المتانة الخصومية لمصنّف كمّي متغيّري لكشف التسلل الشبكي

الشيفرة والمعاملات المدرَّبة والنتائج الخاصة بالورقة البحثية FGSM Attack Transferability from Simulation to Quantum Hardware in Network Intrusion Detection، المؤتمر الدولي للذكاء الاصطناعي الكمّي (QAI) 2026 التابع لمعهد IEEE.

الأرقام الواردة في الورقة مستمدة من ملفات JSON الموجودة في results/. والسكربتات هنا هي التي أنتجت تلك الملفات.

الملفات

src/        experiment scripts, numbered in run order
data/       preprocessed splits (the raw CICIDS2017 CSVs are not included)
models/     trained circuit parameters
results/    one JSON per experiment
figures/    the two figures in the paper

المتطلبات

python >= 3.10
pennylane == 0.44.1
qiskit-ibm-runtime
numpy, scipy, scikit-learn, pandas, matplotlib

ثبّت باستخدام pip install -r requirements.txt.

يعمل السكربتان 08 و09 على عتاد حقيقي، لذا يحتاجان إلى حساب IBM Quantum. انسخ .env.example وضع رمزك المميز ونسختك (instance) فيه. ثم عيّنهما كمتغيرات بيئة. تقرأ السكربتات بيانات الاعتماد من البيئة فقط.

البيانات

الالتقاط الخام ليس هنا. نزّل CICIDS2017 من المعهد الكندي للأمن السيبراني وضع Friday-WorkingHours-Afternoon-DDos.pcap_ISCX.csv في data/. هذا هو الملف الوحيد المستخدم.

يبني 01_preprocess.py التقسيمات الأربعة بصيغة .npy. يجب أن تحصل على 1134 عينة هجوم و866 عينة سليمة في التدريب. وفي الاختبار، 284 هجومًا و216 سليمة. الأعداد المختلفة تعني ملف التقاط مختلفًا، أو إصدار scikit-learn مختلفًا.

كيفية التشغيل

شغّل السكربتات بترتيب أرقامها. تحتاج السكربتات من 04 إلى 07 إلى أن تكون السكربتات 01 و02 و03 قد شُغّلت أولًا.

السكربت	يُنتج	مدة التشغيل
01_preprocess.py	التقسيمات الأربعة في data/	ثوانٍ
02_train_narrow_margin.py	models/clean_params.npy	ثوانٍ
03_retrain_poisoning_and_noise.py	نماذج مسمومة ومشوّشة، وملفّا نتائج	عدة ساعات
04_epsilon_sweep.py	results/epsilon_sweep.json	أقل من دقيقة
05_compare_attack_guidance.py	results/gradient_vs_untargeted.json	أقل من دقيقة
06_finish_rq3.py	خط الأساس الخالي من التشويش ومسح FGSM للتشويش	نحو ساعة
07_margin_control.py	results/margin_control.json	بضع دقائق
08_run_hardware_models.py	results/hardware_clean_vs_poisoned.json	وقت الانتظار في الطابور
09_run_hardware_fgsm.py	results/hardware_fgsm_adam.json	وقت الانتظار في الطابور
10_convert_hardware_results.py	results/hardware_fgsm_cobyla.json	ثوانٍ
make_figures.py	الشكلان	ثوانٍ

السكربت 03 هو البطيء. فهو يحاكي مصفوفات الكثافة، وهو ما يكلّف نحو ست عشرة دقيقة لكل تهيئة. يدرّب ثلاث تهيئات عند كل مستوى من مستويات التشويش الثلاثة.

ترسل سكربتات العتاد جميع دوائرها في مهمة واحدة. ثم تشترك كل دائرة في المهمة في حالة معايرة واحدة. يأخذ كلا السكربتين الخيار --dry-run، الذي يحوّل (transpiles) كل شيء ويطبع إحصاءات الدوائر دون إرسال أي شيء.

أي ملف يُنتج أي نتيجة

الورقة	ملف النتيجة	السكربت
الجدول I، التسميم	poisoning_retrained.json	03
الجدول II، FGSM مقابل غير المستهدف	gradient_vs_untargeted.json	05
الجدول III، المحاكاة مقابل العتاد	hardware_clean_vs_poisoned.json، hardware_fgsm_adam.json	08، 09
الجدول IV، التشويش مزيل الاستقطاب	noise_retrained.json، noise_fgsm_sweep.json، noiseless_400_baseline.json	03، 06
الشكل 1، الانتقال إلى العتاد	hardware_fgsm_adam.json، hardware_fgsm_cobyla.json	09، 10
الشكل 2، الدقة والهامش تحت التشويش	نفس الجدول IV	03، 06
القسم IV-A، خط الأساس النظيف	clean_history.json، noise_retrained.json	02، 03
القسم IV-C، هوامش القرار	epsilon_sweep.json	04
القسم VI، التحكم في الهامش	margin_control.json	07

النماذج المدرَّبة

الملف	ما هو
clean_params.npy	مصنّف ضيق الهامش، COBYLA، دقة 86.8% عند هامش 0.07
noisy_0.0_params.npy	مصنّف واسع الهامش، Adam، دقة 92.2% عند هامش 0.54
noisy_0.0_params_400.npy	نموذج خالٍ من التشويش مدرَّب على المجموعة الفرعية ذات 400 عينة، للمقارنة عبر مستويات التشويش
noisy_0.001_params.npy، noisy_0.01_params.npy، noisy_0.05_params.npy	واحد لكل مستوى من مستويات التشويش مزيل الاستقطاب
poisoned_5pct_params.npy، poisoned_10pct_params.npy، poisoned_15pct_params.npy	واحد لكل معدل من معدلات قلب التسميات

تشغيلات العتاد

استخدمت جميع التشغيلات IBM Fez، وهو معالج Heron r2 بـ 156 كيوبت. 1024 لقطة لكل دائرة، عبر Qiskit Runtime SamplerV2. وكان التحويل (transpilation) عند مستوى التحسين 1.

أرسل كل تشغيل الدائرة المنطقية نفسها: عمق 20 مع 12 بوابة ثنائية الكيوبت. يحوّلها التحويل إلى كيوبتات فيزيائية، وهو ما يغيّر كلا الرقمين في كل إرسال.

النتيجة	السكربت	الدوائر	العمق بعد الترجمة	بوابات ثنائية الكيوبت
دقة النموذج النظيف والمسموم	08	100	100	27
نقل FGSM، نموذج واسع الهامش	09	150	87	42
نقل FGSM، نموذج ضيق الهامش	كود سابق، استُبدل بالسكربت 09	400	غير مسجّل	غير مسجّل

تعود تجربة النقل ضيقة الهامش إلى ما قبل السكربتات الموجودة في هذا المستودع. مخرجاتها هي results/transferability_hw_50_expA.json، والتي يحوّلها السكربت 10 إلى الصيغة التي تقرأها الأشكال. استخدمت التجربة نفس الدائرة ونفس مستوى التحسين المستخدم في السكربت 09.

يختلف العمقان المسجّلان. يختار المترجم الكيوبتات الفيزيائية باستخدام إرشادات تقريبية، لذا تُسقَط الدائرة نفسها بشكل مختلف في كل إرسال. ومع ذلك، اتفقت التجربتان مع المحاكاة.

ما لا يمكنك إعادة إنتاجه

تعتمد نتائج العتاد على حالة المعايرة الخاصة بالجهاز في ذلك اليوم. أرسل الدوائر نفسها مرة أخرى وستحصل على أعداد مختلفة. ملفات JSON هي سجل لما فعله الجهاز.

لا يمكن إعادة توليد models/clean_params.npy. جاءت معاملاته الأولية من حالة NumPy العشوائية العامة بدلاً من مولّد مزوّد ببذرة. يقوم 02_train_narrow_margin.py الآن بتهيئة بذرته، لذا فإن التشغيلات الجديدة قابلة لإعادة الإنتاج فيما بينها. لكنها تستقر في مكان آخر، والتباين واسع. يمكن لمحسّن بلا تدرّج على هدف عشوائي أن ينهار إلى التنبؤ بالفئة الأغلبية. يذكر السكربت ذلك عندما يحدث.

الباقي مزوّد ببذرة. لا تزال الدقة تتفاوت عبر التهيئات الأولية، لذا تُبلّغ السكربتات عن المتوسط والانحراف المعياري بدلاً من تشغيل واحد. يشرح القسم VI من الورقة السبب.

الاستشهاد

@inproceedings{ajmal2026fgsm,
  author    = {Ajmal, Zeeshan and Halunen, Kimmo and Mau{\ss}ner, Marc
               and Reers, Volker and Khan, Arif Ali},
  title     = {{FGSM} Attack Transferability from Simulation to Quantum
               Hardware in Network Intrusion Detection},
  booktitle = {IEEE International Conference on Quantum Artificial
               Intelligence (QAI)},
  year      = {2026},
  note      = {To appear},
}

الترخيص

الشيفرة بموجب رخصة MIT. راجع LICENSE.

تأتي CICIDS2017 من المعهد الكندي للأمن السيبراني وفقًا لشروطه الخاصة. ولا يُعاد توزيعها هنا.

شكر وتقدير

أُنجز هذا العمل بدعم من مشروع Business Finland (24304955) SeQuSoS. ونشكر استخدام خدمات IBM Quantum. الآراء المُعبَّر عنها هي آراء المؤلفين ولا تعكس السياسة الرسمية أو موقف IBM أو فريق IBM Quantum.