Skip to content
KitploitKITPLOIT
OutilsExploitsBlog
Log in
Soumettre
OutilsExploitsBlog
Soumettre

Outils de Hacking, PenTest et Cybersécurité pour votre Arsenal de Sécurité !

Kitploit est un répertoire d'outils de hacking, de cybersécurité et de pentesting. Découvrez les dernières mises à jour des projets pour trouver des vulnérabilités, analyser des systèmes, automatiser les tests et renforcer votre sécurité.

FluxContactConfidentialité© 2026 Kitploit

Répertoire d'outils

Catégories

Voir toutes les catégories
Loading categories
qai2026-fgsm-transfer — Code et résultats pour l'article QAI 2026 sur la transférabilité de l'attaque FGSM de la simulation vers le matériel quantique IBM. | Kitploit
Outils/GitHubGitHub/xeeshanajmal/qai2026-fgsm-transfer
Sécurité RéseauApprentissage AutomatiqueDétection d'IntrusionArticles et RechercheSécurité de l'IAAttaque Adversariale
GitHubxeeshanajmal/qai2026-fgsm-transfer

qai2026-fgsm-transfer

Code et résultats pour l'article QAI 2026 sur la transférabilité de l'attaque FGSM de la simulation vers le matériel quantique IBM.

Voir le dépôt
149il y a 1 moisPas encore vérifié
Partager

Robustesse adversariale d'un classifieur quantique variationnel pour la détection d'intrusion réseau

Code, paramètres entraînés et résultats pour l'article FGSM Attack Transferability from Simulation to Quantum Hardware in Network Intrusion Detection, IEEE International Conference on Quantum Artificial Intelligence (QAI) 2026.

Les chiffres de l'article proviennent des fichiers JSON dans results/. Les scripts présents ici ont produit ces fichiers.

Fichiers

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

Prérequis

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

Installez avec pip install -r requirements.txt.

Les scripts 08 et 09 s'exécutent sur du matériel réel, ils nécessitent donc un compte IBM Quantum. Copiez .env.example et placez-y votre propre jeton et votre instance. Définissez-les ensuite comme variables d'environnement. Les scripts lisent les identifiants uniquement depuis l'environnement.

Données

La capture brute n'est pas incluse ici. Téléchargez CICIDS2017 depuis le Canadian Institute for Cybersecurity et placez Friday-WorkingHours-Afternoon-DDos.pcap_ISCX.csv dans data/. C'est le seul fichier utilisé.

01_preprocess.py construit les quatre découpages .npy. Vous devriez obtenir 1134 échantillons d'attaque et 866 bénins en entraînement. En test, 284 attaques et 216 bénins. Des décomptes différents signifient un fichier de capture différent, ou une version différente de scikit-learn.

Comment exécuter

Exécutez les scripts dans l'ordre numérique. Les scripts 04 à 07 nécessitent que 01, 02 et 03 aient été exécutés au préalable.

ScriptProduitDurée d'exécution
01_preprocess.pyles quatre découpages dans data/quelques secondes
02_train_narrow_margin.pymodels/clean_params.npyquelques secondes
03_retrain_poisoning_and_noise.pymodèles empoisonnés et bruités, deux fichiers de résultatsplusieurs heures
04_epsilon_sweep.pyresults/epsilon_sweep.jsonmoins d'une minute
05_compare_attack_guidance.pyresults/gradient_vs_untargeted.jsonmoins d'une minute
06_finish_rq3.pyréférence sans bruit et balayage FGSM du bruitenviron une heure
07_margin_control.pyresults/margin_control.jsonquelques minutes
08_run_hardware_models.pyresults/hardware_clean_vs_poisoned.jsontemps d'attente en file
09_run_hardware_fgsm.pyresults/hardware_fgsm_adam.jsontemps d'attente en file
10_convert_hardware_results.pyresults/hardware_fgsm_cobyla.jsonquelques secondes
make_figures.pyles deux figuresquelques secondes

Le script 03 est le plus lent. Il simule des matrices de densité, ce qui coûte environ seize minutes par initialisation. Il entraîne trois initialisations pour chacun des trois niveaux de bruit.

Les scripts matériels envoient tous leurs circuits dans une seule tâche. Chaque circuit d'une tâche partage alors le même état de calibration. Les deux scripts acceptent --dry-run, qui transpile tout et affiche les statistiques des circuits sans rien envoyer.

Quel fichier produit quel résultat

ArticleFichier de résultatsScript
Tableau I, empoisonnementpoisoning_retrained.json03
Tableau II, FGSM contre non ciblégradient_vs_untargeted.json05
Tableau III, simulation contre matérielhardware_clean_vs_poisoned.json, hardware_fgsm_adam.json08, 09
Tableau IV, bruit dépolarisantnoise_retrained.json, noise_fgsm_sweep.json, noiseless_400_baseline.json03, 06
Figure 1, transfert vers le matérielhardware_fgsm_adam.json, hardware_fgsm_cobyla.json09, 10
Figure 2, précision et marge sous bruitidentique au Tableau IV03, 06
Section IV-A, référence propreclean_history.json, noise_retrained.json02, 03
Section IV-C, marges de décisionepsilon_sweep.json04
Section VI, contrôle de margemargin_control.json07

Modèles entraînés

FichierCe que c'est
clean_params.npyclassifieur à marge étroite, COBYLA, précision de 86,8 % à une marge de 0,07
noisy_0.0_params.npyclassifieur à marge large, Adam, précision de 92,2 % à une marge de 0,54
noisy_0.0_params_400.npymodèle sans bruit entraîné sur le sous-ensemble de 400 échantillons, pour comparer entre niveaux de bruit
noisy_0.001_params.npy, noisy_0.01_params.npy, noisy_0.05_params.npyun par niveau de bruit dépolarisant
poisoned_5pct_params.npy, poisoned_10pct_params.npy, poisoned_15pct_params.npyun par taux d'inversion d'étiquettes

Exécutions sur matériel

Toutes les exécutions ont utilisé IBM Fez, un processeur Heron r2 de 156 qubits. 1024 shots par circuit, via Qiskit Runtime SamplerV2. La transpilation était au niveau d'optimisation 1.

Chaque exécution soumettait le même circuit logique : profondeur 20 avec 12 portes à deux qubits. La transpilation le mappe sur des qubits physiques, ce qui modifie les deux nombres à chaque soumission.

RésultatScriptCircuitsProfondeur transpiléePortes à deux qubits
Précision du modèle propre et empoisonné0810010027
Transfert FGSM, modèle à marge large091508742
Transfert FGSM, modèle à marge étroitecode antérieur, remplacé par 09400non enregistrénon enregistré

L'exécution du transfert à marge étroite précède les scripts de ce dépôt. Sa sortie est results/transferability_hw_50_expA.json, que le script 10 convertit dans le format lu par les figures. L'exécution a utilisé le même circuit et le même niveau d'optimisation que le script 09.

Les deux profondeurs enregistrées diffèrent. Le transpileur choisit les qubits physiques par heuristique, de sorte que le même circuit se mappe différemment à chaque soumission. Les deux exécutions concordaient néanmoins avec la simulation.

Ce que vous ne pouvez pas reproduire

Les résultats matériels dépendent de l'état de calibration de l'appareil ce jour-là. Envoyez les mêmes circuits à nouveau et vous obtenez des comptages différents. Les fichiers JSON sont l'enregistrement de ce que l'appareil a fait.

models/clean_params.npy ne peut pas être régénéré. Ses paramètres initiaux provenaient de l'état aléatoire global de NumPy au lieu d'un générateur avec graine. 02_train_narrow_margin.py initialise désormais son initialisation avec une graine, de sorte que les nouvelles exécutions sont reproductibles entre elles. Elles aboutissent ailleurs, cependant, et la dispersion est large. Un optimiseur sans gradient sur un objectif stochastique peut s'effondrer en prédisant la classe majoritaire. Le script le signale lorsque cela se produit.

Le reste est initialisé avec une graine. La précision varie toujours selon les initialisations, donc les scripts rapportent la moyenne et l'écart type au lieu d'une seule exécution. La section VI de l'article explique pourquoi.

Citation

@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},
}

Licence

Le code est sous licence MIT. Voir LICENSE.

CICIDS2017 provient du Canadian Institute for Cybersecurity selon ses propres conditions. Il n'est pas redistribué ici.

Remerciements

Télécharger l’outil

Populaires

Voir tout →

Découvrez les outils les plus utilisés par notre communauté.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 La boîte à outils OSINT ultime : graphe d'enquête, notation de confiance, familles d'alias, carte, chronologie et rapports. 49 modules, plus de 400 sites, aucune clé API requise.

    755
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Application d'exécution en un clic GhostLock (CVE-2026-43499)

    510
  • 3

    ARTEX

    baarai/artex

    Plateforme autonome de tests d'intrusion multi-agents basée sur des LLM, avec agents planificateur/ouvrier, graphes d'actifs et d'exploration, enregistrement du trafic MITM et retest des vulnérabilités.

    415
  • 4

    redforge

    cybersecurity91/redforge

    Boîte à outils red team côté navigateur avec 102 outils hors ligne pour la reconnaissance, la génération de payloads, les attaques par identifiants, la cryptographie, l'encodage et le reporting d'engagement.

    343
  • 5

    antifox

    antifox-ai/antifox

    Plateforme de test d'intrusion autonome multi-agents par IA qui exécute la reconnaissance, la découverte de la surface d'attaque, la validation de l'exploitation et la livraison de rapports étayés par des preuves.

    259
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Le système d'action pour la cybersécurité native IA—où l'intention devient une exécution gouvernée, les preuves deviennent une mémoire opérationnelle, et chaque opération améliore la suivante.

    258

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →