Hybrid Quantum-Classical GANs for the Generation of Adversarial Network Flows

전통적인 생성적 적대 신경망 (GANs) 은 침입 탐지 시스템을 공격할 수 있는 적대적 네트워크 트래픽을 생성하는 데 적용되어 왔으나, 고차원 데이터셋의 필요성, 모드 붕괴, 높은 계산 오버헤드와 같은 단점을 가지고 있습니다. 본 연구에서는 변분 양자 생성기를 사용하여 잠재 표현을 통해 악성 트래픽을 모방하는 합성 네트워크 트래픽 흐름을 생성하는 하이브리드 양자 - 고전적 GAN (QC-GAN) 프레임워크를 제안합니다. 대신에 고전적인 노이즈 벡터를 샘플링하는 것이 아니라, 잠재 벡터 (숨겨진 특징) 를 양자 상태로 인코딩하여 더 표현력 있는 잠재 표현과 계산 오버헤드 감소를 주장하는 기초로 사용합니다. QC-GAN 으로 생성된 가짜 네트워크 흐름과 실제 데이터셋 (UNSW-NB15) 에서 고전적 디스크리미네이터를 훈련시킵니다. 이 구성에서 생성기는 디스크리미네이터가 실제 트래픽과 가짜 트래픽을 구별하는 능력을 최소화하고, 디스크리미네이터는 분류 정확도를 최대화하는 방식으로 반복적으로 동작합니다. 우리의 공격 모델에서는 공격자가 제한된 양자 컴퓨팅 파워에 접근할 수 있는 국가 행위자라고 가정하며, 디스크리미네이터는 대부분의 최종 사용자 및 조직에서 발생할 가능성이 높은 고전적인 것으로 선택합니다. 우리는 랜덤 포레스트 분류기와 컨볼루션 신경망 기반 분류기 등 고전적 침입 탐지 시스템 (IDS) 모델을 사용하여 생성된 흐름을 테스트하여 탐지 과정을 우회하는 능력을 평가합니다. 본 연구는 양자 머신러닝이 고급 공격 흐름을 생성하고 고전적 IDS 를 스트레스 테스트하는 수단으로서의 가능성을 강조하며, 하드웨어 기반 노이즈가 이러한 공격에 미치는 영향을 추가적으로 평가하여 IDS 에 대한 새로운 관점을 제공하며 양자 내성 방호 시스템의 필요성을 강조합니다.