Quantum computing is a potential solution to several problems that classical computing faces such as computational time complexity. Quantum machine learning is therefore expected to have better runtime, capacity, and learning efficiency than classical methods offer. This article aims to present a systematic review of the state-of-the-art literature on quantum machine learning for cybersecurity in the specific application of network intrusion detection systems (IDS), identifying, analyzing, and correlating the different proposals for implementing quantum or hybrid algorithms. The methodology follows the Systematic Literature Review method, which, after its application, identified 5 articles that implemented quantum machine learning algorithms in the context of intrusion detection systems. The main algorithms were variational hybrid quantum-classical, with models based in quantum support vector machines and quantum neural networks. Benefits compared to purely classical models were observed and described, such as improved accuracy of attacking traffic data classification and reduced training time. A computação quântica é uma solução potencial para diversos problemas que a computação clássica enfrenta como a complexidade de tempo computacional. Espera-se, portanto, que o aprendizado de máquina quântico apresente tempo de execução, capacidade e eficiência de aprendizado melhores do que os métodos clássicos oferecem. O presente artigo visa a apresentar uma revisão sistemática da literatura do estado da arte em aprendizado de máquina quântico para cibersegurança na aplicação específica de sistemas de detecção de intrusão em redes (IDS), identificando, analisando e correlacionando as diferentes propostas de implementação dos algoritmos quânticos ou híbridos. A metodologia utilizada segue o método de Revisão Sistemática de Literatura, o qual, após sua aplicação, identificou 5 artigos que implementaram algoritmos de aprendizado de máquina quântico no contexto de sistemas de detecção de intrusão. Os principais algoritmos foram clássico-quânticos híbridos variacionais, com um modelo baseado em máquinas de vetores de suporte quânticas e redes neurais quânticas. Os benefícios em comparação aos modelos puramente clássicos foram observados e descritos, como a melhoria na precisão da classificação dos dados de tráfego atacante e tempo de treinamento reduzido.
Quantum computing is a potential solution to several problems that classical computing faces such as computational time complexity. Quantum machine learning is therefore expected to have better runtime, capacity, and learning efficiency than classical methods offer. This article aims to present a systematic review of the state-of-the-art literature on quantum machine learning for cybersecurity in the specific application of network intrusion detection systems (IDS), identifying, analyzing, and correlating the different proposals for implementing quantum or hybrid algorithms. The methodology follows the Systematic Literature Review method, which, after its application, identified 5 articles that implemented quantum machine learning algorithms in the context of intrusion detection systems. The main algorithms were variational hybrid quantum-classical, with models based in quantum support vector machines and quantum neural networks. Benefits compared to purely classical models were observed and described, such as improved accuracy of attacking traffic data classification and reduced training time. A computação quântica é uma solução potencial para diversos problemas que a computação clássica enfrenta como a complexidade de tempo computacional. Espera-se, portanto, que o aprendizado de máquina quântico apresente tempo de execução, capacidade e eficiência de aprendizado melhores do que os métodos clássicos oferecem. O presente artigo visa a apresentar uma revisão sistemática da literatura do estado da arte em aprendizado de máquina quântico para cibersegurança na aplicação específica de sistemas de detecção de intrusão em redes (IDS), identificando, analisando e correlacionando as diferentes propostas de implementação dos algoritmos quânticos ou híbridos. A metodologia utilizada segue o método de Revisão Sistemática de Literatura, o qual, após sua aplicação, identificou 5 artigos que implementaram algoritmos de aprendizado de máquina quântico no contexto de sistemas de detecção de intrusão. Os principais algoritmos foram clássico-quânticos híbridos variacionais, com um modelo baseado em máquinas de vetores de suporte quânticas e redes neurais quânticas. Os benefícios em comparação aos modelos puramente clássicos foram observados e descritos, como a melhoria na precisão da classificação dos dados de tráfego atacante e tempo de treinamento reduzido.
Quantum computing presents potential advantages over classical computing in terms of computational complexity. Therefore, it is expected for quantum machine learning applications to have improvements in capacity and learning efficiency over classical machine learning methods. This paper aims to present a Systematic Literature Review of articles published between 2017 and 2022, identifying, analyzing, and comparing different proposals of quantum machine learning applications for network intrusion detection systems (IDS). This study focused on identifying papers that implemented quantum machine learning algorithms in the context of intrusion detection systems. The main algorithms found were variational hybrid quantum-classical, with models based on quantum support vector machines and quantum neural networks. Benefits compared to classical models were observed and described, such as reduced training time and improved classification accuracy for attacking traffic.
O artigo explora o impacto da computação quântica na teoria da complexidade computacional, com destaque para as classes P e BQP, abordando como os paradigmas quânticos desafiam as categorizações clássicas de problemas. Ao examinar os algoritmos de Shor e Grover, o estudo discute a maneira como esses algoritmos ampliam o escopo de problemas considerados resolvíveis, o que anteriormente era inviável em termos de tempo polinomial em sistemas clássicos. A análise apresenta uma revisão histórica das classes de complexidade, abordando o surgimento e a importância das classes P e NP e a relevância de algoritmos quânticos em problemas intratáveis. Além disso, o artigo aborda a introdução de teorias híbridas que integram métodos clássicos e quânticos, como o Variational Quantum Eigensolver (VQE) e o Quantum Annealing, destacando a eficiência dessas abordagens para resolver problemas de otimização complexos. As discussões sobre as classes probabilísticas BPP e PP também são centrais para compreender o papel da probabilidade em algoritmos quânticos, uma característica intrínseca ao modelo de computação quântica. O estudo justifica-se pela necessidade de uma reavaliação contínua das bases da teoria da complexidade frente aos avanços quânticos, que redefinem limites teóricos e práticos. Embora a computação quântica ainda enfrente desafios, como a estabilidade dos qubits, as propostas de paradigmas híbridos oferecem caminhos promissores para resolver problemas de alta complexidade, sinalizando uma transição para uma era computacional mista, com potencial para revolucionar a resolução de problemas no século XXI.
This chapter provides a comprehensive overview of the recent developments in quantum machine learning for intrusion detection systems. The authors review the state of the art based on the published work “Quantum Machine Learning for Intrusion Detection of Distributed Denial of Service Attacks: A Comparative View” and its relevant citations. The chapter discusses three quantum models, including quantum support vector machines, hybrid quantum-classical neural networks, and a two-circuit ensemble model, which run parallel on two quantum processing units. The authors compare the performance of these models in terms of accuracy and computational resource consumption. Their work demonstrates the effectiveness of quantum models in supporting current and future cybersecurity systems, achieving close to 100% accuracy, with 96% being the worst-case scenario. The chapter concludes with future research directions for this promising field.
Inspiradas pelas Convolutional Neural Networks, as Quantum Convolutional Neural Networks exploram a aplicação de computação quântica em problemas de aprendizado de máquina visando alcançar melhor desempenho de classificação e convergência mais rápida. Considerando a escalabilidade limitada de circuitos quânticos, propõe-se um modelo híbrido para a classificação de imagens coloridas utilizando menor número de qubits e de circuitos em relação a outros modelos da literatura. O modelo proposto apresenta métricas de desempenho competitivas com modelos clássicos e menor variabilidade em seu treinamento, produzindo evidências de possíveis benefícios no uso da computação quântica na área de aprendizado de máquina.
A energia eólica desempenha um papel fundamental na transição energética e na descarbonização global do setor energético. Para fortalecer sua eficiência, os parques eólicos demandam a implementação de estratégias de redução de custos, inovações na gestão da operação e manutenção, e monitoramento contínuo da condição das turbinas eólicas. Na literatura, são exploradas diversas metodologias no setor da energia eólica, abrangendo métodos de previsão da velocidade do vento, estimativa da potência gerada, diagnóstico e prognóstico de falhas. Uma estratégia essencial para auxiliar na tomada de decisão com base nos dados é a detecção de falhas, que identifica desvios do comportamento padrão dos componentes, evitando tempo de inatividade das turbinas eólicas e prevenindo danos colaterais em outros componentes. Nesse contexto, este estudo propõe a implementação de modelos para detecção de falhas de rolamentos, utilizando dados reais de vibração de um parque eólico localizado no Brasil. A abordagem adotada utiliza o Quantum Machine Learning (QML), um campo ainda pouco explorado na área de turbinas eólicas, que utiliza dos fenômenos da mecânica quântica como a superposição e emaranhamento para construção dos modelos. Para a detecção de falham foram considerados três tipos de modelos híbridos quântico-clássicos: Quantum support vector machine (QSVM), agrupamento espectral quântico (AEQ) e classificador quântico variacional. Os modelos foram treinados com atributos extraídos do sinal de vibração nos domínios do tempo, frequência e mecânico. Os resultados mostraram que o modelo de QSVM PauliFeatureMap-X apresentou desempenho igual ou superior aos modelos clássicos, com o valor de acurácia balanceada de 96,9%, 94,6% e 92,5% para os casos do rolamento da extremidade sem acionamento do gerador, rolamento principal e do rolamento do eixo de alta velocidade da caixa de engrenagens, respectivamente. Além disso, para o problema de agrupamento, os modelos de AEQ demonstraram uma performance superior em comparação aos modelos clássicos pela métrica da informação mútua normalizada. Os resultados demostram o potencial do QML para auxiliar na operação e manutenção de turbinas eólicas.
With the potential for quantum computing to completely transform cybersecurity, quantum machine learning is becoming a ground-breaking technology. Cyber-attacks have been successfully countered by traditional network defense systems, which mostly use conventional machine learning (ML) techniques. However, the growing complexity of assaults and the exponential expansion of network data reveal the shortcomings of traditional methods, especially with regard to speed and scalability. By utilizing quantum algorithms like Quantum Support Vector Machines (QSVM), Quantum Neural Networks (QNN), and Variational Quantum Circuits (VQC), Quantum Machine Learning (QML) presents a viable substitute. These methods are especially well-suited for real-time network defense scenarios since they show the capacity to handle high-dimensional data, identify complex patterns, and increase computational efficiency. In this research, the effectiveness of QML techniques in network defense is thoroughly examined and contrasted with that of traditional machine learning techniques. The study emphasizes how QML may surpass conventional models in terms of accuracy, scalability, and resilience against sophisticated threats by concentrating on use cases like intrusion detection, malware analysis, and anomaly detection. The necessity for hybrid quantum-classical models and the present constraints of quantum hardware are among the difficulties that are discussed in the study. This study highlights the revolutionary potential of QML in strengthening network defense mechanisms and identifies crucial areas for further research, paving the road for a secure digital future by combining theoretical ideas with experimental discoveries.