L’étude teste le potentiel de deux algorithmes d’apprentissage automatique quantitatifs pour la classification des logiciels malveillants

Au cours des dernières décennies, les cyber-attaquants sont devenus plus aptes à pénétrer les systèmes et à contourner les mesures de sécurité. Par conséquent, la détection et l’identification précises des logiciels malveillants constituent un défi pressant pour de nombreuses entreprises et particuliers à travers le monde.

Récemment, des experts en cybersécurité ont exploré le potentiel des techniques d’apprentissage automatique pour classer les logiciels malveillants et décider des mesures à prendre pour les éliminer. Bien que certaines de ces techniques aient donné des résultats prometteurs, des études ont montré que nombre d’entre elles peuvent être trompées ou ne parviennent pas à identifier avec précision les logiciels malveillants qu’elles n’ont jamais rencontrés auparavant.

Dans l’espoir d’identifier des moyens plus fiables de classer les logiciels malveillants, les chercheurs d’Orange Innovation Inc. Récemment, une étude a été menée pour évaluer le potentiel du versioning quantitatif des algorithmes d’apprentissage automatique. Leur article précédemment publié sur arXivfournit quelques premières informations sur les forces et les limites de deux types de modèles d’apprentissage automatique quantique et décrit les orientations qui pourraient être explorées dans les futures recherches sur la cybersécurité.

« Je travaille sur l’utilisation de l’IA pour analyser les logiciels malveillants depuis 2019 », a déclaré Tony Coertier, co-auteur de l’article, à Tech Xplore. « Avec Grégoire Barrué, qui a commencé son post-doctorat en octobre, nous voulons explorer ce que la technologie quantique peut apporter à ce problème. Comme nous avons tous les deux une formation mathématique dans deux domaines complémentaires, nous espérons pouvoir puiser dans nos connaissances théoriques pour comprendre ce sujet.

Quertier et Barrué pensent que l’apprentissage automatique quantique peut permettre aux utilisateurs d’extraire plus d’informations à partir de moins de données. Pour tester cette hypothèse dans le contexte de la classification des logiciels malveillants, ils ont jusqu’à présent évalué les performances de deux modèles d’apprentissage automatique quantique différents, appelés QSVM et QNN.

« Le premier algorithme que nous avons testé est un simple QSVM, qui est une adaptation de l’algorithme Quantum Support Vector Machines », a expliqué Kuerter. « Ensuite, nous avons également testé QNN, qui est une adaptation quantitative d’un réseau de neurones classique. Nous avons trouvé les résultats très encourageants, car nous les avons entraînés sur très peu de données et avec, pour l’instant, deux méthodes d’optimisation simples (SPSB et rechargement de données). ”

Dans leurs évaluations initiales, Quertier et Barrué ont constaté que l’algorithme QSVM produisait des résultats très prometteurs, surpassant certains des SVM classiques de l’équipe pour la classification des logiciels malveillants dans plusieurs paramètres. D’autre part, QNN, qui est optimisé uniquement en rechargeant les données et en utilisant une technique connue sous le nom de SPSB, peut classer les logiciels malveillants avec une précision allant jusqu’à 87 %. C’est très bien, car il est également formé sur une quantité limitée de données.

« Évidemment, cette précision n’est pas aussi bonne que nos versions classiques de l’algorithme, mais nos versions classiques se sont entraînées sur 1 million de données, alors qu’ici nous n’avons utilisé que 1 000 échantillons », a déclaré Coertier. « Pour la première approche, cela va au-delà de ce à quoi nous nous attendions. Pour moi, la chose la plus intéressante est la capacité des techniques d’apprentissage automatique quantique à apprendre à partir de données d’entraînement limitées. Nous sommes devenus très dépendants d’avoir beaucoup de données et de ressources informatiques. Cependant, dans certains domaines, il n’est pas facile d’obtenir beaucoup de données. »

Un objectif primordial des efforts de recherche en cours de Quertier et Barrué est d’améliorer les algorithmes afin qu’ils puissent extraire plus d’informations efficacement à partir d’une quantité limitée de données. Dans leurs prochaines études, ils prévoient d’explorer le potentiel d’autres versions quantiques d’algorithmes d’apprentissage automatique, tels que les réseaux convolutifs quantiques (RCQC), tout en utilisant les mathématiques pour améliorer et mieux analyser les données disponibles.

Par exemple, le théorème de Lee peut nous permettre de spécifier le nombre de paramètres pour atteindre l’incrément de paramètre (lorsque le modèle a suffisamment de paramètres pour que la matrice d’information de Fisher atteigne son ordre maximum, et donc ait une amplitude maximum) ou même de définir des symétries dans le données et adapter les portes quantiques que nous utilisons. » En octobre 2023, Un doctorat. La thèse commencera sur ce sujetQui sera encadré par Daniel Goto, spécialiste en la matière [type of] mathématiques. »