Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

CONTECSI - International Conference on Information Systems and Technology Management

QUANTUM MACHINE LEARNING FOR NETWORK INTRUSION DETECTION SYSTEMS, A SYSTEMATIC LITERATURE REVIEW

Otavio Kiyatake Nicesio, Adriano Galindo Leal, Vagner Luiz Gava

Published Feb 28, 2023• 1 citation
Publisher

Abstract

Quantum computing is a potential solution to several problems that classical computing faces such as computational time complexity. Quantum machine learning is therefore expected to have better runtime, capacity, and learning efficiency than classical methods offer. This article aims to present a systematic review of the state-of-the-art literature on quantum machine learning for cybersecurity in the specific application of network intrusion detection systems (IDS), identifying, analyzing, and correlating the different proposals for implementing quantum or hybrid algorithms. The methodology follows the Systematic Literature Review method, which, after its application, identified 5 articles that implemented quantum machine learning algorithms in the context of intrusion detection systems. The main algorithms were variational hybrid quantum-classical, with models based in quantum support vector machines and quantum neural networks. Benefits compared to purely classical models were observed and described, such as improved accuracy of attacking traffic data classification and reduced training time. A computação quântica é uma solução potencial para diversos problemas que a computação clássica enfrenta como a complexidade de tempo computacional. Espera-se, portanto, que o aprendizado de máquina quântico apresente tempo de execução, capacidade e eficiência de aprendizado melhores do que os métodos clássicos oferecem. O presente artigo visa a apresentar uma revisão sistemática da literatura do estado da arte em aprendizado de máquina quântico para cibersegurança na aplicação específica de sistemas de detecção de intrusão em redes (IDS), identificando, analisando e correlacionando as diferentes propostas de implementação dos algoritmos quânticos ou híbridos. A metodologia utilizada segue o método de Revisão Sistemática de Literatura, o qual, após sua aplicação, identificou 5 artigos que implementaram algoritmos de aprendizado de máquina quântico no contexto de sistemas de detecção de intrusão. Os principais algoritmos foram clássico-quânticos híbridos variacionais, com um modelo baseado em máquinas de vetores de suporte quânticas e redes neurais quânticas. Os benefícios em comparação aos modelos puramente clássicos foram observados e descritos, como a melhoria na precisão da classificação dos dados de tráfego atacante e tempo de treinamento reduzido.

DOI
10.5748/19contecsi/pse/sec/7088

Related papers

Quantum Machine Learning for Network Intrusion Detection Systems, a Systematic Literature Review

Otavio Kiyatake Nicesio, Adriano Galindo Leal, Vagner Luiz Gava

Quantum computing presents potential advantages over classical computing in terms of computational complexity. Therefore, it is expected for quantum machine learning applications to have improvements in capacity and learning efficiency over classical machine learning methods. This paper aims to present a Systematic Literature Review of articles published between 2017 and 2022, identifying, analyzing, and comparing different proposals of quantum machine learning applications for network intrusion detection systems (IDS). This study focused on identifying papers that implemented quantum machine learning algorithms in the context of intrusion detection systems. The main algorithms found were variational hybrid quantum-classical, with models based on quantum support vector machines and quantum neural networks. Benefits compared to classical models were observed and described, such as reduced training time and improved classification accuracy for attacking traffic.

IEEE International Conference on AI in Cybersecurity (ICAIC)•Feb 7, 2023•26 citations

Limites e possibilidades da complexidade computacional quântica

Reinaldo Augusto de Oliveira Ramos, Fabiana Raulino da Silva, Rafael Diogo Rossetti

O artigo explora o impacto da computação quântica na teoria da complexidade computacional, com destaque para as classes P e BQP, abordando como os paradigmas quânticos desafiam as categorizações clássicas de problemas. Ao examinar os algoritmos de Shor e Grover, o estudo discute a maneira como esses algoritmos ampliam o escopo de problemas considerados resolvíveis, o que anteriormente era inviável em termos de tempo polinomial em sistemas clássicos. A análise apresenta uma revisão histórica das classes de complexidade, abordando o surgimento e a importância das classes P e NP e a relevância de algoritmos quânticos em problemas intratáveis. Além disso, o artigo aborda a introdução de teorias híbridas que integram métodos clássicos e quânticos, como o Variational Quantum Eigensolver (VQE) e o Quantum Annealing, destacando a eficiência dessas abordagens para resolver problemas de otimização complexos. As discussões sobre as classes probabilísticas BPP e PP também são centrais para compreender o papel da probabilidade em algoritmos quânticos, uma característica intrínseca ao modelo de computação quântica. O estudo justifica-se pela necessidade de uma reavaliação contínua das bases da teoria da complexidade frente aos avanços quânticos, que redefinem limites teóricos e práticos. Embora a computação quântica ainda enfrente desafios, como a estabilidade dos qubits, as propostas de paradigmas híbridos oferecem caminhos promissores para resolver problemas de alta complexidade, sinalizando uma transição para uma era computacional mista, com potencial para revolucionar a resolução de problemas no século XXI.

TECCOGS Revista Digital de Tecnologias Cognitivas•Mar 19, 2025•0 citations

Otimização de circuitos para a inicialização de estados quânticos

Israel F. Araujo

A teoria dos algoritmos quânticos promete benefícios sem precedentes ao utilizar as leis da mecânica quântica para resolver certos problemas computacionais. Entretanto, alguns desafios impedem que tais vantagens se apliquem a todos os algoritmos quânticos. Entre esses desafios está o desenvolvimento de uma codificação eficiente de dados clássicos em um estado quântico. Em aplicações práticas, o custo para carregar a informação clássica em um dispositivo quân- tico pode dominar o custo computacional assintótico do algoritmo. Foram propostos diversos métodos baseados em circuitos para codificar dados clássicos nas amplitudes de probabilidade de um estado quântico. Entretanto, esses métodos produzem circuitos com complexidade que cresce linearmente com o tamanho do dado, anulando o benefício da aplicação quântica. O objetivo principal deste trabalho é reduzir a complexidade computacional dos circuitos para a inicialização de estados quânticos. As duas estratégias utilizadas para alcançar tal objetivo exploram a troca de complexidade temporal por espacial ou a transferência de complexidade computacional para um computador clássico. A primeira estratégia reinterpreta métodos al- gébricos para a decomposição de estados quânticos como caminhadas ao longo de árvores binárias. A segunda investiga o grau de emaranhamento de bipartições do estado quântico através da decomposição de Schmidt. Os métodos baseados em árvore alcançam uma redução exponencial na profundidade dos circuitos, em comparação às abordagens existentes. Os base- ados na decomposição de Schmidt produzem circuitos de complexidade variável, proporcional ao emaranhamento do estado. A perspectiva é que o resultado desta tese auxilie os profissionais da computação quântica durante a era dos dispositivos ruidosos de escala intermediária.

•Sep 1, 2022•0 citations

Advancements in Quantum Machine Learning for Intrusion Detection

Esteban Payares, Juan Carlos Martínez-Santos

This chapter provides a comprehensive overview of the recent developments in quantum machine learning for intrusion detection systems. The authors review the state of the art based on the published work “Quantum Machine Learning for Intrusion Detection of Distributed Denial of Service Attacks: A Comparative View” and its relevant citations. The chapter discusses three quantum models, including quantum support vector machines, hybrid quantum-classical neural networks, and a two-circuit ensemble model, which run parallel on two quantum processing units. The authors compare the performance of these models in terms of accuracy and computational resource consumption. Their work demonstrates the effectiveness of quantum models in supporting current and future cybersecurity systems, achieving close to 100% accuracy, with 96% being the worst-case scenario. The chapter concludes with future research directions for this promising field.

Advances in digital crime, forensics, and cyber terrorism book series•Sep 7, 2023•2 citations

Modelos de Quantum Machine Learning Aplicados na Classificação de Imagens Coloridas: Comparação entre Modelos Híbridos e Clássicos

Leonardo S. Belluzzo, Regina Melo Silveira

Inspiradas pelas Convolutional Neural Networks, as Quantum Convolutional Neural Networks exploram a aplicação de computação quântica em problemas de aprendizado de máquina visando alcançar melhor desempenho de classificação e convergência mais rápida. Considerando a escalabilidade limitada de circuitos quânticos, propõe-se um modelo híbrido para a classificação de imagens coloridas utilizando menor número de qubits e de circuitos em relação a outros modelos da literatura. O modelo proposto apresenta métricas de desempenho competitivas com modelos clássicos e menor variabilidade em seu treinamento, produzindo evidências de possíveis benefícios no uso da computação quântica na área de aprendizado de máquina.

Simpósio Brasileiro de Computação e Comunicação Quânticas (SBCCQ)•Jul 19, 2026•0 citations

Quantum Machine Learning Techniques for Network Defense: Comparative Study of Quantum vs. Classical Approaches

J Rosemary, Adrishya Maria Abraham

With the potential for quantum computing to completely transform cybersecurity, quantum machine learning is becoming a ground-breaking technology. Cyber-attacks have been successfully countered by traditional network defense systems, which mostly use conventional machine learning (ML) techniques. However, the growing complexity of assaults and the exponential expansion of network data reveal the shortcomings of traditional methods, especially with regard to speed and scalability. By utilizing quantum algorithms like Quantum Support Vector Machines (QSVM), Quantum Neural Networks (QNN), and Variational Quantum Circuits (VQC), Quantum Machine Learning (QML) presents a viable substitute. These methods are especially well-suited for real-time network defense scenarios since they show the capacity to handle high-dimensional data, identify complex patterns, and increase computational efficiency. In this research, the effectiveness of QML techniques in network defense is thoroughly examined and contrasted with that of traditional machine learning techniques. The study emphasizes how QML may surpass conventional models in terms of accuracy, scalability, and resilience against sophisticated threats by concentrating on use cases like intrusion detection, malware analysis, and anomaly detection. The necessity for hybrid quantum-classical models and the present constraints of quantum hardware are among the difficulties that are discussed in the study. This study highlights the revolutionary potential of QML in strengthening network defense mechanisms and identifies crucial areas for further research, paving the road for a secure digital future by combining theoretical ideas with experimental discoveries.

International Research Journal on Advanced Engineering and Management (IRJAEM)•Dec 20, 2024•1 citation
Quantum computing is a potential solution to several problems that classical computing faces such as computational time complexity. Quantum machine learning is therefore expected to have better runtime, capacity, and learning efficiency than classical methods offer. This article aims to present a systematic review of the state-of-the-art literature on quantum machine learning for cybersecurity in the specific application of network intrusion detection systems (IDS), identifying, analyzing, and correlating the different proposals for implementing quantum or hybrid algorithms. The methodology follows the Systematic Literature Review method, which, after its application, identified 5 articles that implemented quantum machine learning algorithms in the context of intrusion detection systems. The main algorithms were variational hybrid quantum-classical, with models based in quantum support vector machines and quantum neural networks. Benefits compared to purely classical models were observed and described, such as improved accuracy of attacking traffic data classification and reduced training time. A computação quântica é uma solução potencial para diversos problemas que a computação clássica enfrenta como a complexidade de tempo computacional. Espera-se, portanto, que o aprendizado de máquina quântico apresente tempo de execução, capacidade e eficiência de aprendizado melhores do que os métodos clássicos oferecem. O presente artigo visa a apresentar uma revisão sistemática da literatura do estado da arte em aprendizado de máquina quântico para cibersegurança na aplicação específica de sistemas de detecção de intrusão em redes (IDS), identificando, analisando e correlacionando as diferentes propostas de implementação dos algoritmos quânticos ou híbridos. A metodologia utilizada segue o método de Revisão Sistemática de Literatura, o qual, após sua aplicação, identificou 5 artigos que implementaram algoritmos de aprendizado de máquina quântico no contexto de sistemas de detecção de intrusão. Os principais algoritmos foram clássico-quânticos híbridos variacionais, com um modelo baseado em máquinas de vetores de suporte quânticas e redes neurais quânticas. Os benefícios em comparação aos modelos puramente clássicos foram observados e descritos, como a melhoria na precisão da classificação dos dados de tráfego atacante e tempo de treinamento reduzido.
Quantum computing presents potential advantages over classical computing in terms of computational complexity. Therefore, it is expected for quantum machine learning applications to have improvements in capacity and learning efficiency over classical machine learning methods. This paper aims to present a Systematic Literature Review of articles published between 2017 and 2022, identifying, analyzing, and comparing different proposals of quantum machine learning applications for network intrusion detection systems (IDS). This study focused on identifying papers that implemented quantum machine learning algorithms in the context of intrusion detection systems. The main algorithms found were variational hybrid quantum-classical, with models based on quantum support vector machines and quantum neural networks. Benefits compared to classical models were observed and described, such as reduced training time and improved classification accuracy for attacking traffic.
O artigo explora o impacto da computação quântica na teoria da complexidade computacional, com destaque para as classes P e BQP, abordando como os paradigmas quânticos desafiam as categorizações clássicas de problemas. Ao examinar os algoritmos de Shor e Grover, o estudo discute a maneira como esses algoritmos ampliam o escopo de problemas considerados resolvíveis, o que anteriormente era inviável em termos de tempo polinomial em sistemas clássicos. A análise apresenta uma revisão histórica das classes de complexidade, abordando o surgimento e a importância das classes P e NP e a relevância de algoritmos quânticos em problemas intratáveis. Além disso, o artigo aborda a introdução de teorias híbridas que integram métodos clássicos e quânticos, como o Variational Quantum Eigensolver (VQE) e o Quantum Annealing, destacando a eficiência dessas abordagens para resolver problemas de otimização complexos. As discussões sobre as classes probabilísticas BPP e PP também são centrais para compreender o papel da probabilidade em algoritmos quânticos, uma característica intrínseca ao modelo de computação quântica. O estudo justifica-se pela necessidade de uma reavaliação contínua das bases da teoria da complexidade frente aos avanços quânticos, que redefinem limites teóricos e práticos. Embora a computação quântica ainda enfrente desafios, como a estabilidade dos qubits, as propostas de paradigmas híbridos oferecem caminhos promissores para resolver problemas de alta complexidade, sinalizando uma transição para uma era computacional mista, com potencial para revolucionar a resolução de problemas no século XXI.
A teoria dos algoritmos quânticos promete benefícios sem precedentes ao utilizar as leis da mecânica quântica para resolver certos problemas computacionais. Entretanto, alguns desafios impedem que tais vantagens se apliquem a todos os algoritmos quânticos. Entre esses desafios está o desenvolvimento de uma codificação eficiente de dados clássicos em um estado quântico. Em aplicações práticas, o custo para carregar a informação clássica em um dispositivo quân- tico pode dominar o custo computacional assintótico do algoritmo. Foram propostos diversos métodos baseados em circuitos para codificar dados clássicos nas amplitudes de probabilidade de um estado quântico. Entretanto, esses métodos produzem circuitos com complexidade que cresce linearmente com o tamanho do dado, anulando o benefício da aplicação quântica. O objetivo principal deste trabalho é reduzir a complexidade computacional dos circuitos para a inicialização de estados quânticos. As duas estratégias utilizadas para alcançar tal objetivo exploram a troca de complexidade temporal por espacial ou a transferência de complexidade computacional para um computador clássico. A primeira estratégia reinterpreta métodos al- gébricos para a decomposição de estados quânticos como caminhadas ao longo de árvores binárias. A segunda investiga o grau de emaranhamento de bipartições do estado quântico através da decomposição de Schmidt. Os métodos baseados em árvore alcançam uma redução exponencial na profundidade dos circuitos, em comparação às abordagens existentes. Os base- ados na decomposição de Schmidt produzem circuitos de complexidade variável, proporcional ao emaranhamento do estado. A perspectiva é que o resultado desta tese auxilie os profissionais da computação quântica durante a era dos dispositivos ruidosos de escala intermediária.
This chapter provides a comprehensive overview of the recent developments in quantum machine learning for intrusion detection systems. The authors review the state of the art based on the published work “Quantum Machine Learning for Intrusion Detection of Distributed Denial of Service Attacks: A Comparative View” and its relevant citations. The chapter discusses three quantum models, including quantum support vector machines, hybrid quantum-classical neural networks, and a two-circuit ensemble model, which run parallel on two quantum processing units. The authors compare the performance of these models in terms of accuracy and computational resource consumption. Their work demonstrates the effectiveness of quantum models in supporting current and future cybersecurity systems, achieving close to 100% accuracy, with 96% being the worst-case scenario. The chapter concludes with future research directions for this promising field.
Inspiradas pelas Convolutional Neural Networks, as Quantum Convolutional Neural Networks exploram a aplicação de computação quântica em problemas de aprendizado de máquina visando alcançar melhor desempenho de classificação e convergência mais rápida. Considerando a escalabilidade limitada de circuitos quânticos, propõe-se um modelo híbrido para a classificação de imagens coloridas utilizando menor número de qubits e de circuitos em relação a outros modelos da literatura. O modelo proposto apresenta métricas de desempenho competitivas com modelos clássicos e menor variabilidade em seu treinamento, produzindo evidências de possíveis benefícios no uso da computação quântica na área de aprendizado de máquina.
With the potential for quantum computing to completely transform cybersecurity, quantum machine learning is becoming a ground-breaking technology. Cyber-attacks have been successfully countered by traditional network defense systems, which mostly use conventional machine learning (ML) techniques. However, the growing complexity of assaults and the exponential expansion of network data reveal the shortcomings of traditional methods, especially with regard to speed and scalability. By utilizing quantum algorithms like Quantum Support Vector Machines (QSVM), Quantum Neural Networks (QNN), and Variational Quantum Circuits (VQC), Quantum Machine Learning (QML) presents a viable substitute. These methods are especially well-suited for real-time network defense scenarios since they show the capacity to handle high-dimensional data, identify complex patterns, and increase computational efficiency. In this research, the effectiveness of QML techniques in network defense is thoroughly examined and contrasted with that of traditional machine learning techniques. The study emphasizes how QML may surpass conventional models in terms of accuracy, scalability, and resilience against sophisticated threats by concentrating on use cases like intrusion detection, malware analysis, and anomaly detection. The necessity for hybrid quantum-classical models and the present constraints of quantum hardware are among the difficulties that are discussed in the study. This study highlights the revolutionary potential of QML in strengthening network defense mechanisms and identifies crucial areas for further research, paving the road for a secure digital future by combining theoretical ideas with experimental discoveries.