menaces.
- Le HQCNN binaire publié a été implémenté sur du matériel quantique réel avec AWS Braket. La publication présente également des expériences multiclasses avec des variantes à 15, 14 et 12 classes.
Périmètre et considérations
Les résultats binaires concernent le banc d’essai DDoS SDN de l’article; les résultats multiclasses concernent la classification de logiciels malveillants Android. Les tâches et les regroupements de classes étant différents, leurs pourcentages ne constituent pas un taux unique de détection en production.
Résultat
Résultats publiés : exactitude du HQCNN binaire de 99,86 %, précision de 99,85 %, rappel de 100 % et score F1 de 99,88 % sur un QPU réel. Les exactitudes multiclasses Android étaient de 93,56 %, 94,38 % et 95,13 % pour 15, 14 et 12 classes. Il s’agit des résultats expérimentaux de l’équipe de recherche, et non d’une garantie de déploiement ou d’une reproduction indépendante.
Source : publication Springer évaluée par les pairs (s’ouvre dans un nouvel onglet)