
QAI 2026 पेपर के लिए सिमुलेशन से IBM क्वांटम हार्डवेयर तक FGSM हमले की स्थानांतरणीयता पर कोड और परिणाम।
पेपर FGSM Attack Transferability from Simulation to Quantum Hardware in Network Intrusion Detection, IEEE International Conference on Quantum Artificial Intelligence (QAI) 2026 के लिए कोड, प्रशिक्षित पैरामीटर और परिणाम।
पेपर में दिए गए आंकड़े results/ में मौजूद JSON फ़ाइलों से आते हैं। यहाँ दी गई
स्क्रिप्ट्स ने उन फ़ाइलों को बनाया।
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
pip install -r requirements.txt से इंस्टॉल करें।
स्क्रिप्ट 08 और 09 वास्तविक हार्डवेयर पर चलती हैं, इसलिए उन्हें एक IBM Quantum
खाते की आवश्यकता होती है। .env.example को कॉपी करें और उसमें अपना टोकन और इंस्टेंस डालें।
फिर उन्हें एनवायरनमेंट वेरिएबल के रूप में सेट करें। स्क्रिप्ट क्रेडेंशियल केवल
एनवायरनमेंट से पढ़ती हैं।
कच्चा कैप्चर यहाँ नहीं है। CICIDS2017 को
Canadian Institute for Cybersecurity
से डाउनलोड करें और Friday-WorkingHours-Afternoon-DDos.pcap_ISCX.csv को data/ में रखें।
यही एकमात्र फ़ाइल उपयोग की जाती है।
01_preprocess.py चारों .npy स्प्लिट बनाती है। प्रशिक्षण में आपको 1134
हमला और 866 सामान्य नमूने मिलने चाहिए। परीक्षण में, 284 हमला और 216
सामान्य। भिन्न संख्याओं का अर्थ है भिन्न कैप्चर फ़ाइल, या भिन्न
scikit-learn संस्करण।
स्क्रिप्ट को संख्या क्रम में चलाएँ। स्क्रिप्ट 04 से 07 के लिए 01, 02 और 03 का पहले चल चुका होना आवश्यक है।
| स्क्रिप्ट | उत्पादन | रनटाइम |
|---|---|---|
01_preprocess.py | data/ में चारों स्प्लिट | सेकंड |
02_train_narrow_margin.py | models/clean_params.npy | सेकंड |
03_retrain_poisoning_and_noise.py | ज़हरीले और शोरयुक्त मॉडल, दो परिणाम फ़ाइलें | कई घंटे |
04_epsilon_sweep.py | results/epsilon_sweep.json | एक मिनट से कम |
05_compare_attack_guidance.py | results/gradient_vs_untargeted.json | एक मिनट से कम |
06_finish_rq3.py | शोर-रहित बेसलाइन और शोर FGSM स्वीप | लगभग एक घंटा |
07_margin_control.py | results/margin_control.json | कुछ मिनट |
08_run_hardware_models.py | results/hardware_clean_vs_poisoned.json | कतार समय |
09_run_hardware_fgsm.py | results/hardware_fgsm_adam.json | कतार समय |
10_convert_hardware_results.py | results/hardware_fgsm_cobyla.json | सेकंड |
make_figures.py | दोनों आकृतियाँ | सेकंड |
स्क्रिप्ट 03 धीमी है। यह घनत्व आव्यूहों का अनुकरण करती है, जिसमें प्रति इनिशियलाइज़ेशन लगभग सोलह मिनट लगते हैं। यह तीन शोर स्तरों में से प्रत्येक पर तीन इनिशियलाइज़ेशन प्रशिक्षित करती है।
हार्डवेयर स्क्रिप्ट अपने सभी सर्किट एक ही जॉब में भेजती हैं। जॉब में प्रत्येक सर्किट
फिर समान कैलिब्रेशन स्थिति साझा करता है। दोनों स्क्रिप्ट --dry-run लेती हैं, जो
सब कुछ ट्रांसपाइल करता है और सर्किट आँकड़े प्रिंट करता है
बिना कुछ भेजे।
| पेपर | परिणाम फ़ाइल | स्क्रिप्ट |
|---|---|---|
| तालिका I, ज़हरीलापन | poisoning_retrained.json | 03 |
| तालिका II, अनटार्गेटेड के विरुद्ध FGSM | gradient_vs_untargeted.json | 05 |
| तालिका III, हार्डवेयर के विरुद्ध अनुकरण | hardware_clean_vs_poisoned.json, hardware_fgsm_adam.json | 08, 09 |
| तालिका IV, डीपोलराइज़िंग शोर | noise_retrained.json, noise_fgsm_sweep.json, noiseless_400_baseline.json | 03, 06 |
| आकृति 1, हार्डवेयर पर स्थानांतरण | hardware_fgsm_adam.json, hardware_fgsm_cobyla.json | 09, 10 |
| आकृति 2, शोर के अंतर्गत सटीकता और मार्जिन | तालिका IV के समान | 03, 06 |
| अनुभाग IV-A, स्वच्छ बेसलाइन | clean_history.json, noise_retrained.json | 02, 03 |
| अनुभाग IV-C, निर्णय मार्जिन | epsilon_sweep.json | 04 |
| अनुभाग VI, मार्जिन नियंत्रण | margin_control.json | 07 |
| फ़ाइल | यह क्या है |
|---|---|
clean_params.npy | संकीर्ण-मार्जिन क्लासिफायर, COBYLA, मार्जिन 0.07 पर 86.8% सटीकता |
noisy_0.0_params.npy | चौड़े-मार्जिन क्लासिफायर, Adam, मार्जिन 0.54 पर 92.2% सटीकता |
noisy_0.0_params_400.npy | 400-नमूना उपसमुच्चय पर प्रशिक्षित शोर-रहित मॉडल, शोर स्तरों में तुलना के लिए |
noisy_0.001_params.npy, noisy_0.01_params.npy, noisy_0.05_params.npy | प्रत्येक डीपोलराइज़िंग शोर स्तर के लिए एक |
poisoned_5pct_params.npy, poisoned_10pct_params.npy, poisoned_15pct_params.npy | प्रत्येक लेबल-फ़्लिपिंग दर के लिए एक |
सभी रनों में IBM Fez का उपयोग किया गया, जो एक 156-क्यूबिट Heron r2 प्रोसेसर है। प्रति सर्किट 1024 शॉट, Qiskit Runtime SamplerV2 के माध्यम से। ट्रांसपाइलेशन ऑप्टिमाइज़ेशन स्तर 1 पर था।
प्रत्येक रन ने समान लॉजिकल सर्किट सबमिट किया: 12 दो-क्यूबिट गेट्स के साथ गहराई 20। ट्रांसपाइलेशन इसे भौतिक क्यूबिट्स पर मैप करता है, जो प्रत्येक सबमिशन पर दोनों संख्याओं को बदल देता है।
| परिणाम | स्क्रिप्ट | सर्किट | ट्रांसपाइल्ड गहराई | दो-क्यूबिट गेट्स |
|---|---|---|---|---|
| स्वच्छ और ज़हरीले मॉडल की सटीकता | 08 | 100 | 100 | 27 |
| FGSM ट्रांसफर, वाइड-मार्जिन मॉडल | 09 | 150 | 87 | 42 |
| FGSM ट्रांसफर, नैरो-मार्जिन मॉडल | पुराना कोड, 09 द्वारा प्रतिस्थापित | 400 | दर्ज नहीं | दर्ज नहीं |
नैरो-मार्जिन ट्रांसफर रन इस रिपॉज़िटरी की स्क्रिप्ट्स से पहले का है।
इसका आउटपुट results/transferability_hw_50_expA.json है, जिसे स्क्रिप्ट 10
उस फ़ॉर्मेट में बदलती है जिसे फ़िगर पढ़ते हैं। इस रन में वही सर्किट
और वही ऑप्टिमाइज़ेशन स्तर इस्तेमाल हुआ जो स्क्रिप्ट 09 में है।
दर्ज दोनों गहराइयाँ अलग हैं। ट्रांसपाइलर भौतिक क्यूबिट्स को ह्यूरिस्टिक के आधार पर चुनता है, इसलिए वही सर्किट हर सबमिशन पर अलग तरह से मैप होता है। दोनों रन फिर भी सिमुलेशन से मेल खाते थे।
हार्डवेयर परिणाम उस दिन डिवाइस की कैलिब्रेशन स्थिति पर निर्भर करते हैं। वही सर्किट दोबारा भेजें और आपको अलग काउंट मिलेंगे। JSON फ़ाइलें इस बात का रिकॉर्ड हैं कि डिवाइस ने क्या किया।
models/clean_params.npy को फिर से जनरेट नहीं किया जा सकता। इसके प्रारंभिक पैरामीटर
सीडेड जनरेटर के बजाय ग्लोबल NumPy रैंडम स्टेट से आए थे।
02_train_narrow_margin.py अब अपने इनिशियलाइज़ेशन को सीड करती है, इसलिए नए रन
आपस में पुनरुत्पादनीय हैं। हालाँकि, वे कहीं और पहुँचते हैं, और
फैलाव व्यापक है। स्टोकेस्टिक ऑब्जेक्टिव पर एक ग्रेडिएंट-मुक्त ऑप्टिमाइज़र
बहुमत वर्ग की भविष्यवाणी करने पर सिमट सकता है। जब ऐसा होता है तो स्क्रिप्ट
यह बताती है।
बाकी सीडेड है। सटीकता फिर भी इनिशियलाइज़ेशन के अनुसार बदलती है, इसलिए स्क्रिप्ट्स एक रन के बजाय माध्य और मानक विचलन रिपोर्ट करती हैं। पेपर का खंड VI बताता है कि ऐसा क्यों है।
@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},
}
कोड MIT है। देखें LICENSE।
CICIDS2017 कनाडाई साइबर सुरक्षा संस्थान से उसकी अपनी शर्तों के अंतर्गत आता है। इसे यहाँ पुनर्वितरित नहीं किया गया है।
इस कार्य को बिज़नेस फ़िनलैंड परियोजना (24304955) SeQuSoS द्वारा समर्थित किया गया था। हम IBM Quantum सेवाओं के उपयोग को स्वीकार करते हैं। व्यक्त किए गए विचार लेखकों के हैं और IBM या IBM Quantum टीम की आधिकारिक नीति या स्थिति को प्रतिबिंबित नहीं करते हैं।