源代码中的软件供应链漏洞检测：传统与量子机器学习算法性能比较
密码学与安全
2023-06-16 v1 机器学习
量子物理
摘要
软件供应链（SSC）攻击已成为随着软件开发领域发展而迅速增长的关键问题之一。通常，SSC攻击在软件开发过程中实施，导致面向下游客户甚至相关利益相关者的软件产品中出现漏洞。机器学习方法已被证明可用于检测和预防软件安全漏洞。此外，新兴的量子机器学习在应对SSC攻击方面具有潜力。考虑到传统机器学习与量子机器学习的差异，性能可能因实验数据集的比例不同而有所变化。本文中，我们使用名为ClaMP的软件供应链攻击数据集，对量子神经网络（QNN）与传统神经网络（NN）进行比较分析。我们的目标是区分QNN与NN的性能，为此我们利用Pennylane实现量子模型、利用TensorFlow和Keras实现传统模型，分别构建了两种不同的QNN和NN模型。我们使用不同比例的ClaMP数据集评估两个模型的性能，以识别f1分数、召回率、精确率和准确率。我们还测量了执行时间以检验两个模型的效率。演示结果表明，在数据集占比较高时QNN的执行时间长于NN。鉴于QNN近期的发展，未来研究需开展大量实验以准确理解这两种模型。
引用
@article{arxiv.2306.08060,
title = {Software Supply Chain Vulnerabilities Detection in Source Code: Performance Comparison between Traditional and Quantum Machine Learning Algorithms},
author = {Mst Shapna Akter and Md Jobair Hossain Faruk and Nafisa Anjum and Mohammad Masum and Hossain Shahriar and Akond Rahman and Fan Wu and Alfredo Cuzzocrea},
journal= {arXiv preprint arXiv:2306.08060},
year = {2023}
}