Quantum-Autoencoder erkennt IoT-Anomalien in Echtzeit – NISQ-Geräte nutzen

Mit zunehmender Komplexität von IoT-Daten und steigenden Cyberbedrohungen stoßen klassische Anomalieerkennungsalgorithmen an ihre Grenzen. Ein neues Forschungsprojekt präsentiert einen Quantum Autoencoder (QAE), der Netzwerkverkehr in kompakte, diskriminierende latente Darstellungen komprimiert und anschließend eine Quanten-Support-Vector-Klassifikation (QSVC) zur Erkennung von Angriffen einsetzt.

Die Methode wurde auf drei unterschiedlichen Datensätzen getestet und zeigte auf idealen Simulatoren sowie auf realen IBM Quantum-Hardwaregeräten eine verbesserte Genauigkeit. Besonders hervorzuheben ist, dass moderate Depolarisierungsrauschen als implizite Regularisierung wirkt, die Trainingsstabilität erhöht und die Generalisierungsfähigkeit verbessert.

Diese Ergebnisse demonstrieren, dass Quanten-Maschinelles Lernen bereits auf aktuellen NISQ-Geräten einen praktischen Vorteil bietet und damit eine hardware‑bereite Lösung für reale Cybersicherheitsherausforderungen darstellt. Das Projekt legt damit einen wichtigen Schritt in Richtung Einsatz von Quantencomputern in der Echtzeit‑IoT‑Überwachung nahe.