Quantum GAN Architectures With Successive Data Injection for Network Anomaly Detection in Multivariate Time Series

La détection d’anomalies dans des séries temporelles multivariées représente un défi fondamental dans des domaines critiques tels que la cybersécurité réseau et les systèmes industriels. Face aux limites des approches classiques, ce mémoire propose une série d’architectures basées sur des réseaux antagonistes génératifs quantiques (Quantum GANs), intégrant des circuits quantiques variationnels (VQCs) et une technique d’injection successive des données (Successive Data Injection – SuDaI). Deux contributions principales sont présentées : la première applique un QGAN conditionnel à la détection d’anomalies dans le trafic réseau à partir du jeu de données CIC-CIDDS-2018, tandis que la seconde exploite un modèle hybride Quantum-GRU avec un critère adversarial de Wasserstein pour identifier des anomalies dans les systèmes de contrôle industriels à trafic réseau (jeu de données HAI). Ces approches reposent sur des encodages quantiques compacts, ainsi que sur l’exploitation du générateur et du discriminateur pour la détection d’anomalies. Dans le second modèle, un mécanisme de score composite est introduit, combinant l’incertitude prédictive, les erreurs de reconstruction et le retour du critique Wasserstein. Les résultats expérimentaux montrent que les modèles quantiques proposés surpassent leurs homologues classiques en termes de précision et de rappel, tout en utilisant un nombre réduit de paramètres. Le score TaF1 obtenu dépasse 89% dans le cas des systèmes industriels, tandis que le modèle réseau atteint une F1-score de 0.98 avec un MSE de 0.0013. Ces travaux démontrent le potentiel des GANs quantiques pour la modélisation prédictive des séries temporelles complexes issues du trafic réseau et ouvrent la voie à de futures applications hybrides sur des dispositifs NISQ (Noisy Intermediate-Scale Quantum).