ترجمه فارسی مقاله خوشه‌بندی کوانتومی برای امنیت سایبری

چکیده

In this study, we develop a novel quantum machine learning (QML) framework to analyze cybersecurity vulnerabilities using data from the 2022 CISA Known Exploited Vulnerabilities catalog, which includes detailed information on vulnerability types, severity levels, common vulnerability scoring system (CVSS) scores, and product specifics. Our framework preprocesses this data into a quantum-compatible format, enabling clustering analysis through our advanced quantum techniques, QCSWAPK-means and QkernelK-means. These quantum algorithms demonstrate superior performance compared to state-of-the-art classical clustering techniques like k-means and spectral clustering, achieving Silhouette scores of 0.491, Davies-Bouldin indices below 0.745, and Calinski-Harabasz scores exceeding 884, indicating more distinct and well-separated clusters. Our framework categorizes vulnerabilities into distinct groups, reflecting varying levels of risk severity: Cluster 0, primarily consisting of critical Microsoft-related vulnerabilities; Cluster 1, featuring medium severity vulnerabilities from various enterprise software vendors and network solutions; Cluster 2, with high severity vulnerabilities from Adobe, Cisco, and Google; and Cluster 3, encompassing vulnerabilities from Microsoft and Oracle with high to medium severity. These findings highlight the potential of QML to enhance the precision of vulnerability assessments and prioritization, advancing cybersecurity practices by enabling more strategic and proactive defense mechanisms.

چکیده به فارسی (ترجمه ماشینی)

در این مطالعه ، ما یک چارچوب جدید یادگیری ماشین کوانتومی (QML) جدید برای تجزیه و تحلیل آسیب پذیری های امنیت سایبری با استفاده از داده های کاتالوگ آسیب پذیری های مورد بهره برداری شناخته شده 2022 CISA ، که شامل اطلاعات دقیق در مورد انواع آسیب پذیری ، میزان شدت آسیب پذیری ، سیستم امتیاز دهی آسیب پذیری مشترک (CVS) نمرات ، نمرات است ، تهیه می کنیم.و مشخصات محصولچارچوب ما این داده ها را به یک فرمت سازگار با کوانتومی تبدیل می کند و تجزیه و تحلیل خوشه بندی را از طریق تکنیک های کوانتومی پیشرفته ما ، QCSWAPK-Means و Qkernelk-Mean انجام می دهد.این الگوریتم های کوانتومی عملکرد برتر را در مقایسه با تکنیک های خوشه بندی کلاسیک مدرن مانند K-Means و خوشه بندی طیفی ، دستیابی به نمرات Siluette از 0.491 ، شاخص های دیویس بولدین زیر 0.745 ، و نمرات کالینسکی-هراراباس که بیش از 884 است ، نشان می دهد ، نشان می دهد ، مشخص تر نشان می دهد.و خوشه های جدا شدهچارچوب ما آسیب پذیری ها را در گروه های مجزا طبقه بندی می کند ، که نشان دهنده سطح مختلفی از شدت خطر است: خوشه 0 ، که در درجه اول از آسیب پذیری های بحرانی مرتبط با مایکروسافت تشکیل شده است.خوشه 1 ، دارای آسیب پذیری های شدت متوسط ​​از فروشندگان نرم افزار مختلف سازمانی و راه حل های شبکه.خوشه 2 ، با آسیب پذیری های شدت بالا از Adobe ، Cisco و Google ؛و خوشه 3 ، شامل آسیب پذیری های مایکروسافت و اوراکل با شدت زیاد تا متوسط.این یافته ها پتانسیل QML را برای افزایش دقت ارزیابی های آسیب پذیری و اولویت بندی ، پیشبرد شیوه های امنیت سایبری با فعال کردن مکانیسم های دفاعی استراتژیک و پیشرو تر برجسته می کند.