QML para Detecção de Anomalias em Tráfego de Rede

Implementação de um Circuito Quântico Variacional (VQC) para classificação binária de tráfego de rede, distinguindo conexões normais de ataques DoS. O modelo é comparado com baselines clássicos (Regressão Logística e SVM-RBF).

---

Resultados — experimento principal (300 amostras, NSL-KDD)

Modelo	Acurácia	F1-Score	Parâmetros
VQC (Quântico)	89,33%	0,8571	16
Regressão Logística	93,33%	0,9123	9
SVM (RBF)	94,67%	0,9286	N/A

---

Frameworks e Tecnologias

---

Instalação

pip install pennylane pennylane-lightning scikit-learn pandas matplotlib numpy

Como rodar

1. Baixar o dataset:

python download_nsl_kdd.py

2. Experimento principal (gera circuit_diagram.png, loss_curve.png, comparison.png):

python qml_nsl_kdd.py

3. Curva de aprendizado comparando VQC vs. baselines (gera learning_curve.png):

python learning_curve.py

---

Arquitetura do VQC

• 8 qubits com AngleEmbedding
• 2 camadas de RY + CNOT
• 16 parâmetros treináveis
• Otimizador: Adam
• Loss: Binary Cross-Entropy

---

Dataset

NSL-KDD — use download_nsl_kdd.py para baixar automaticamente.