
Código e resultados do artigo QAI 2026 sobre a transferibilidade do ataque FGSM da simulação para o hardware quântico da IBM.
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.
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
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.
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.
Execute os scripts na ordem numérica. Os scripts 04 a 07 precisam que 01, 02 e 03 tenham sido executados primeiro.
| Script | Produz | Tempo de execução |
|---|---|---|
01_preprocess.py | as quatro divisões em data/ | segundos |
02_train_narrow_margin.py | models/clean_params.npy | segundos |
03_retrain_poisoning_and_noise.py | modelos envenenados e com ruído, dois arquivos de resultados | várias horas |
04_epsilon_sweep.py | results/epsilon_sweep.json | menos de um minuto |
05_compare_attack_guidance.py | results/gradient_vs_untargeted.json | menos de um minuto |
06_finish_rq3.py | linha de base sem ruído e a varredura FGSM com ruído | cerca de uma hora |
07_margin_control.py | results/margin_control.json | alguns minutos |
08_run_hardware_models.py | results/hardware_clean_vs_poisoned.json | tempo de fila |
09_run_hardware_fgsm.py | results/hardware_fgsm_adam.json | tempo de fila |
10_convert_hardware_results.py | results/hardware_fgsm_cobyla.json | segundos |
make_figures.py | as duas figuras | segundos |
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.
| Artigo | Arquivo de resultado | Script |
|---|---|---|
| Tabela I, envenenamento | poisoning_retrained.json | 03 |
| Tabela II, FGSM contra não direcionado | gradient_vs_untargeted.json | 05 |
| Tabela III, simulação contra hardware | hardware_clean_vs_poisoned.json, hardware_fgsm_adam.json | 08, 09 |
| Tabela IV, ruído despolarizante | noise_retrained.json, noise_fgsm_sweep.json, noiseless_400_baseline.json | 03, 06 |
| Figura 1, transferência para hardware | hardware_fgsm_adam.json, hardware_fgsm_cobyla.json | 09, 10 |
| Figura 2, acurácia e margem sob ruído | o mesmo que a Tabela IV | 03, 06 |
| Seção IV-A, linha de base limpa | clean_history.json, noise_retrained.json | 02, 03 |
| Seção IV-C, margens de decisão | epsilon_sweep.json | 04 |
| Seção VI, controle de margem | margin_control.json | 07 |
| Arquivo | O que é |
|---|---|
clean_params.npy | classificador de margem estreita, COBYLA, 86,8% de acurácia com margem 0,07 |
noisy_0.0_params.npy | classificador de margem ampla, Adam, 92,2% de acurácia com margem 0,54 |
noisy_0.0_params_400.npy | modelo 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.npy | um por nível de ruído despolarizante |
poisoned_5pct_params.npy, poisoned_10pct_params.npy, poisoned_15pct_params.npy | um por taxa de inversão de rótulos |
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.
| Resultado | Script | Circuitos | Profundidade transpilada | Portas de dois qubits |
|---|---|---|---|---|
| Acurácia do modelo limpo e envenenado | 08 | 100 | 100 | 27 |
| Transferência FGSM, modelo de margem ampla | 09 | 150 | 87 | 42 |
| Transferência FGSM, modelo de margem estreita | código anterior, substituído por 09 | 400 | não registrado | não 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.
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.
@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},
}
O código é MIT. Consulte LICENSE.
O CICIDS2017 vem do Canadian Institute for Cybersecurity sob seus próprios termos. Ele não é redistribuído aqui.
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.