Evaluation of quantum machine learning algorithms for cybersecurity

Quantum machine learning is a recent discipline that brings together notions from quantum computing and machine learning, providing speedups and improved performances over classical solutions. In this work, we study possible applications of quantum machine learning in cybersecurity by analyzing its possible advantages and disadvantages. We simulate quantum machine learning algorithms to solve intrusion detection problems as we were using a fault-tolerant quantum computer. The quantum machine learning algorithms we consider are formalized by the researchers in theorems that describe their running time, the probability of failure, and the approximation error that we have to tolerate. The approximation error and the probability of failure appear as running time parameters. We study the trade-off between the approximation error and the running time. We find cases of errors to tolerate to best match classical performances and, at the same time, observe a reasonable number of samples and features to get a quantum speed-up over classical machine learning. With this study, we derive possible conditions for which quantum machine learning can play a role in cybersecurity in the next years. To simplify the process of simulation of quantum machine learning algorithms, we develop an open-source framework.

Il machine learning quantistico è una disciplina recente che unisce concetti del calcolo quantistico e del machine learning classico, in modo da garantire vantaggiosi speed-ups rispetto al caso classico per risolvere vari tipi di problemi. In questo lavoro proponiamo uno studio su possibili applicazioni del machine learning quantistico per risolvere problemi di sicurezza informatica, analizzandone i relativi vantaggi e svantaggi. Per fare questo simuliamo algoritmi di machine learning quantistico per rilevare intrusioni di rete. In questa tesi, assumiamo di simulare gli algoritmi quantistici come se avessimo a disposizione un computer quantistico fault-tolerant. Gli algoritmi di machine learning quantistico che utilizziamo possono essere considerati come algoritmi di approssimazione randomizzati. Infatti essi sono formalizzati in teoremi che ne descrivono la probabilità di fallimento, l'errore di approssimazione che dobbiamo tollerare e il tempo di esecuzione. L'errore di approssimazione e la probabilità di fallimento sono parametri del tempo di esecuzione. Per questo, l'obiettivo principale è quello di studiare il trade-off tra l'errore di approssimazione e il tempo di esecuzione degli algoritmi quantistici considerati. In particolare, troviamo casi di errore che ci permettano di ottenere le stesse performance dei rispettivi algoritmi classici e, allo stesso tempo, di osservare un numero ragionevole di dati e features tali da garantire uno speed-up quantistico rispetto agli algoritmi classici. In questa tesi quindi vogliamo studiare se e come il machine learning quantistico potrà impiegare un ruolo importante nella sicurezza informatica del futuro. Per semplificare il processo di simulazione degli algoritmi quantistici, abbiamo sviluppato un framework open-source.