QUANTUM KERNEL CODING MEETS DEEP LEARNING FOR SECURE SOFTWARE-DEFINED NETWORKS. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Abubakar_Danasabe_Ms_Thesis_Final_Report_Submission.pdf - Accepted Version Restricted to Repository staff only until 17 December 2026. Download (2MB)

Arabic Abstract

تهدف هذه الرسالة إلى تحسين أمن شبكات الشبكات المعرفة برمجيًا (SDN) من خلال تطوير نموذج فعّال للكشف عن الهجمات السيبرانية باستخدام نهج هجين يجمع بين تقنيات التعلم الآلي الكلاسيكية والأساليب المستوحاة من الحوسبة الكمية. يعتمد النموذج المقترح على تقليل أبعاد البيانات باستخدام تحليل المكونات الرئيسية (PCA)، ثم تمثيل السمات بطريقة مستوحاة من الترميز الكمي، يلي ذلك استخدام نموذج TabNet لتنفيذ عملية التصنيف. تم تقييم النموذج المقترح باستخدام مجموعة بيانات OD-IDS2022، والتي تُعد من مجموعات البيانات الحديثة في مجال كشف التطفل، حيث تحتوي على أنواع متعددة من الهجمات وتمثل بيئة شبكات واقعية. كما تم استخدام مجموعة بيانات CIC-IDS2018 للتحقق من كفاءة النموذج وقدرته على التعميم. أظهرت نتائج التجارب أن النموذج المقترح QATNet تفوق على النماذج الكلاسيكية، بما في ذلك نموذج PCA-TabNet، من حيث مقاييس الأداء المختلفة، خاصة مقياس Macro-F1، بالإضافة إلى تحقيق قيم مرتفعة لمقياس AUROC مع الحفاظ على كفاءة حسابية مناسبة. تشير النتائج إلى أن دمج الأساليب المستوحاة من الحوسبة الكمية مع نماذج التعلم العميق يُعد اتجاهًا واعدًا لتحسين أنظمة كشف التطفل في شبكات SDN.

English Abstract

Modern communication environments ranging from smart mobility infrastructures to digitally integrated healthcare systems demand adaptable and trustworthy network security. In this context, Software-Defined Networks (SDNs) play a vital role by pro- viding programmable control and global visibility, enabling rapid policy updates and fine-grained traffic management. As a result, the need for efficient and interpretable intrusion detection becomes increasingly critical. To address this requirement, SDN controllers rely on real-time intrusion detection systems (IDS) capable of adapting to evolving traffic behaviors while operating under strict latency and resource constraints. However, many existing deep learning and ensemble-based IDS models depend on computationally heavy architectures or opaque optimization processes that increase inference delay, limiting their practicality in latency-sensitive SDN environments. This thesis presents Quantum Amplitude Tabular Network (QATNet), a hy- brid quantum–classical framework that integrates amplitude-based feature encoding, a shallow Variational Quantum Circuit (VQC), and an attentive TabNet head for flow-based intrusion detection. Unlike conventional deep or ensemble methods, QAT- Net leverages lightweight quantum-inspired feature transformations to reshape the geometric structure of network flows, enhancing class separability while maintaining controller-side efficiency. Experiments conducted on two modern intrusion detection benchmarks, OD-IDS2022 and CIC-IDS2018, demonstrate that QATNet consistently outperforms classical PCA–TabNet and amplitude-only baselines in terms of accuracy, macro-F1 score, and area under the receiver operating characteristic curve (AUROC), achieving stable performance across different qubit budgets (Q ≤ 6). Noise simulation studies using realistic quantum backend models confirm robustness under practical operating conditions, while runtime analysis verifies that the inference latency (0.012 ms per sample) satisfies the stringent timing requirements of SDN controllers. Over- all, the results indicate that lightweight hybrid quantum–classical encoders provide a resource-aware and noise-tolerant approach for enhancing intrusion detection and support the practical integration of quantum-enhanced learning in next-generation SDN security analytics.

Item Type:	Thesis (Masters)
Subjects:	Computer
Department:	College of Computing and Mathematics > Computer Engineering
Committee Advisor:	Kaleem, Zeeshan
Committee Co-Advisor:	Afaq, Muhammad
Committee Members:	El-Maleh, Aiman Helmi
Depositing User:	ABUBAKAR DANASABE (g202319370)
Date Deposited:	24 Dec 2025 06:06
Last Modified:	24 Dec 2025 06:06
URI:	http://eprints.kfupm.edu.sa/id/eprint/143864