DOI: https://doi.org/10.1109/access.2026.3679234
تاريخ النشر: 2026-01-01
المؤلف: Shujaatali Badami
الموضوع الرئيسي: خوارزميات وهندسة الحوسبة الكمومية
نظرة عامة
تبحث ورقة البحث في تطبيق إطار عمل آلة الدعم الكمي (QSVM) لاكتشاف الشذوذ في أنظمة التحكم الصناعية (ICS)، مع التركيز بشكل خاص على الثغرات في بنى معالجة المياه والطاقة الحرارية. تعتبر المصنفات الخطية التقليدية غير كافية ضد الهجمات السيبرانية المعقدة التي تستغل العلاقات غير الخطية بين متغيرات العملية. تستخدم QSVM المقترحة نواة ZZFeatureMap المكونة من 8 كيوبتات، مما يظهر ميزة نظرية كمية من خلال محاكاة حالة خالية من الضوضاء. تشير مقاييس الأداء إلى منطقة تحت المنحنى (AUC) تبلغ 0.9912 ± 0.004 على مجموعة بيانات SWaT و0.8309 ± 0.050 على مجموعة بيانات HAI الأكثر تحديًا، متفوقة على آلات SVM ذات النواة RBF الكلاسيكية بنسبة +10.8% AUC على HAI.
تؤكد الدراسة أيضًا على إمكانية تحقيق QSVM من الناحية الفيزيائية من خلال التنفيذ على معالج IBM المكون من 156 كيوبت ibm_fez، مما يكشف عن تدهور في الدقة يبلغ حوالي 17-20% بسبب أخطاء البوابة والتفكك، مع الحفاظ على ارتباط قوي (r = 0.86) في هياكل مصفوفة النواة. تشمل المساهمات الرئيسية حدود أداء إحصائية قوية تم إنشاؤها من خلال التحقق المتقاطع باستخدام 5 بذور، وتنفيذ ناجح للأجهزة مع فجوات أداء موثقة من المحاكاة إلى الأجهزة، ودليل على أن هيكل تشابك النواة الكمية يلتقط بفعالية علاقات الميزات. تقدم هذه الطريقة بديلاً واعدًا لطرق التعلم العميق، التي تتطلب عادةً مجموعات بيانات كبيرة، من خلال تمكين التعميم الفعال من عينات تدريب محدودة، مما يعزز القابلية للتفسير والسلامة في تطبيقات البنية التحتية الحيوية.
مقدمة
تناقش مقدمة ورقة البحث هذه التقارب المتزايد بين تكنولوجيا المعلومات (IT) والتكنولوجيا التشغيلية (OT) ضمن أنظمة التحكم الصناعية (ICS)، مما أدى إلى سطح هجوم أوسع يستغله الخصوم المتطورون. تعتمد قطاعات البنية التحتية الحيوية، مثل معالجة المياه وتوليد الطاقة، على أنظمة التحكم والإشراف وجمع البيانات (SCADA) التي تم تصميمها في الأصل لبيئات معزولة، والتي تواجه الآن ثغرات أمنية كبيرة بسبب تكاملها مع الشبكات المؤسسية والأجهزة المتصلة بالإنترنت. تقتصر طرق اكتشاف التسلل التقليدية في هذه البيئات على اعتمادها على حدود التصنيف الخطية، التي تكافح لالتقاط العلاقات المعقدة وغير الخطية الموجودة في بيانات التحكم في العمليات. غالبًا ما تتضمن الهجمات السيبرانية-الفيزيائية تلاعبات دقيقة تحافظ على الاتساق الإحصائي مع العمليات الطبيعية، مما يشكل مخاطر كبيرة.
تقترح الورقة الاستفادة من التعلم الآلي الكمي، وخاصة من خلال طرق النواة الكمية، لمعالجة هذه التحديات. يمكن لخرائط الميزات الكمية تضمين البيانات الكلاسيكية في فضاءات هيلبرت الكبيرة بشكل أسي، مما يسمح بالتقاط هياكل البيانات المعقدة التي يصعب التعامل معها بواسطة الطرق الكلاسيكية. يتم تسليط الضوء على ZZFeatureMap لقدرتها على تمثيل العلاقات الزوجية في ديناميات المستشعرات هندسيًا. تؤكد الدراسة على ندرة بيانات الهجوم المعلّمة في البيئات التشغيلية، مما يعقد تطبيق طرق التعلم العميق. بدلاً من ذلك، يركز المؤلفون على نهج آلة دعم كمي (QSVM) تحت إشراف لاكتشاف أنماط الهجوم المعقدة وغير الخطية، مؤكدين أن طرق النواة الكمية يمكن أن تعمم بفعالية من عينات تدريب محدودة. تشمل مساهمات الورقة التحقق المتقاطع بين منصات الاختبار، والصلابة الإحصائية من خلال التحقق المتقاطع، وعروض الجدوى للأجهزة، وإصدار مفتوح المصدر للقطع التجريبية، مع التركيز بشكل خاص على اكتشاف الشذوذ القائم على النواة مقارنة بالطرق الكلاسيكية.
طرق
في هذا القسم، يحدد المؤلفون بروتوكولين تجريبيين يهدفان إلى تقييم الصلابة الإحصائية وجدوى الأجهزة لطرق النواة الكمية الخاصة بهم. بالنسبة للبروتوكول A، يقومون بتنفيذ استراتيجية تحقق متقاطع باستخدام 5 بذور باستخدام البذور {42، 123، 999، 2024، 555} لاشتقاق مقاييس الأداء من خلال محاكاة حالة خالية من الضوضاء باستخدام واجهة Qiskit Statevector. تضمن هذه الطريقة أن الأداء المبلغ عنه يعكس الحدود العليا النظرية لقدرات النواة الكمية. تتضمن المنهجية تقسيمًا تدريجيًا للتدريب والاختبار (71.4%/28.6%)، واختيار الميزات بناءً على أهمية جيني، وتطبيق تحسين SMOTE على بيانات التدريب فقط. تتم مقارنة آلة دعم كمي (QSVM) مع آلة SVM الكلاسيكية ذات دالة القاعدة الشعاعية (RBF-SVM) المدربة على نفس مجموعة الميزات، مع تحسين المعلمات الفائقة من خلال البحث الشبكي.
يركز البروتوكول B على التحقق من جدوى الأجهزة للدارات الكمية من خلال تحويلها إلى واجهة IBM ibm_fez، التي تتكون من 156 كيوبت وتستخدم مستوى تحسين 3. تؤكد هذه الخطوة أن الدارات الكمية يمكن تنفيذها على معالجات الكم المتوسطة الضوضاء الحالية (NISQ)، بغض النظر عن نتائج المحاكاة. تشير مقاييس التحويل إلى عمق دائرة يبلغ 74-76، وعدد بوابات التحكم-Z (CZ) يبلغ 28، وإجمالي عدد البوابات 176-177، كما هو موضح في الأشكال 4 و5.
نتائج
يقدم قسم النتائج نتائج تنفيذ الأجهزة من IBM Quantum، مع تفاصيل أداء وظيفتين تم تنفيذهما على منصة ibm_fez. كانت كلتا الوظيفتين ناجحتين، مما يسمح بتقييم كمي لفجوة المحاكاة إلى الأجهزة.
يوفر الجدول IV مقاييس الصلابة الإحصائية المستمدة من تحقق متقاطع باستخدام 5 بذور لمجموعتي بيانات: SWaT وHAI. بالنسبة لمجموعة بيانات SWaT، تم الإبلاغ عن متوسط F1-Score كـ $0.9002 \pm 0.0207$، مع AUC-ROC قدره $0.9912 \pm 0.0041$ ودقة قدرها $0.9744 \pm 0.0056$. في المقابل، أسفرت مجموعة بيانات HAI عن متوسط F1-Score قدره $0.3536 \pm 0.0517$، وAUC-ROC قدره $0.8309 \pm 0.0495$، ودقة قدرها $0.9402 \pm 0.0058$. تم توفير معرفات الوظائف للتحقق المستقل كـ d5l9htjh36vs73bgsi3g لـ SWaT وd5l9huk8d8hc73cfb0pg لـ HAI.
مناقشة
تسلط قسم المناقشة في الورقة الضوء على مزايا طرق النواة الكمية لاكتشاف التسلل في أنظمة التحكم الصناعية (ICS)، خاصة في مجموعات البيانات الصعبة مثل HAI. تظهر النواة الكمية تحسنًا كبيرًا قدره +10.8% في AUC مقارنة بـ SVM الكلاسيكية في المحاكاة، ويعزى ذلك إلى قدرة ZZFeatureMap على ترميز العلاقات الزوجية بين الميزات، والتي تتماشى بشكل جيد مع ديناميات بيانات المستشعرات المترابطة. في المقابل، بينما تحقق الشبكات العصبية LSTM الكلاسيكية درجات F1 عالية على مجموعات بيانات أبسط مثل SWaT، فإنها تعتمد على سياق زمني واسع، مما يجعل المقارنات المباشرة مع الطرق الكمية معقدة.
تناقش الورقة أيضًا الجوانب العملية لتنفيذ النوى الكمية على الأجهزة الحالية، مشيرة إلى تدهور في الدقة بنسبة 17-20% مقارنةً بالمحاكاة المثالية. على الرغم من ذلك، يبقى ترتيب عناصر مصفوفة النواة النسبي سليمًا، مما يشير إلى أن استراتيجيات تخفيف الأخطاء يمكن أن تستعيد الأداء بفعالية. تؤكد النتائج على إمكانية النوى الكمية للتعميم من بيانات محدودة، مما يقدم بديلاً جذابًا لطرق التعلم الآلي التقليدية في التطبيقات الحرجة للسلامة حيث تكون القابلية للتفسير والصلابة أمرًا بالغ الأهمية. بشكل عام، تؤسس الأبحاث أساسًا للتقدم المستقبلي في التعلم الآلي الكمي ضمن مجال ICS.
القيود
في قسم القيود، يعترف المؤلفون بأن تقييم أدائهم الأساسي يعتمد على محاكاة حالة، والتي، على الرغم من كونها مفيدة لتأسيس سقف نظري للميزة الكمية، إلا أنها لا تأخذ في الاعتبار التدهور الناجم عن ضوضاء الأجهزة في التطبيقات العملية. تكشف التحليلات عن انخفاض في الدقة بنسبة 17-20% على منصة ibm_fez، مما يشير إلى فجوة كبيرة بين الأداء النظري والعملي. ومع ذلك، تشير الارتباطات العالية في ترتيب النواة النسبي (r = 0.86) إلى أن استراتيجيات تخفيف الأخطاء يمكن أن تعزز الفائدة العملية لنهجهم.
بالإضافة إلى ذلك، فإن قيد استخدام 8 كيوبتات فقط يتطلب تقليصًا كبيرًا في اختيار الميزات، مما يحد من التحليل من 51-86 ميزة إلى 8 فقط. على الرغم من هذا القيد، تشير المقارنات الأساسية إلى أن الميزة الكمية تظل واضحة حتى عند مقارنتها بمصنفات كلاسيكية كاملة الميزات. يشير المؤلفون إلى أن التقدم المستقبلي في الأجهزة الكمومية المصححة للأخطاء سيسهل المعالجة المباشرة للبيانات عالية الأبعاد. كما يؤكدون على الحاجة إلى مزيد من التحقق عبر منصات اختبار متنوعة تتجاوز SWaT وHAI لتعزيز قابلية تعميم نتائجهم.
DOI: https://doi.org/10.1109/access.2026.3679234
Publication Date: 2026-01-01
Author(s): Shujaatali Badami
Primary Topic: Quantum Computing Algorithms and Architecture
Overview
The research paper investigates the application of a Quantum Support Vector Machine (QSVM) framework for anomaly detection in Industrial Control Systems (ICS), specifically targeting vulnerabilities in water treatment and thermal power infrastructures. Traditional linear classifiers are inadequate against sophisticated cyber-physical attacks that exploit nonlinear correlations among process variables. The proposed QSVM utilizes an 8-qubit ZZFeatureMap kernel, demonstrating a theoretical quantum advantage through noise-free statevector simulations. Performance metrics indicate an area under the curve (AUC) of 0.9912 ± 0.004 on the SWaT dataset and 0.8309 ± 0.050 on the more challenging HAI dataset, outperforming classical RBF-kernel SVMs by +10.8% AUC on HAI.
The study further validates the physical realizability of the QSVM through execution on IBM’s 156-qubit ibm_fez processor, revealing a fidelity degradation of approximately 17-20% due to gate errors and decoherence, while maintaining a strong correlation (r = 0.86) in kernel matrix structures. Key contributions include robust statistical performance bounds established through 5-seed cross-validation, successful hardware execution with quantified simulation-to-hardware performance gaps, and evidence that the quantum kernel’s entanglement structure effectively captures feature correlations. This approach offers a promising alternative to deep learning methods, which typically require large datasets, by enabling effective generalization from limited training samples, thus enhancing interpretability and safety in critical infrastructure applications.
Introduction
The introduction of this research paper discusses the increasing convergence of Information Technology (IT) and Operational Technology (OT) within Industrial Control Systems (ICS), which has led to a broader attack surface that sophisticated adversaries exploit. Critical infrastructure sectors, such as water treatment and power generation, rely on Supervisory Control and Data Acquisition (SCADA) systems originally designed for isolated environments, which now face significant security vulnerabilities due to their integration with enterprise networks and internet-connected devices. Traditional intrusion detection methods in these environments are limited by their reliance on linear classification boundaries, which struggle to capture the complex, nonlinear relationships present in process control data. Cyber-physical attacks often involve subtle manipulations that maintain statistical consistency with normal operations, posing significant risks.
The paper proposes leveraging quantum machine learning, specifically through quantum kernel methods, to address these challenges. Quantum feature maps can embed classical data into exponentially large Hilbert spaces, allowing for the capture of complex data structures that are intractable for classical methods. The ZZFeatureMap is highlighted for its ability to geometrically represent pairwise correlations in sensor dynamics. The study emphasizes the scarcity of labeled attack data in operational environments, which complicates the application of deep learning methods. Instead, the authors focus on a supervised quantum support vector machine (QSVM) approach to detect complex, nonlinear attack patterns, asserting that quantum kernel methods can generalize effectively from limited training samples. The contributions of the paper include cross-testbed validation, statistical robustness through cross-validation, hardware feasibility demonstrations, and the open-source release of experimental artifacts, with a specific focus on kernel-based anomaly detection compared to classical methods.
Methods
In this section, the authors outline two experimental protocols aimed at assessing the statistical robustness and hardware feasibility of their quantum kernel methods. For Protocol A, they implement a 5-seed cross-validation strategy using seeds {42, 123, 999, 2024, 555} to derive performance metrics through noisefree statevector simulations with Qiskit’s Statevector backend. This approach ensures that the reported performance reflects the theoretical upper bounds of quantum kernel capabilities. The methodology involves a stratified train-test split (71.4%/28.6%), feature selection based on Gini importance, and the application of SMOTE augmentation to the training data only. The quantum support vector machine (QSVM) is compared against a classical radial basis function SVM (RBF-SVM) trained on the same feature subset, with hyperparameters optimized via grid search.
Protocol B focuses on validating the hardware feasibility of the quantum circuits by transpiling them to IBM’s ibm_fez backend, which consists of 156 qubits and utilizes optimization level 3. This step confirms that the quantum circuits can be executed on current noisy intermediate-scale quantum (NISQ) processors, independent of the simulation results. The transpilation metrics indicate a circuit depth of 74-76, a controlled-Z (CZ) gate count of 28, and a total gate count of 176-177, as illustrated in Figures 4 and 5.
Results
The results section presents the hardware execution outcomes from IBM Quantum, specifically detailing the performance of two jobs executed on the ibm_fez platform. Both jobs were successful, allowing for a quantitative assessment of the simulation-to-hardware gap.
Table IV provides statistical robustness metrics derived from a 5-seed cross-validation for two datasets: SWaT and HAI. For the SWaT dataset, the mean F1-Score was reported as $0.9002 \pm 0.0207$, with an AUC-ROC of $0.9912 \pm 0.0041$ and an accuracy of $0.9744 \pm 0.0056$. In contrast, the HAI dataset yielded a mean F1-Score of $0.3536 \pm 0.0517$, an AUC-ROC of $0.8309 \pm 0.0495$, and an accuracy of $0.9402 \pm 0.0058$. Job identifiers for independent verification are provided as d5l9htjh36vs73bgsi3g for SWaT and d5l9huk8d8hc73cfb0pg for HAI.
Discussion
The discussion section of the paper highlights the advantages of quantum kernel methods for intrusion detection in Industrial Control Systems (ICS), particularly in challenging datasets like HAI. The quantum kernel demonstrates a significant improvement of +10.8% in AUC over classical SVMs in simulations, attributed to the ZZFeatureMap’s ability to encode pairwise correlations among features, which aligns well with the dynamics of coupled sensor data. In contrast, while classical LSTM networks achieve high F1 scores on simpler datasets like SWaT, they rely on extensive temporal context, making direct comparisons with quantum methods complex.
The paper also addresses the practical aspects of implementing quantum kernels on current hardware, noting a fidelity degradation of 17-20% compared to ideal simulations. Despite this, the relative ordering of kernel matrix elements remains intact, suggesting that error mitigation strategies could effectively recover performance. The findings underscore the potential of quantum kernels to generalize from limited data, offering a compelling alternative to traditional machine learning approaches in safety-critical applications where interpretability and robustness are paramount. Overall, the research establishes a foundation for future advancements in quantum machine learning within the ICS domain.
Limitations
In the limitations section, the authors acknowledge that their primary performance evaluation relies on statevector simulation, which, while useful for establishing a theoretical ceiling for quantum advantage, does not account for the degradation caused by hardware noise in practical applications. The analysis reveals a fidelity reduction of 17-20% on the ibm_fez platform, indicating a significant gap between theoretical and real-world performance. However, the high correlation in relative kernel orderings (r = 0.86) suggests that error mitigation strategies could enhance the practical utility of their approach.
Additionally, the constraint of using only 8 qubits necessitated a substantial reduction in feature selection, limiting the analysis from 51-86 features down to just 8. Despite this limitation, baseline comparisons indicate that quantum advantage remains evident even when juxtaposed with full-feature classical classifiers. The authors note that future advancements in error-corrected quantum devices will facilitate direct processing of high-dimensional data. They also emphasize the need for further validation across diverse testbeds beyond SWaT and HAI to bolster the generalizability of their findings.