نقلة نوعية في أمن المعلومات: إطار التعلم الآلي القائم على معدل خطأ الكم الزمني لكشف الهجمات في أنظمة توزيع المفاتيح الكمية

في عالم توزيع المفاتيح الكمية (Quantum Key Distribution - QKD)، يعتبر معدل خطأ الكم الزمني (Quantum Bit Error Rate - QBER) عنصراً محورياً. تعتمد الأنظمة التقليدية على عتبة ثابتة تبلغ 11% لاكتشاف التطفل، ولكن الهجمات الخفية قد تبقى تحت هذه العتبة مع تركها تأثيرات سلبية على أمان القناة. في هذا السياق، أُطلق إطار جديد قائم على التعلم الآلي مصمم خصيصًا لكشف وتصنيف الهجمات.

هذا الإطار المبتكر يتجاوز الاعتماد على معدل QBER المعدل في مستوى الجلسة ويستخرج 63 ميزة زمنية مستندة إلى الفيزياء. هذه الميزات تشمل سلوك الانفجارات، عدم الاستقرار الزمني، عدم التوازن حسب الأساس والتفاعلات المتعلقة بفقدان QBER. تم تقييم خوارزميات Random Forest و XGBoost و Support Vector Machine مع نواة دالة القاعدة الشعاعية (SVM-RBF) على سبع هجمات تجسسية وسيناريوهات قنوات طبيعية تحت ظروف ضوضاء وفقدان.

وفقًا للنتائج، تميز XGBoost بأفضل أداء بنسبة دقة بلغت 88.01%، بينما قدم SVM-RBF أداءً مشابهاً يدعم فعالية الميزات المقترحة. عند المقارنة بنظام المراقبة التقليدي القائم على العتبة الثابتة، أظهر الإطار الجديد تقليصًا لفرصة الخطأ السلبي بنسبة 0.0198، مما يحسن بشكل كبير من قدرة اكتشاف الهجمات التي تتجنب المراقبة التقليدية.

كما تم استخدام SHapley Additive exPlanations (SHAP) لتوضيح أهمية الميزات الزمنية المشتقة، حيث أظهرت أنها فعالة في تمييز استراتيجيات التجسس. تكشف النتائج أن التعلم الآلي المستند إلى QBER الزمني يوفر إطار عمل دقيق، قابل للتفسير وعملي لمراقبة الأمان عبر تعدد الهجمات في أنظمة BB84 QKD.