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危及互联系统的安全，并对其运行造成不可逆转的损害。对于火车车队、自动驾驶汽车等关键系统来说尤其如此。入侵检测系统（IDS）与访问控制和加密技术等其他安全机制一起部署，以进一步保护系统安全。网络入侵检测可以通过识别网络监控数据集中的异常并寻找潜在的问题来实现。然而，建立有效的网络异常检测系统在理论和实践中面临着许多挑战。该项目的目标是设计和开发一个使用量子机器学习（QML）算法进行网络异常检测的框架。量子机器学习有可能革命性地改变检测网络异常的能力，以防止/防御网络入侵和网络攻击。这一伙伴关系的主要成果是实现了QML异常检测框架。该框架有可能实现：1）执行时间，容量和学习效率的巨大进步，以及2）异常检测能力的显着改进。(cr)#（如果）网络入侵和网络攻击可能危及联网系统的安全和网络运作中的可转让资产。Cela尤其是对火车、车辆等系统的批评。入侵检测系统（IDS）是结合其他安全机制和密码技术而发展起来的，这些安全机制包括门禁控制和密码技术。网络入侵检测可以有效地识别网络监控系统中的异常情况，并研究潜在的问题。此外，有效检测电网异常的系统的构建在理论上和实践上都面临着挑战。该项目的目标是利用自动定量分析算法（QML）来检测网络异常。L'Assessage machine quantique a le potential de Transformer de manière révolutionnaire la capacité de detection des anomalies de réseau afin de prévenir/se défendre contre les cyber-intrusions et les cyber-attaques.该合作伙伴的主要成果是通过QML检测异常的干部的物质化。该干部具有以下潜力：1）在执行时间、能力和检测效率方面提高标准，2）显著改善异常检测能力。