Quanten-Machine-Learning verbessert Malware-Erkennung

Mit dem Aufkommen von Quantencomputern eröffnet sich ein neues Feld für die Erkennung von Malware. In einer aktuellen Studie werden zwei hybride Quanten‑klassische Modelle – der Quantum Multilayer Perceptron (QMLP) und das Quantum Convolutional Neural Network (QCNN) – für die Malware‑Klassifikation untersucht.

Beide Ansätze nutzen die sogenannte Angle‑Embedding‑Technik, um Merkmale von Malware in Quanten­zustände zu kodieren. Der QMLP erkennt komplexe Muster durch vollständige Qubit‑Messungen und wiederholtes Hochladen der Daten, während das QCNN durch Quanten‑Convolution‑ und Pooling‑Schichten schneller trainiert werden kann, indem die aktive Qubit‑Anzahl reduziert wird.

Die Modelle wurden auf fünf weit verbreiteten Malware‑Datensätzen getestet: API‑Graph, EMBER‑Domain, EMBER‑Class, AZ‑Domain und AZ‑Class. Bei binären Klassifikationsaufgaben erzielte der QMLP eine Genauigkeit von 95‑96 % auf API‑Graph, 91‑92 % auf AZ‑Domain und 77 % auf EMBER‑Domain.

In den Multiklassen‑Szenarien lagen die Genauigkeiten zwischen 91,6 % und 95,7 % für API‑Graph, 41,7 % bis 93,6 % für AZ‑Class und 60,7 % bis 88,1 % für EMBER‑Class. Der QMLP übertrifft das QCNN bei komplexen Multiklassenaufgaben, während das QCNN durch schnellere Trainingszeiten punktet, jedoch mit etwas geringerer Genauigkeit.

Die Ergebnisse zeigen, dass Quanten‑Machine‑Learning ein vielversprechendes Werkzeug für die Malware‑Analyse darstellt und insbesondere der QMLP Ansatz bei anspruchsvollen Klassifikationsaufgaben herausragende Leistungen liefert.