
Code et résultats pour l'article QAI 2026 sur la transférabilité de l'attaque FGSM de la simulation vers le matériel quantique IBM.
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.
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
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.
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.
Exécutez les scripts dans l'ordre numérique. Les scripts 04 à 07 nécessitent que 01, 02 et 03 aient été exécutés au préalable.
| Script | Produit | Durée d'exécution |
|---|---|---|
01_preprocess.py | les quatre découpages dans data/ | quelques secondes |
02_train_narrow_margin.py | models/clean_params.npy | quelques secondes |
03_retrain_poisoning_and_noise.py | modèles empoisonnés et bruités, deux fichiers de résultats | plusieurs heures |
04_epsilon_sweep.py | results/epsilon_sweep.json | moins d'une minute |
05_compare_attack_guidance.py | results/gradient_vs_untargeted.json | moins d'une minute |
06_finish_rq3.py | référence sans bruit et balayage FGSM du bruit | environ une heure |
07_margin_control.py | results/margin_control.json | quelques minutes |
08_run_hardware_models.py | results/hardware_clean_vs_poisoned.json | temps d'attente en file |
09_run_hardware_fgsm.py | results/hardware_fgsm_adam.json | temps d'attente en file |
10_convert_hardware_results.py | results/hardware_fgsm_cobyla.json | quelques secondes |
make_figures.py | les deux figures | quelques 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.
| Article | Fichier de résultats | Script |
|---|---|---|
| Tableau I, empoisonnement | poisoning_retrained.json | 03 |
| Tableau II, FGSM contre non ciblé | gradient_vs_untargeted.json | 05 |
| Tableau III, simulation contre matériel | hardware_clean_vs_poisoned.json, hardware_fgsm_adam.json | 08, 09 |
| Tableau IV, bruit dépolarisant | noise_retrained.json, noise_fgsm_sweep.json, noiseless_400_baseline.json | 03, 06 |
| Figure 1, transfert vers le matériel | hardware_fgsm_adam.json, hardware_fgsm_cobyla.json | 09, 10 |
| Figure 2, précision et marge sous bruit | identique au Tableau IV | 03, 06 |
| Section IV-A, référence propre | clean_history.json, noise_retrained.json | 02, 03 |
| Section IV-C, marges de décision | epsilon_sweep.json | 04 |
| Section VI, contrôle de marge | margin_control.json | 07 |
| Fichier | Ce que c'est |
|---|---|
clean_params.npy | classifieur à marge étroite, COBYLA, précision de 86,8 % à une marge de 0,07 |
noisy_0.0_params.npy | classifieur à marge large, Adam, précision de 92,2 % à une marge de 0,54 |
noisy_0.0_params_400.npy | modèle 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.npy | un par niveau de bruit dépolarisant |
poisoned_5pct_params.npy, poisoned_10pct_params.npy, poisoned_15pct_params.npy | un par taux d'inversion d'étiquettes |
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.
| Résultat | Script | Circuits | Profondeur transpilée | Portes à deux qubits |
|---|---|---|---|---|
| Précision du modèle propre et empoisonné | 08 | 100 | 100 | 27 |
| Transfert FGSM, modèle à marge large | 09 | 150 | 87 | 42 |
| Transfert FGSM, modèle à marge étroite | code antérieur, remplacé par 09 | 400 | non enregistré | non 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.
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.
@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},
}
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.