用于漏洞感知探索和可解释网络安全攻击路径优先级排序的自适应量子行走启发的攻击图编译器

《Scientific Reports》：Adaptive quantum-walk-inspired attack graph compiler for vulnerability-aware exploration and explainable cybersecurity attack path prioritization

　　

摘要

攻击图分析在网络安全中起着关键作用，通过启用攻击路径发现、风险评估和复杂网络环境中的安全优先级排序。然而，现有的攻击图框架往往受到可扩展性有限、探索策略固定和可解释性不足的限制，限制了其在大规模和动态网络基础设施中的应用。为解决这些挑战，本文提出了自适应量子行走启发式攻击图编译器（AQAGC），这是一个量子 - 经典混合攻击图分析框架，利用量子行走原理来改进攻击路径发现、优先级排序和可解释的网络安全风险分析。而非声称具备实际的量子计算优势，AQAGC 利用基于量子行走的表示和混合模拟，研究现实含噪声中等规模量子（NISQ）条件下的可扩展攻击图探索。AQAGC 集成了提出的漏洞感知量子编码（VAQE）模块、一个动态平衡离散时间量子行走（DTQW）和连续时间量子行走（CTQW）演化的自适应调度器，以及可解释风险归因模块（ERAM）。该框架进一步引入了攻击路径相关性评分（APRS），通过联合考虑量子访问概率、累积风险、转移影响和归因信息，对攻击路径进行优先级排序。此外，提出了节点归因评分（NAS）、边归因评分（EAS）、路径归因评分（PAS）、振幅集中度评分（ACS）和风险集中度指数（RCI），以提供可解释的风险归因并表征量子探索行为。为了方便系统性评估，从 CIC-IDS2017、UNSW-NB15、CSE-CIC-IDS2018 和 ToN-IoT 数据集构建了一个派生的多尺度攻击图基准数据集，其中包含 50 至 5000 个节点的标准攻击图。实验结果表明，在攻击路径发现、排名质量、可扩展性、鲁棒性和可解释性方面，AQAGC 始终优于经典图搜索、概率性、基于量子行走和混合量子基线。这些发现凸显了自适应混合量子探索在下一代网络安全分析和智能攻击路径优先级排序方面的潜力。