في السنوات الأخيرة، كان هناك اهتمام متزايد بالتعلم الآلي الكمي (QML) واستخدامه في اكتشاف التسللات الشبكية (NIDS). وقد وردت تقارير عديدة عن دقة قريبة من الكمال تحققها هذه النماذج، ولكن الدراسات الأكثر دقة تكشف بأن النماذج الكلاسيكية المجهزة بشكل جيد لا تزال تنافس وبقوة. لذلك، يمكن القول إن المزايا الظاهرة من استخدام تقنيات التعلم الآلي الكمي قد تكون نتيجة لانخفاض الأبعاد الكلاسيكية أو تنظيم غير معروف، وليس تأثيرات كميّة حقيقية.

تسعى هذه الدراسة لمعالجة سؤال محوري: ما مدى فعالية ميزة التعلم الآلي الكمي في الواقع؟ نحن نقدم Benchmark موحد وقابل لإعادة الإنتاج يقيم دوائر الكم المتغير الهجينة وأنظمة دعم القرار الكمية (quantum-kernel SVMs) مقابل خمسة نماذج كلاسيكية مزودة بشكل دقيق، من خلال استخدام أربعة مجموعات بيانات قياسية لتقييم نُظم اكتشاف التسللات.

عملنا ضمن بروتوكول يتحكم في تسرب البيانات، مع معايير متوازنة تسعى لإظهار أداء عادل. تم الاستخدام أيضاً لمتغيرات عدم التوازن والقياس بشكل دقيق. من خلال تجارب متعددة، وجدنا أن الموديلات الكلاسيكية (مثل Random Forest وXGBoost) قد تطابقت أو تفوقت على الموديلات الكمية في مستويات الكشف عبر جميع المجموعات.

هذا الاستنتاج يدعونا للتفكير بعمق: إذا كانت النتائج تظهر أن تطبيقات التعلم الآلي الكمي لا تجلب القفزات المختلفة التي كنا نعتقدها، فما دورها في المستقبل؟ هل يمكننا الاعتماد عى تقنيات التعلم الكمي، أم أن التركيز يجب أن يبقى على أساليب التعلم التقليدي؟

ندعوكم للتفاعل ومشاركتنا آراءكم حول القادمة للتعلم الآلي الكمي وأثرها المحتمل على مجال اكتشاف التسللات الشبكية. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.