La ciberseguridad se ha convertido en un aspecto crucial que impacta todos los ámbitos de nuestra vida diaria. Desde la protección de datos personales hasta la seguridad de infraestructuras críticas, el riesgo de sufrir un ciberataque es una preocupación constante. Por ello, es esencial desarrollar técnicas cada vez más avanzadas para salvaguardar la información y prevenir accesos maliciosos.
En este contexto, la implementación de algoritmos de aprendizaje automático (machine learning o ML) se presenta como una herramienta clave para anticiparse a situaciones críticas. Su estudio en el ámbito académico resulta fundamental para avanzar en esta área.
Nueva perspectiva con la computación cuántica
La emergente disciplina de la computación cuántica abre un fascinante campo de trabajo donde los principios de la física cuántica se utilizan para ofrecer capacidades de cómputo que superan las limitaciones de la computación clásica. Un reciente estudio publicado en la revista Optimization and Engineering, realizado por el doctorando de la Universidad de La Laguna, Carlos Rosa Remedios, bajo la supervisión de la catedrática Pino Caballero Gil, explora cómo trasladar algoritmos tradicionales al ámbito cuántico para identificar ataques cibernéticos.
Este proceso implica una laboriosa recopilación y análisis de datos sobre ataques previos, donde se definen características que permiten distinguir entre situaciones normales y potenciales amenazas. Cada conjunto de datos recibe una etiqueta que indica si corresponde a un ataque o no.
Transformación y optimización en el mundo cuántico
Sin embargo, al aplicar computación cuántica, estos conjuntos de datos deben cumplir condiciones específicas. Se requiere convertir variables alfanuméricas a numéricas y ajustar las características disponibles, asegurando un balance adecuado entre datos que reflejan ataques y aquellos que representan normalidad. Para facilitar su comprensión, el estudio incluye una sección dedicada a los principios básicos de la computación cuántica y las bases matemáticas detrás de los algoritmos utilizados.
Posteriormente, se desarrolla una rigurosa metodología para implementar algoritmos de machine learning en el contexto cuántico, conocido como Quantum Machine Learning. Este proceso comienza con un mapeo de características que transforma los datos clásicos del conjunto en estados cuánticos utilizando qubits. Luego se aplica un circuito cuántico parametrizado y se emplea un algoritmo de optimización para completar el proceso.
El estudio aborda tres problemas relevantes en ciberseguridad desde una perspectiva cuántica: detección de malware en sistemas Android, identificación de correos spam y prevención del phishing en páginas web. Además, detalla meticulosamente todos los pasos necesarios para llevar un dataset tradicional hacia la aplicación efectiva de algoritmos QML.
Análisis comparativo y futuro prometedor
A través de un extenso análisis comparativo entre diversas combinaciones de algoritmos empleados en QML, algunos resultados han mostrado precisiones cercanas a las obtenidas por algoritmos clásicos. Esto representa un avance significativo considerando el tiempo evolutivo que han tenido los métodos tradicionales frente a esta nueva disciplina emergente.
Asimismo, se ha llevado a cabo una comparación entre las arquitecturas de procesadores x86 de Intel y ARM (en particular, la arquitectura Silicon de Apple), revelando una notable reducción del tiempo de cómputo al utilizar esta última. Este hallazgo abre nuevas líneas para futuras investigaciones sobre esta arquitectura innovadora.
Si (
No(
