Rede Generativa Adversarial Quântica Semi-Supervisionada (sQGAN) para Detecção de Ataques

• Diego Abreu UFPA http://orcid.org/0000-0001-9221-7853
• David Moura UNICAMP https://orcid.org/0000-0002-1153-3879
• Christian Rothenberg UNICAMP https://orcid.org/0000-0003-3109-4305
• Antônio Abelém UFPA https://orcid.org/0000-0003-4085-6674

DOI: https://doi.org/10.5753/sbrc.2025.5901

Resumo

A evolução das ameaças cibernéticas exige sistemas de detecção de ataques eficientes e precisos, mas a escassez de dados rotulados limita o uso de modelos supervisionados convencionais. Este artigo propõe a Rede Generativa Adversarial Quântica Semi-Supervisionada (sQGAN) para detecção de ataques, que combina aprendizado semi-supervisionado com arquiteturas adversárias quânticas, aproveitando dados rotulados e não rotulados para melhorar a detecção em cenários de dados escassos. As principais contribuições incluem (1) uma arquitetura quântica semi-supervisionada eficaz com poucos dados rotulados, (2) integração de redes geradoras e discriminativas quânticas para aprimorar a detecção de ataques e (3) um estudo experimental comparando o desempenho da sQGAN com arquiteturas quânticas. Os resultados mostram que a sQGAN oferece F1 score signficativo e robustez para detecção de ataques em condições adversas de rotulagem.

Palavras-chave: Aprendizado de Máquina Quântico, Rede Generativa Adversarial, Detecção de Ataques

Referências

Abreu, D., Rothenberg, C., and Abelém, A. (2024). qids: Sistema de detecção de ataques baseado em aprendizado de máquina quântico híbrido. In Anais do XLII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 295–308, Porto Alegre, RS, Brasil. SBC.

Abreu, D., Rothenberg, C. E., and Abelém, A. (2024b). Qml-ids: Quantum machine learning intrusion detection system. In 2024 IEEE Symposium on Computers and Communications (ISCC), pages 1–6. IEEE.

Bastian, N., Bierbrauer, D., McKenzie, M., and Nack, E. (2023). Aci iot network traffic dataset 2023.

Biamonte, J., Wittek, P., Pancotti, N., Rebentrost, P., Wiebe, N., and Lloyd, S. (2017). Quantum machine learning. Nature, 549(7671):195–202.

Boyle, A. O. and Nikandish, R. (2024). A hybrid quantum-classical generative adversarial network for near-term quantum processors. IEEE Access.

Dadkhah, S., Neto, E. C. P., Ferreira, R., Molokwu, R. C., Sadeghi, S., and Ghorbani, A. A. (2024). Ciciomt2024: A benchmark dataset for multi-protocol security assessment in iomt. Internet of Things, 28:101351.

de Araujo-Filho, P. F., Naili, M., Kaddoum, G., Fapi, E. T., and Zhu, Z. (2023). Unsupervised gan-based intrusion detection system using temporal convolutional networks and self-attention. IEEE Transactions on Network and Service Management, 20(4):4951–4963.

Huang, H.-L., Du, Y., Gong, M., Zhao, Y., Wu, Y., Wang, C., Li, S., Liang, F., Lin, J., Xu, Y., et al. (2021). Experimental quantum generative adversarial networks for image generation. Physical Review Applied, 16(2):024051.

Idhammad, M., Afdel, K., and Belouch, M. (2018). Semi-supervised machine learning approach for ddos detection. Applied Intelligence, 48:3193–3208.

Khan, M. and Ghafoor, L. (2024). Adversarial machine learning in the context of network security: Challenges and solutions. Journal of Computational Intelligence and Robotics, 4(1):51–63.

Lim, W., Chek, K. Y. S., Theng, L. B., and Lin, C. T. C. (2024). Future of generative adversarial networks (gan) for anomaly detection in network security: A review. Computers & Security, page 103733.

Mvula, P. K., Branco, P., Jourdan, G.-V., and Viktor, H. L. (2023). A systematic literature review of cyber-security data repositories and performance assessment metrics for semi-supervised learning. Discover Data, 1(1):4.

Nakaji, K. and Yamamoto, N. (2021). Quantum semi-supervised generative adversarial network for enhanced data classification. Scientific Reports, 11(1):19649.

Nicesio, O. K., Leal, A. G., and Gava, V. L. (2023). Quantum machine learning for network intrusion detection systems, a systematic literature review. In 2023 IEEE 2nd International Conference on AI in Cybersecurity (ICAIC), pages 1–6. IEEE.

Odena, A. (2016). Semi-supervised learning with generative adversarial networks. arXiv preprint arXiv:1606.01583.

Sajun, A. R. and Zualkernan, I. (2022). Survey on implementations of generative adversarial networks for semi-supervised learning. Applied Sciences, 12(3):1718.

Sasi, T., Lashkari, A. H., Lu, R., Xiong, P., and Iqbal, S. (2024). An efficient self attention-based 1d-cnn-lstm network for iot attack detection and identification using network traffic. Journal of Information and Intelligence.

Wang, Y. and Liu, J. (2024). A comprehensive review of quantum machine learning: from nisq to fault tolerance. Reports on Progress in Physics.

Yang, X., Song, Z., King, I., and Xu, Z. (2022). A survey on deep semi-supervised learning. IEEE Transactions on Knowledge and Data Engineering, 35(9):8934–8954.