arXiv cs.CRは2026年10月28日(現地時間)、量子コンピュータを用いたネットワーク侵入検知システムへの攻撃有効性を検証した論文を公開しました。研究チームはハイブリッド変分量子分類器（VQC）を訓練し、シミュレーション環境とIBM Fez（フェズ）超伝導プロセッサ（Heron r2: ヘロン アールツー）の両方で、ラベル反転攻撃とFGSM（ファスト・グラディエント・サイン・メソッド）回避攻撃を評価。量子システムが攻撃されやすい可能性と、その訓練方法が耐性に影響を与えることを示唆しました。
本研究は、クラウドプラットフォームを通じて利用可能な量子コンピュータをネットワーク侵入検知に活用する最近の提案に対し、システムの攻撃耐性がどの程度であるかを探るものです。 著者であるZeeshan Ajmal氏、Kimmo Halunen氏らは、CICIDS2017のFriday DDoSサブセットを用いてVQCを訓練しました。攻撃手法として、訓練時のラベル反転と、予測時のFGSM回避攻撃の2種類がテストされました。
テストはシミュレーション環境と、IBM Fez超伝導プロセッサ（Heron r2）と称される実ハードウェア上で実施されました。その結果、同程度の精度を持つ2つのモデルが、攻撃されやすさにおいて大きく異なることが判明しました。自信度が低い決定を行うモデルは、入力のわずかな変更で検出の半分を失う一方、自信度を高めるよう訓練されたモデルは、機能停止までにはるかに大きな変更が必要となります。また、自信度が高いモデルに対するシミュレーションで構築された攻撃は、実機上でも機能し、デバイスは変更されていない攻撃サンプルをすべて正しく分類しました。
シミュレーションされたデバイスノイズは分類精度を低下させなかったものの、モデルの自信度を減らし、攻撃を容易にする影響が確認されました。このことから、精度のみではモデルの露出度を十分に示さないとしています。ラベル反転攻撃は、攻撃ラベルの15%が変更されるまで測定可能な影響は確認されませんでした。これらの結果は、デバイスノイズを防御と見なすべきではなく、これらの分類器の報告された弱点がその訓練方法に部分的に依存することを示しています。本研究は2026 IEEE 2nd International Conference on Quantum Artificial Intelligence (QAI)で採択されています。
参考: arXiv cs.CR (アーカイブ) — 2026年11月2日 14:00 (JST)