Network Anomaly Detection with Quantum Machine Learning

使用量子机器学习进行网络异常检测

• 批准号: 569166-2021
• 负责人: Cherkaoui, Soumaya
• 金额: $ 12.67万
• 依托单位: Université de Sherbrooke
• 依托单位国家: 加拿大
• 项目类别: Alliance Grants
• 财政年份: 2021
• 资助国家: 加拿大
• 起止时间: 2021-01-01 至 2022-12-31
• 项目状态: 已结题
• 来源: https://www.nserc-crsng.gc.ca/ase-oro/Details-Detailles_eng.asp?id=722429
• 关键词: Network; Anomaly; Detection; Quantum; Machine

Cyber-intrusions and cyber-attacks can endanger the security of connected systems and bring irreversible damages to their operation. This is particularly true for critical systems such as train fleets, autonomous vehicles, etc. Intrusion detection systems (IDS) are deployed in conjunction with other security mechanisms such as access control and encryption techniques to further secure systems. Network intrusion detection can be performed by identifying the abnormalities in network monitoring data sets and looking for potential problems. However, building effective systems for network anomaly detection faces many challenges in theory and in practice. The goal of the project is to design and develop a framework for network anomaly detection by using quantum machine learning (QML) algorithms. Quantum machine learning has the potential to revolutionarily transform the capacity to detect network anomalies so as to prevent/defend against cyber intrusions and cyber attacks. The main outcome of this partnership is the materialization of a framework for anomaly detection with QML. This framework has the potential to enable: 1) huge advances in execution time, capacity and learning efficiency and 2) significant improvements in anomaly detection capabilities.#(cr)#(lf)Les cyber-intrusions et les cyber-attaques peuvent mettre en danger la sécurité des systèmes connectés et apporter des dommages irréversibles à leur fonctionnement. Cela est particulièrement vrai pour les systèmes critiques tels que les flottes de trains, les véhicules autonomes, etc. Les systèmes de détection d'intrusion (IDS) sont déployés en conjonction avec d'autres mécanismes de sécurité tels que le contrôle d'accès et les techniques de cryptage pour sécuriser davantage les systèmes. La détection des intrusions dans le réseau peut être effectuée en identifiant les anomalies dans les ensembles de données de surveillance du réseau et en recherchant les problèmes potentiels. Cependant, la construction de systèmes efficaces pour la détection des anomalies de réseau fait face à de nombreux défis en théorie et en pratique. L'objectif du projet est de concevoir et de développer un cadre pour la détection des anomalies de réseau en utilisant des algorithmes d'apprentissage automatique quantique (QML). L'apprentissage machine quantique a le potentiel de transformer de manière révolutionnaire la capacité de détection des anomalies de réseau afin de prévenir/se défendre contre les cyber-intrusions et les cyber-attaques. Le principal résultat de ce partenariat est la matérialisation d'un cadre pour la détection des anomalies avec QML. Ce cadre a le potentiel de permettre 1) d'énormes avancées en termes de temps d'exécution, de capacité et d'efficacité d'apprentissage et 2) des améliorations significatives des capacités de détection d'anomalies.

网络入侵和网络攻击可能会危及互联系统的安全，并对其运行带来不可逆转的损害，对于火车车队、自动驾驶车辆等关键系统尤其如此。入侵检测系统（IDS）与网络连接一起部署。可以通过识别网络监控数据集中的异常并寻找潜在问题来进一步保护系统，例如访问控制和加密技术等其他安全机制。然而，构建有效的网络异常检测系统在理论上面临许多挑战。并在该项目的目标是使用量子机器学习（QML）算法设计和开发网络异常检测框架。量子机器学习有可能彻底改变检测网络异常的能力，从而预防/防御。此次合作的主要成果是实现了 QML 异常检测框架，该框架有潜力实现：1) 执行时间、容量和学习效率的巨大进步；2) 显着改进。异常检测能力。车辆自主等。 入侵检测 (IDS) 系统与其他安全机制相结合，可对访问控制进行控制，并使用加密技术来保护系统安全。悬而未决，构建了一种有效检测异常现象的系统量子自动学徒机 (QML) 是一种具有革命性能力的变压器的潜力。预防网络异常检测/防御网络入侵和网络攻击 1) 规范。提高执行时间、学徒能力和效率以及 2) 改善异常检测能力的意义。