تختبر الدراسة إمكانات خوارزميتين للتعلم الآلي الكمي لتصنيف البرامج الضارة
على مدى العقود الماضية، أصبح المهاجمون السيبرانيون أكثر مهارة في اختراق الأنظمة والتحايل على التدابير الأمنية.
نتيجة لذلك، يعد اكتشاف البرامج الضارة والتعرف عليها بدقة تحديًا ملحًا للعديد من الشركات والأفراد في جميع أنحاء العالم.
قام خبراء الأمن السيبراني مؤخرًا باستكشاف إمكانات تقنيات التعلم الآلي لتصنيف البرامج الضارة وتحديد الإجراءات التي يجب اتخاذها للقضاء عليها.
في حين أن بعض هذه التقنيات حققت نتائج واعدة، أظهرت الدراسات أن العديد منها يمكن أن ينخدع أو يفشل في التعرف بدقة على البرامج الضارة التي لم يواجهوها من قبل.
على أمل تحديد طرق أكثر موثوقية لتصنيف البرامج الضارة، أجرى الباحثون في شركة Orange Innovation Inc. مؤخرًا دراسة لتقييم إمكانات الإصدار الكمي من خوارزميات التعلم الآلي.
تقدم ورقتهم، المنشورة مسبقًا على arXiv، بعض الأفكار الأولية حول نقاط القوة والقيود لنوعين من نماذج التعلم الآلي الكمي، وتحدد الاتجاهات التي يمكن استكشافها في أبحاث الأمن السيبراني المستقبلية.
قال توني كويرتييه، المؤلف المشارك للورقة البحثية، لموقع Tech Xplore: “أعمل على استخدام الذكاء الاصطناعي لتحليل البرامج الضارة منذ عام 2019”.
“مع Grégoire Barrué، الذي بدأ عمله بعد الدكتوراه في أكتوبر، نريد استكشاف ما يمكن أن تقدمه تكنولوجيا الكم لهذه المشكلة. نظرًا لأن كلانا لديه خلفية رياضية في مجالين متكاملين، نأمل أن نكون قادرين على الاستفادة من نظريتنا المعرفة لفهم هذا الموضوع “.
يعتقد Quertier وBarrué أن التعلم الآلي الكمي يمكن أن يسمح للمستخدمين باستخراج المزيد من المعلومات من بيانات أقل.
لاختبار هذه الفرضية في سياق تصنيف البرامج الضارة، قاموا حتى الآن بتقييم أداء نموذجين مختلفين لتعلم الآلة الكمومية، والمعروفين باسم QSVM وQNN.
وأوضح كويرتير أن ” الخوارزمية الأولى التي اختبرناها هي QSVM بسيطة، وهي تكيف لخوارزمية آلات المتجهات الداعمة في الكم”. “ثم اختبرنا أيضًا QNN، وهو تكيف كمي لشبكة عصبية كلاسيكية.
وجدنا النتائج مشجعة للغاية، حيث قمنا بتدريبهم على القليل من البيانات ومع، في الوقت الحالي، طريقتان بسيطتان للتحسين (SPSB وإعادة تحميل البيانات). “
في التقييمات الأولية التي أجروها، وجد Quertier وBarrué أن خوارزمية QSVM حققت نتائج واعدة للغاية، حيث تفوقت على بعض أجهزة SVM الكلاسيكية الخاصة بالفريق لتصنيف البرامج الضارة في العديد من المعلمات.
من ناحية أخرى، يمكن لشبكة QNN، التي تم تحسينها فقط من خلال إعادة تحميل البيانات واستخدام تقنية تُعرف باسم SPSB، تصنيف البرامج الضارة بدقة تصل إلى 87٪. هذا جيد جدًا، نظرًا لأنه تم تدريبه أيضًا على كمية محدودة من البيانات.
قال كويرتييه: “من الواضح أن هذه الدقة ليست بنفس جودة إصداراتنا الكلاسيكية من الخوارزمية، لكن إصداراتنا الكلاسيكية مدربة على مليون بيانات، بينما استخدمنا هنا 1000 عينة فقط”.
“بالنسبة للنهج الأول، هذا يتجاوز ما توقعناه. بالنسبة لي، الشيء الأكثر إثارة للاهتمام هو قدرة تقنيات التعلم الآلي الكمومي على التعلم من بيانات التدريب المحدودة.
لقد أصبحنا نعتمد بشكل كبير على وجود الكثير من البيانات والموارد الحسابية. ومع ذلك، في بعض المجالات، ليس من السهل الحصول على الكثير من البيانات. “
يتمثل الهدف الزائد للجهود البحثية المستمرة من قبل Quertier وBarrué في تحسين الخوارزميات حتى يتمكنوا من استخراج قدر أكبر من المعلومات بكفاءة من كمية محدودة من البيانات.
في دراساتهم التالية، يخططون لاستكشاف إمكانات الإصدارات الكمية الأخرى من خوارزميات التعلم الآلي، مثل الشبكات التلافيفية الكمومية (QCCNs)، مع استخدام الرياضيات أيضًا لتحسين البيانات المتاحة وتحليلها بشكل أفضل.
“على سبيل المثال، يمكن أن تسمح لنا نظرية لاي بتحديد عدد المعلمات لتحقيق زيادة في المعلمات (عندما يحتوي النموذج على عدد كافٍ من المعلمات بحيث تصل مصفوفة معلومات فيشر إلى مرتبتها القصوى، وبالتالي تتمتع بسعة قصوى) أو حتى تحديد التماثلات في البيانات ونكيف البوابات الكمية التي نستخدمها “. “
في أكتوبر 2023، ستبدأ أطروحة دكتوراه حول هذا الموضوع، والتي سيشرف عليها دانيال جوتو المتخصص في هذا [النوع] من الرياضيات.”
المصدر: techxplore
قد يهمك:
خدمات التمويل لي شركة متاجر للتمويل
