Skip to content
KitploitKITPLOIT
FerramentasExploitsBlog
Log in
Enviar
FerramentasExploitsBlog
Enviar

Ferramentas de Hacking, PenTest e Cibersegurança para o seu Arsenal de Segurança!

Kitploit é um diretório de ferramentas de hacking, cibersegurança e pentesting. Descubra as últimas atualizações de projetos para encontrar vulnerabilidades, analisar sistemas, automatizar testes e fortalecer sua segurança.

FeedsContatoPrivacidade© 2026 Kitploit

Diretório de Ferramentas

Categorias

Ver todas as categorias
Loading categories
qai2026-fgsm-transfer — Código e resultados do artigo QAI 2026 sobre a transferibilidade do ataque FGSM da simulação para o hardware quântico da IBM. | Kitploit
Ferramentas/GitHubGitHub/xeeshanajmal/qai2026-fgsm-transfer
Segurança de RedeAprendizado de MáquinaDetecção de IntrusãoPapers e PesquisaSegurança de IAAtaque Adversário
GitHubxeeshanajmal/qai2026-fgsm-transfer

qai2026-fgsm-transfer

Código e resultados do artigo QAI 2026 sobre a transferibilidade do ataque FGSM da simulação para o hardware quântico da IBM.

Ver Repositório
149há 1 mêsAinda não revisado
Compartilhar

Robustez adversarial de um classificador quântico variacional para detecção de intrusão em redes

Código, parâmetros treinados e resultados para o artigo FGSM Attack Transferability from Simulation to Quantum Hardware in Network Intrusion Detection, IEEE International Conference on Quantum Artificial Intelligence (QAI) 2026.

Os números no artigo vêm dos arquivos JSON em results/. Os scripts aqui geraram esses arquivos.

Arquivos

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

Requisitos

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

Instale com pip install -r requirements.txt.

Os scripts 08 e 09 são executados em hardware real, portanto precisam de uma conta IBM Quantum. Copie .env.example e coloque seu próprio token e instância nele. Depois defina-os como variáveis de ambiente. Os scripts leem as credenciais apenas do ambiente.

Dados

A captura bruta não está aqui. Baixe o CICIDS2017 do Canadian Institute for Cybersecurity e coloque Friday-WorkingHours-Afternoon-DDos.pcap_ISCX.csv em data/. Esse é o único arquivo utilizado.

01_preprocess.py constrói as quatro divisões .npy. Você deve obter 1134 amostras de ataque e 866 benignas no treinamento. No teste, 284 de ataque e 216 benignas. Contagens diferentes significam um arquivo de captura diferente, ou uma versão diferente do scikit-learn.

Como executar

Execute os scripts na ordem numérica. Os scripts 04 a 07 precisam que 01, 02 e 03 tenham sido executados primeiro.

ScriptProduzTempo de execução
01_preprocess.pyas quatro divisões em data/segundos
02_train_narrow_margin.pymodels/clean_params.npysegundos
03_retrain_poisoning_and_noise.pymodelos envenenados e com ruído, dois arquivos de resultadosvárias horas
04_epsilon_sweep.pyresults/epsilon_sweep.jsonmenos de um minuto
05_compare_attack_guidance.pyresults/gradient_vs_untargeted.jsonmenos de um minuto
06_finish_rq3.pylinha de base sem ruído e a varredura FGSM com ruídocerca de uma hora
07_margin_control.pyresults/margin_control.jsonalguns minutos
08_run_hardware_models.pyresults/hardware_clean_vs_poisoned.jsontempo de fila
09_run_hardware_fgsm.pyresults/hardware_fgsm_adam.jsontempo de fila
10_convert_hardware_results.pyresults/hardware_fgsm_cobyla.jsonsegundos
make_figures.pyas duas figurassegundos

O script 03 é o lento. Ele simula matrizes de densidade, o que custa cerca de dezesseis minutos por inicialização. Ele treina três inicializações em cada um dos três níveis de ruído.

Os scripts de hardware enviam todos os seus circuitos em um único job. Cada circuito em um job compartilha então o mesmo estado de calibração. Ambos os scripts aceitam --dry-run, que transpila tudo e imprime as estatísticas dos circuitos sem enviar nada.

Qual arquivo gera qual resultado

ArtigoArquivo de resultadoScript
Tabela I, envenenamentopoisoning_retrained.json03
Tabela II, FGSM contra não direcionadogradient_vs_untargeted.json05
Tabela III, simulação contra hardwarehardware_clean_vs_poisoned.json, hardware_fgsm_adam.json08, 09
Tabela IV, ruído despolarizantenoise_retrained.json, noise_fgsm_sweep.json, noiseless_400_baseline.json03, 06
Figura 1, transferência para hardwarehardware_fgsm_adam.json, hardware_fgsm_cobyla.json09, 10
Figura 2, acurácia e margem sob ruídoo mesmo que a Tabela IV03, 06
Seção IV-A, linha de base limpaclean_history.json, noise_retrained.json02, 03
Seção IV-C, margens de decisãoepsilon_sweep.json04
Seção VI, controle de margemmargin_control.json07

Modelos treinados

ArquivoO que é
clean_params.npyclassificador de margem estreita, COBYLA, 86,8% de acurácia com margem 0,07
noisy_0.0_params.npyclassificador de margem ampla, Adam, 92,2% de acurácia com margem 0,54
noisy_0.0_params_400.npymodelo sem ruído treinado no subconjunto de 400 amostras, para comparar entre níveis de ruído
noisy_0.001_params.npy, noisy_0.01_params.npy, noisy_0.05_params.npyum por nível de ruído despolarizante
poisoned_5pct_params.npy, poisoned_10pct_params.npy, poisoned_15pct_params.npyum por taxa de inversão de rótulos

Execuções em hardware

Todas as execuções usaram o IBM Fez, um processador Heron r2 de 156 qubits. 1024 shots por circuito, via Qiskit Runtime SamplerV2. A transpilação foi feita no nível de otimização 1.

Cada execução submeteu o mesmo circuito lógico: profundidade 20 com 12 portas de dois qubits. A transpilação o mapeia para qubits físicos, o que altera ambos os números em cada submissão.

ResultadoScriptCircuitosProfundidade transpiladaPortas de dois qubits
Acurácia do modelo limpo e envenenado0810010027
Transferência FGSM, modelo de margem ampla091508742
Transferência FGSM, modelo de margem estreitacódigo anterior, substituído por 09400não registradonão registrado

A execução de transferência de margem estreita é anterior aos scripts deste repositório. Sua saída é results/transferability_hw_50_expA.json, que o script 10 converte para o formato lido pelas figuras. A execução usou o mesmo circuito e o mesmo nível de otimização que o script 09.

As duas profundidades registradas diferem. O transpilador escolhe qubits físicos por heurística, então o mesmo circuito mapeia de forma diferente em cada submissão. Ambas as execuções ainda concordaram com a simulação.

O que você não pode reproduzir

Os resultados de hardware dependem do estado de calibração do dispositivo naquele dia. Envie os mesmos circuitos novamente e você obterá contagens diferentes. Os arquivos JSON são o registro do que o dispositivo fez.

models/clean_params.npy não pode ser regenerado. Seus parâmetros iniciais vieram do estado aleatório global do NumPy em vez de um gerador com semente. 02_train_narrow_margin.py agora define a semente de sua inicialização, então novas execuções são reproduzíveis entre si. Elas chegam a outro lugar, porém, e a dispersão é ampla. Um otimizador sem gradiente em um objetivo estocástico pode colapsar para prever a classe majoritária. O script avisa quando isso acontece.

O restante tem semente definida. A acurácia ainda varia entre inicializações, então os scripts relatam média e desvio padrão em vez de uma única execução. A Seção VI do artigo explica o porquê.

Citação

@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},
}

Licença

O código é MIT. Consulte LICENSE.

O CICIDS2017 vem do Canadian Institute for Cybersecurity sob seus próprios termos. Ele não é redistribuído aqui.

Agradecimentos

Este trabalho foi apoiado pelo projeto Business Finland (24304955) SeQuSoS. Reconhecemos o uso dos serviços IBM Quantum. As opiniões expressas são dos autores e não refletem a política oficial ou a posição da IBM ou da equipe IBM Quantum.

Baixar ferramenta

Mais Populares

Ver todos →

Descubra as ferramentas mais usadas pela nossa comunidade.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 O kit definitivo de OSINT: grafo de investigação, pontuação de confiança, famílias de alias, mapa, linha do tempo e relatórios. 49 módulos, mais de 400 sites, sem necessidade de chaves de API.

    891
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicativo de Execução em Um Toque GhostLock (CVE-2026-43499)

    547
  • 3

    ARTEX

    baarai/artex

    Plataforma autônoma de testes de penetração multiagente com LLM, com agentes planejador/executor, grafos de ativos e de exploração, registro de tráfego MITM e reteste de vulnerabilidades.

    369
  • 4

    redforge

    cybersecurity91/redforge

    Kit de ferramentas de red team do lado do navegador com 102 ferramentas offline para reconhecimento, geração de payloads, ataques a credenciais, criptografia, codificação e relatórios de engajamento.

    366
  • 5

    looking-glass

    anonghosty/looking-glass

    Plataforma CSIRT que ingere relatórios do Shadowserver no MongoDB e os reproduz como mapas interativos, análises, descobertas, avisos e painéis executivos.

    309
  • 6

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    O sistema de ação para cibersegurança nativa em IA—onde a intenção se torna execução governada, a evidência se torna memória operacional, e cada operação melhora a próxima.

    282

Explore todas as ferramentas

Navegue pela nossa coleção de ferramentas

Ver todas as ferramentas →