Détection des vulnérabilités dans la chaîne d'approvisionnement logicielle à partir du code source : Comparaison des performances entre algorithmes d'apprentissage machine traditionnels et quantiques

L'attaque sur la chaîne d'approvisionnement logicielle (SSC) est devenue l'une des questions cruciales en constante augmentation avec l'évolution du domaine du développement logiciel. En général, les attaques SSC se produisent durant les processus de développement logiciel et entraînent des vulnérabilités dans les produits logiciels, affectant ainsi les clients en aval ainsi que les parties prenantes impliquées. Les approches d'apprentissage automatique se sont avérées efficaces pour détecter et prévenir les vulnérabilités de sécurité logicielle. Par ailleurs, l'apprentissage automatique quantique émergent pourrait offrir des perspectives prometteuses pour contrer les attaques SSC. En tenant compte des différences entre apprentissage automatique classique et apprentissage automatique quantique, les performances peuvent varier en fonction des proportions des jeux de données utilisés dans les expérimentations. Dans cet article, nous menons une analyse comparative entre les réseaux de neurones quantiques (QNN) et les réseaux de neurones classiques (NN), en utilisant un jeu de données d'attaques sur la chaîne d'approvisionnement logicielle connu sous le nom de ClaMP. Notre objectif est d'évaluer la performance respective des QNN et des NN. Pour mener l'expérience, nous avons développé deux modèles distincts : un modèle QNN basé sur Pennylane, et un modèle NN classique fondé sur TensorFlow et Keras. Nous avons évalué les performances des deux modèles sur différentes proportions du jeu de données ClaMP afin d'identifier les scores F1, le rappel (recall), la précision (precision) et l'exactitude (accuracy). Nous avons également mesuré le temps d'exécution pour évaluer l'efficacité des deux modèles. Les résultats expérimentaux montrent que le temps d'exécution du QNN est plus élevé que celui du NN lorsque la proportion du jeu de données augmente. Étant donné les progrès récents observés dans les QNN, des études approfondies à grande échelle devront être menées dans nos travaux futurs afin de mieux comprendre les performances de ces deux types de modèles.