Network Anomaly Detection with Quantum Machine Learning

网络入侵和网络攻击会危及互联系统的安全，并给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)与其他安全机制(如访问控制和加密技术)一起部署，以进一步保护系统。网络入侵检测可以通过识别网络监控数据集中的异常并查找潜在问题来执行。然而，构建有效的网络异常检测系统在理论和实践上都面临着许多挑战。该项目的目标是设计和开发一个使用量子机器学习(QML)算法的网络异常检测框架。量子机器学习有可能革命性地改变检测网络异常的能力，从而防止/防御网络入侵和网络攻击。这一伙伴关系的主要成果是用QML实现了异常检测框架。这一框架有可能实现：1)在执行时间、容量和学习效率方面有巨大进步；2)异常检测能力有显著改进。#(Cr)#(Lf)网络入侵和网络攻击危险与威胁Sécuritédes Systèmes ConnectéS et apporter des Dommages irréversibleàleur funcnnement。最具体的是批评火车、车辆自动驾驶等系统的安全问题。入侵检测系统对S的入侵行为进行了调查，并提出了S和S等关于系统安全的建议。对入侵行为的保护有效地识别了异常情况，并对可能发生的情况进行了监视。通常情况下，建筑和系统的效率会使异常情况得到保护，而不是面子。L的目标是利用自动量化的算法实现对干部的保护和发展。L的学徒机量化了一台潜在的变压器和一台大容量检测设备，以防止网络入侵和网络攻击。这是一项非常重要的工作，也是一项重要的工作。干部的素质1)常态临时工，能力和学徒2)能力显著的S检测异常。

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.