Un estudio prueba el potencial de dos algoritmos de aprendizaje automático cuántico para la clasificación de malware

En las últimas décadas, los atacantes cibernéticos se han vuelto cada vez más hábiles para comprometer los sistemas y eludir las medidas de seguridad. Como resultado, detectar e identificar con precisión el malware es un desafío apremiante para muchas empresas y personas en todo el mundo.

Los expertos en seguridad cibernética han estado explorando recientemente el potencial de las técnicas de aprendizaje automático para clasificar el malware y determinar qué acciones se deben tomar para erradicarlo. Si bien algunas de estas técnicas lograron resultados prometedores, los estudios demostraron que muchas de ellas pueden ser engañadas o fallar al identificar con precisión el malware que nunca antes habían encontrado.

Con la esperanza de identificar métodos más confiables para clasificar el malware, los investigadores de Orange Innovation Inc. llevaron a cabo recientemente un estudio para evaluar el potencial de la versión cuántica de los algoritmos de aprendizaje automático. Su artículo, prepublicado el arXivofrece una visión inicial de las fortalezas y limitaciones de dos tipos de modelos de aprendizaje automático cuántico, y describe direcciones que podrían explorarse en futuras investigaciones sobre seguridad cibernética.

«He estado trabajando en el uso de inteligencia artificial para el análisis de malware desde 2019», dijo a Tech Xplore Tony Quertier, coautor del artículo. «Con Grégoire Barrué, que inició su posdoctorado en octubre, queremos explorar qué puede aportar la tecnología cuántica a este problema. Como ambos tenemos formación matemática en dos áreas complementarias, esperamos poder aprovechar nuestra experiencia teórica conocimiento para entender este tema».

Quertier y Barrué creen que el aprendizaje automático cuántico podría permitir a los usuarios extraer más información de menos datos. Para probar esta hipótesis en el contexto de la clasificación de malware, hasta ahora evaluaron el rendimiento de dos modelos diferentes de aprendizaje automático cuántico, conocidos como QSVM y QNN.

«El primer algoritmo que probamos es un QSVM simple, una adaptación cuántica del algoritmo Support Vector Machines», explicó Quertier. «Luego también probamos un QNN, una adaptación cuántica de una red neuronal clásica. Los resultados nos parecen muy alentadores, ya que los entrenamos con pocos datos y, por el momento, con dos enfoques de optimización bastante simples (SPSB y recarga de datos). »

En las evaluaciones iniciales que llevaron a cabo, Quertier y Barrué descubrieron que el algoritmo QSVM logró resultados muy prometedores, superando a algunos de los SVM clásicos del equipo para la clasificación de malware en varios parámetros. El QNN, por otro lado, que solo se optimizó con la recarga de datos y utilizando una técnica conocida como SPSB, pudo clasificar el malware con una precisión del 87%. Esto es bastante bueno, considerando que también fue entrenado en una cantidad limitada de datos.

«Obviamente, esta precisión no es tan buena como nuestras versiones clásicas del algoritmo, pero nuestras versiones clásicas están entrenadas en 1 millón de datos, mientras que aquí solo usamos 1000 muestras», dijo Quertier. «Para un primer enfoque, esto va más allá de lo que esperábamos. Para mí, lo más interesante es la capacidad de las técnicas de aprendizaje automático cuántico para aprender a partir de datos de entrenamiento limitados. Nos hemos vuelto demasiado dependientes de tener muchos datos y recursos computacionales. Sin embargo, , en algunos dominios, no es tan fácil tener muchos datos».

El objetivo general de los esfuerzos de investigación en curso de Quertier y Barrué es optimizar los algoritmos para que puedan extraer de manera eficiente una mayor cantidad de información de una cantidad limitada de datos. En sus próximos estudios, planean explorar el potencial de otras versiones cuánticas de los algoritmos de aprendizaje automático, como las redes convolucionales cuánticas (QCCN), al mismo tiempo que utilizan las matemáticas para optimizar y analizar mejor los datos disponibles.

«Por ejemplo, la teoría de Lie puede permitirnos identificar la cantidad de parámetros para lograr la sobreparametrización (cuando el modelo tiene suficientes parámetros para que la matriz de información de Fisher alcance su rango máximo y, por lo tanto, tenga la capacidad máxima) o incluso identificar simetrías en los datos. y adaptar las puertas cuánticas que usamos», agregó Quertier. «En octubre de 2023, un doctorado se iniciará la tesis sobre este temaque será supervisado por Daniel Juteau, especialista en este [type of] matemáticas.»

© 2023 Ciencia X Red