Come può un mix di intelligenza classica e quantistica fermare gli attacchi DDoS nei veicoli?

Le reti veicolari definite dal software (SDVN) sono il futuro della mobilità intelligente, ma la loro architettura centralizzata le rende vulnerabili. Un attacco Distributed Denial of Service (DDoS) può saturare il controller centrale, bloccando la comunicazione tra auto e infrastrutture. Per contrastare questa minaccia, ricercatori hanno creato un modello ibrido che combina intelligenza artificiale classica e calcolo quantistico. Il cuore del sistema è una Classical‑Quantum Neural Network (C‑QNN), che usa circuiti quantistici di PennyLane integrati a una rete neurale tradizionale. Sono state testate anche due varianti: una Classical‑Quantum Boltzmann Machine (C‑QBM) e una Classical‑Quantum K‑Means (C‑QKM). I test sono stati eseguiti su una simulazione di rete veicolare con veicoli che viaggiano da 0 a 100 km/h, usando due dataset di attacchi DDoS (UNB‑CIC‑DDoS e Kaggle DDoS). La C‑QNN ha superato le altre, raggiungendo il 99 % di accuratezza sul primo dataset e il 90 % sul secondo. Questo risultato dimostra che l’uso di circuiti quantistici può migliorare la capacità di distinguere traffico legittimo da quello malevolo, aprendo la strada a difese più robuste per le future città connesse.

Il modello ibrido proposto sfrutta la capacità dei circuiti quantistici di rappresentare stati di sovrapposizione e di entanglement, caratteristiche che aumentano la dimensionalità dello spazio di feature senza richiedere più parametri classici. In pratica, ogni dato di traffico (ad esempio, numero di pacchetti, durata della connessione, dimensione media dei payload) viene codificato in un vettore di input che alimenta una rete neurale tradizionale. Parallelamente, lo stesso vettore è trasformato in una serie di rotazioni di qubit mediante porte parametrizzate (RX, RY, RZ) implementate in PennyLane. Il risultato è uno stato quantistico il cui ampiezza di probabilità contiene informazioni non lineari difficili da catturare con metodi puramente classici. Durante la fase di training, l’algoritmo ottimizza sia i pesi della rete classica sia i parametri delle porte quantistiche, minimizzando una funzione di perdita basata sulla cross‑entropy. La C‑QBM, invece, utilizza una rete di Boltzmann quantistica in cui le probabilità di occorrenza degli stati sono calcolate tramite il formalismo di Gibbs quantistico, ma risulta più sensibile al rumore dei simulatore. La C‑QKM applica il clustering quantistico, sfruttando la distanza di Bures tra stati densità per raggruppare i flussi di traffico. I dataset usati includono il UNB‑CIC‑DDoS, con 10 milioni di flussi etichettati, e il Kaggle DDoS, più vario ma meno bilanciato. Le metriche di valutazione (accuratezza, precisione, recall, F1‑score) mostrano che la C‑QNN mantiene un trade‑off ottimale tra capacità di generalizzazione e complessità computazionale, grazie anche a tecniche di regularizzazione quantistica come la penalizzazione della entanglement entropy. Questo approccio dimostra come l’integrazione di moduli quantistici possa potenziare sistemi di difesa in tempo reale, aprendo la strada a future implementazioni su hardware quantistico reale, dove la latenza di esecuzione sarà ulteriormente ridotta.