研究測試兩種量子機器學習演演算法用於惡意軟體分類
背景
隨着網路攻擊者對系統的入侵和攻擊技能的提高，許多企業和個人在檢測和準確識別惡意軟體方面面臨着巨大的挑戰。當前，網路安全專家們正在探索使用機器學習技術分類惡意軟體，並確保應該採取的行動來清除它們。雖然其中一些技術取得了良好的成果，但研究表明，它們中的許多技術存在無法準確識別未遇到的惡意軟體或存在破譯問題的問題。爲了發掘更可靠的惡意軟體分類方法，橙色創新公司的研究人員最近進行了一項研究，評估了兩種量子機器學習演演算法的潛力。
研究內容
橙色創新公司的 Tony Quertier 和 Grégoire Barrué開展了研究，探索量子機器學習在惡意軟體分類中的潛力與約束。他們的研究使用兩個不同的量子機器學習模型，即 QSVM 和 QNN，對惡意軟體進行分類。其中 QSVM 是針對支援向量機的量子演演算法適應版，QNN 則是一種經過量子改良的傳統神經網路。研究人員發現，他們所使用的兩種演演算法在使用少量資料進行訓練時表現出了令人鼓舞的結果。其中 QSVM 演演算法的表現已經超越了團隊使用的某些常規支援向量機，而 QNN 演演算法則可以以 87%的準確度對惡意軟體進行分類。
展望
Quertier 和 Barrué表示他們的最終目標是最佳化演演算法，使其能夠從有限的資料中高效提取更多訊息，以提高惡意軟體的分類準確性。在未來的研究中，他們計劃探索其他量子版本的機器學習演演算法，例如量子卷積網路（QCCNs），同時使用數學方法來最佳化和分析可用資料。當問及這些方法的前景時，Quertier 說：“我們認爲，隨着更復雜的方法和更多的資料可用，這些演演算法的效能可能會有所提高。隨着我們對他們的深入研究，我們相信我們會發現更好的結果，從而使惡意軟體分類更加高效和準確。”
思考與建議
這項研究爲惡意軟體分類提供了創新方法，爲 IT 安全專業人員提供了更多選擇。然而研究人員認爲，當前量子機器學習演演算法的應用仍處於初級階段，需要進一步最佳化和改進。對於企業和個人而言，理解安全技術的發展和應用非常重要，可以透過培訓和諮詢服務，向專業安全人員尋求幫助。此外在實際操作中，建議企業和個人選擇多種安全技術結合使用，以確保網路和系統的安全性和可靠性。
延伸閱讀
- 微軟和 Quantinuum 或帶領量子計算的下一個時代
- 微軟和 Quantinuum 表示他們已經開啟了下一個量子計算時代
- OctoAI 推出 OctoStack，讓私人 AI 模型部署更輕鬆
- 這週人工智慧專題：別忘了那些不起眼的資料標註者
- 大型語言模型可幫助家庭機器人在無需人類幫助的情況下恢復錯誤
- 本週人工智慧大事件：Midjourney 打賭能擊敗版權警察
- AI 動力對話機器人 ChatGPT：一切你需要知道的
- Diffusion 變壓器是 OpenAI Sora 背後的關鍵 - 它們將顛覆 GenAI
- 德國非營利機構正在打造一個任何人都可以使用的開放式語音助手
- Google 推出更多的 Gemini 模型，供開發人員使用
