Skip to content
KitploitKITPLOIT
उपकरणएक्सप्लॉइटब्लॉग
Log in
जमा करें
उपकरणएक्सप्लॉइटब्लॉग
जमा करें

हैकिंग, पेनटेस्ट और साइबर सुरक्षा उपकरण आपके सुरक्षा शस्त्रागार के लिए!

Kitploit हैकिंग, साइबर सुरक्षा और पेंटेस्टिंग टूल्स की एक निर्देशिका है। कमजोरियों को खोजने, सिस्टम का विश्लेषण करने, परीक्षण को स्वचालित करने और अपनी सुरक्षा को मजबूत करने के लिए नवीनतम प्रोजेक्ट अपडेट खोजें।

फ़ीडसंपर्कगोपनीयता© 2026 Kitploit

टूल निर्देशिका

श्रेणियाँ

सभी श्रेणियाँ देखें
Loading categories
उपकरण/GitHubGitHub/xeeshanajmal/qai2026-fgsm-transfer
नेटवर्क सुरक्षामशीन लर्निंगघुसपैठ का पता लगानापेपर और शोधAI सुरक्षाप्रतिकूल हमला
GitHubxeeshanajmal/qai2026-fgsm-transfer

qai2026-fgsm-transfer

QAI 2026 पेपर के लिए सिमुलेशन से IBM क्वांटम हार्डवेयर तक FGSM हमले की स्थानांतरणीयता पर कोड और परिणाम।

साझा करें
रिपॉजिटरी देखें
1491 महीना पहलेअभी तक समीक्षित नहीं

नेटवर्क घुसपैठ का पता लगाने के लिए एक वेरिएशनल क्वांटम क्लासिफायर की प्रतिकूल मजबूती

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।

फ़ाइलें

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

आवश्यकताएँ

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।

डेटा

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।

कैसे चलाएँ

स्क्रिप्ट को संख्या क्रम में चलाएँ। स्क्रिप्ट 04 से 07 के लिए 01, 02 और 03 का पहले चल चुका होना आवश्यक है।

स्क्रिप्टउत्पादनरनटाइम
01_preprocess.pydata/ में चारों स्प्लिटसेकंड
02_train_narrow_margin.pymodels/clean_params.npyसेकंड
03_retrain_poisoning_and_noise.pyज़हरीले और शोरयुक्त मॉडल, दो परिणाम फ़ाइलेंकई घंटे
04_epsilon_sweep.pyresults/epsilon_sweep.jsonएक मिनट से कम
05_compare_attack_guidance.pyresults/gradient_vs_untargeted.jsonएक मिनट से कम
06_finish_rq3.pyशोर-रहित बेसलाइन और शोर FGSM स्वीपलगभग एक घंटा
07_margin_control.pyresults/margin_control.jsonकुछ मिनट
08_run_hardware_models.pyresults/hardware_clean_vs_poisoned.jsonकतार समय
09_run_hardware_fgsm.pyresults/hardware_fgsm_adam.jsonकतार समय
10_convert_hardware_results.pyresults/hardware_fgsm_cobyla.jsonसेकंड
make_figures.pyदोनों आकृतियाँसेकंड

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।

कौन सी फ़ाइल कौन सा परिणाम बनाती है

पेपरपरिणाम फ़ाइलस्क्रिप्ट
तालिका I, ज़हरीलापनpoisoning_retrained.json03
तालिका II, अनटार्गेटेड के विरुद्ध FGSMgradient_vs_untargeted.json05
तालिका III, हार्डवेयर के विरुद्ध अनुकरणhardware_clean_vs_poisoned.json, hardware_fgsm_adam.json08, 09
तालिका IV, डीपोलराइज़िंग शोरnoise_retrained.json, noise_fgsm_sweep.json, noiseless_400_baseline.json03, 06
आकृति 1, हार्डवेयर पर स्थानांतरणhardware_fgsm_adam.json, hardware_fgsm_cobyla.json09, 10
आकृति 2, शोर के अंतर्गत सटीकता और मार्जिनतालिका IV के समान03, 06
अनुभाग IV-A, स्वच्छ बेसलाइनclean_history.json, noise_retrained.json02, 03
अनुभाग IV-C, निर्णय मार्जिनepsilon_sweep.json04
अनुभाग VI, मार्जिन नियंत्रणmargin_control.json07

प्रशिक्षित मॉडल

फ़ाइलयह क्या है
clean_params.npyसंकीर्ण-मार्जिन क्लासिफायर, COBYLA, मार्जिन 0.07 पर 86.8% सटीकता
noisy_0.0_params.npyचौड़े-मार्जिन क्लासिफायर, Adam, मार्जिन 0.54 पर 92.2% सटीकता
noisy_0.0_params_400.npy400-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.npyप्रत्येक डीपोलराइज़िंग शोर स्तर के लिए एक
poisoned_5pct_params.npy, poisoned_10pct_params.npy, poisoned_15pct_params.npyप्रत्येक लेबल-फ़्लिपिंग दर के लिए एक

हार्डवेयर रन

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।

परिणामस्क्रिप्टसर्किटट्रांसपाइल्ड गहराईदो-क्यूबिट गेट्स
स्वच्छ और ज़हरीले मॉडल की सटीकता0810010027
FGSM ट्रांसफर, वाइड-मार्जिन मॉडल091508742
FGSM ट्रांसफर, नैरो-मार्जिन मॉडलपुराना कोड, 09 द्वारा प्रतिस्थापित400दर्ज नहींदर्ज 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।

जो आप पुनः उत्पन्न नहीं कर सकते

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।

उद्धरण

@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},
}

लाइसेंस

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।

आभार

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।

टूल डाउनलोड करें

सबसे लोकप्रिय

सभी देखें →

हमारे समुदाय द्वारा सबसे अधिक उपयोग किए जाने वाले उपकरण खोजें।

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 अंतिम OSINT टूलकिट: जाँच ग्राफ़, विश्वास स्कोरिंग, उपनाम परिवार, मानचित्र, टाइमलाइन और रिपोर्ट। 49 मॉड्यूल, 400+ साइटें, किसी API कुंजी की आवश्यकता नहीं।

    891
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # घोस्टलॉक वन-टैप निष्पादन ऐप (CVE-2026-43499)

    547
  • 3

    ARTEX

    baarai/artex

    प्लानर/वर्कर एजेंट, एसेट और एक्सप्लोरेशन ग्राफ़, MITM ट्रैफ़िक रिकॉर्डिंग, और भेद्यता पुनःपरीक्षण के साथ LLM मल्टी-एजेंट स्वायत्त पेनेट्रेशन टेस्टिंग प्लेटफ़ॉर्म।

    369
  • 4

    redforge

    cybersecurity91/redforge

    ब्राउज़र-साइड रेड टीम टूलकिट, जिसमें रेकॉन, पेलोड जनरेशन, क्रेडेंशियल हमलों, क्रिप्टो, एन्कोडिंग और एंगेजमेंट रिपोर्टिंग के लिए 102 ऑफ़लाइन टूल्स हैं।

    366
  • 5

    looking-glass

    anonghosty/looking-glass

    CSIRT प्लेटफ़ॉर्म जो Shadowserver रिपोर्ट्स को MongoDB में इनजेस्ट करता है और उन्हें इंटरैक्टिव मैप्स, विश्लेषण, निष्कर्षों, सलाहों और कार्यकारी डैशबोर्ड के रूप में पुनः प्रस्तुत करता है।

    309
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    AI-मूल साइबरसुरक्षा के लिए कार्रवाई की प्रणाली—जहाँ इरादा नियंत्रित निष्पादन बन जाता है, साक्ष्य परिचालन स्मृति बन जाता है, और हर ऑपरेशन अगले को बेहतर बनाता है।

    282

सभी उपकरण खोजें

हमारे उपकरणों का संग्रह ब्राउज़ करें

सभी उपकरण देखें →