Quantum Entropy and Reinforcement Learning for Distributed Denial of Service Attack Detection in Smart Grid
Notice bibliographique
Résumé
Distributed Denial of Service (DDoS) threats in Smart Grid are very challenging and considered one of the most destructive cyber-attacks. They are harmfully affecting the power sector and causing substantial financial loss. Classical Reinforcement Learning (RL) models are proposed as a promising solution to the DDoS problem as they learn optimal mitigation policies under different attack scenarios. However, as the RL environment is generally dynamic, which leads to more computation capabilities, classical RL efficiency can be limited as a result of serial processing using classical computing. In this paper, a Quantum Entropy Q-Learning (QEQ) is proposed to fight DDoS in Smart Grid. The proposed framework is compared to a classical Q-Learning (QL) model with and without the Entropy method. The convergence speed and the total rewards performed with the same conditions for QL and are Entropy Q-Learning (EQ) are analyzed to show the QEQ performance. Moreover, the accuracy, precision, recall, and F1 score are evaluated to prove the effectiveness of our QEQ in fighting DDoS attacks. Using the Canadian Institute for Cybersecurity Intrusion Detection System (CICIDS 2019) dataset, a thorough systematic simulation using MATLAB, Python, the open-source Qiskit software, and the Harrow-Hassidim-Lloyd (HHL) quantum algorithm is carried out. This proposed QEQ is better performing the DDoS detection as it is faster enough and more adaptable to dynamic environment changing and able to improve the agent’s decision-making in a changing state action space. Finally, conclusions with some open issues of the Quantum Q-Learning are presented.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».