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

요약

본 연구는 기존 GAN의 한계를 극복하고 적대적 네트워크 트래픽을 생성하기 위해 하이브리드 양자-고전적 GAN (QC-GAN) 프레임워크를 제안합니다. 이 모델은 고전적인 노이즈 벡터 대신 잠재 벡터(숨겨진 특징)를 양자 상태로 인코딩하여 표현력을 높이고 계산 오버헤드를 줄입니다. QC-GAN으로 생성된 가짜 트래픽을 사용하여 고전적 디스크리미네이터를 훈련시키고, 이를 통해 공격자가 제한적인 양자 컴퓨팅 파워를 활용하여 기존의 침입 탐지 시스템(IDS)을 우회하는 능력을 평가합니다.

핵심 포인트

• 기존 GAN은 적대적 트래픽 생성에 사용되지만, 고차원 데이터셋 처리 및 모드 붕괴 등의 한계가 있습니다.
• QC-GAN 프레임워크는 잠재 벡터를 양자 상태로 인코딩하여 기존의 노이즈 샘플링 방식보다 높은 표현력과 효율성을 제공합니다.
• 공격 모델은 제한된 양자 컴퓨팅 파워를 가진 국가 행위자를 가정하며, 고전적 IDS가 방어 시스템 역할을 합니다.
• 제안된 방법론을 통해 생성된 가짜 트래픽이 실제 고전적 침입 탐지 시스템(IDS)의 탐지 능력을 우회하는 것을 입증합니다.
• 본 연구는 양자 머신러닝 기반 공격 흐름 생성 및 IDS 스트레스 테스트의 필요성을 강조하며, 양자 내성 방호 시스템 구축을 촉구합니다.