Implementation of Quantum Machine Learning for Attack Detection in 5G Networks

Abstract

Quantum Computing (QC) has been an disruptive technology with applications in cryptography, optimization problems, and big data processing. When applying these technologies to Machine Learning (ML), Quantum Machine Learning (QML) exploits quantum mechanics concepts such as superposition and entanglement to accelerate algorithms and bypass computational challenges that encumber traditional approaches. In this thesis, we explore the possibility of QML for intrusion detection in 5G networks. Our contribution lies in the implementation and comparison of two typical quantum algorithms, the Quantum Support Vector Machine (QSVM) and the Variational Quantum Classifier (VQC). Highlights include areas where QML models show improvement compared to traditional methods, as well as current limitations.***

L’informatique quantique s’est imposée comme une technologie de rupture avec des applications en cryptographie, en optimisation et dans le traitement des grandes données. Lorsqu’elle est appliquée à l’apprentissage automatique, l’apprentissage automatique quantique exploite des concepts de la mécanique quantique tels que la superposition et l’intrication afin d’accélérer les algorithmes et de surmonter les limites computationnelles des approches classiques. Dans ce mémoire, nous étudions la faisabilité de l’apprentissage automatique quantique pour la détection d’intrusions dans les réseaux 5G. Notre contribution réside dans l’implémentation et la comparaison de deux algorithmes quantiques représentatifs, la machine à vecteurs de support quantique et le classificateur quantique variationnel. Les résultats mettent en évidence les cas où les modèles quantiques présentent des améliorations par rapport aux méthodes conventionnelles.