Quantum Security Technologies

Quantencomputing und IT-Sicherheit

Die Gruppe »Quantum Security Technologies« (QST) forscht an der Schnittstelle zwischen Quantencomputing, Künstlicher Intelligenz (KI), Optimierung und IT-Sicherheit. Im Rahmen der Quantenmission des Fraunhofer AISEC »Sicherheit trotz, für und mit Quantencomputing« liegt der Schwerpunkt der Forschungsgruppe QST auf den beiden letzteren Themenbereichen: Sicherheit für und mit Quantencomputern. Der erste Aspekt – Sicherheit trotz Quantencomputing – wird im Kompetenzzentrum Post-Quanten-Kryptografie des Fraunhofer AISEC bearbeitet.

 

Quantengestützte Methoden zur Stärkung der IT-Sicherheit

Das Fraunhofer AISEC untersucht, wie Quantencomputing klassische Cybersicherheitsmaßnahmen verbessern kann. Dazu gehören die Entwicklung quantengestützter KI-Algorithmen zur Erkennung von Anomalien, zur Identifizierung von Bedrohungen und zur Überprüfung von Systemen. Durch Quantum Machine Learning (QML, eine Kombination aus Quantencomputing und maschinellem Lernen) und Quantenoptimierung wird die Rechenkomplexität reduziert und die Erkennungsgenauigkeit verbessert – selbst in komplexen Szenarien wie mit hochdimensionalen Daten, bei denen eine große Anzahl von Variablen gleichzeitig analysiert werden muss, oder mit limitierten Datensätzen, bei denen nur eine kleine Datenmenge vorab kategorisiert wurde. Für die nötige Praxisnähe werden unsere Methoden sowohl mit klassischen Simulationen als auch auf tatsächlicher Quantenhardware validiert.

 

Sicherheit für Quantencomputer und Quanten-KI

Mit der immer stärkeren Verbreitung von Quantensystemen und quantengestützter KI steigt auch deren Bedarf an Sicherheit. Am Fraunhofer AISEC werden für Quanten-KI spezifische Schwachstellen wie ihre Anfälligkeit für quantenspezifische Angriffe, der Abfluss von Informationen über Quanten-Seitenkanäle und die Robustheit parametrisierter Quantenschaltungen untersucht. Die Forschenden entwickeln Schutzmechanismen für QML-Modelle gegen Verzerrungen und bewerten die Resilienz quantenkryptografischer Protokolle und Hardwarearchitekturen. Damit werden die Voraussetzungen für den sicheren Einsatz quantengestützter KI in der Praxis geschaffen.

Expertise

Das Fraunhofer AISEC ist deutschlandweit führend im Bereich der Härtung und Robustheitsanalyse von KI-Methoden, einschließlich der Kombination von KI mit Quantencomputern. Durch hochkarätige Veröffentlichungen auf internationalen Konferenzen und die enge Zusammenarbeit mit unseren Industriepartnern liefert die Forschungsgruppe »Quantum Security Technologies« innovative Erkenntnisse an der Schnittstelle von Quantencomputing und IT-Sicherheit.

Wir bieten sowohl die theoretische Grundlage als auch die praktische Umsetzung quanten-gestützter und sicherer Verfahren für zukunftsfähige Quantencomputing-Infrastrukturen. Die Gruppe »Quantum Security Technologies« verfügt über fundierte Expertise in den folgenden Bereichen:

  • Anomalie- und Betrugserkennung mithilfe von Quantum Machine Learning
  • Adversarial and Robust Quantum Machine Learning
  • Angriffsvektoren und Schutzmaßnahmen im Quantencomputing
  • QC-gestützte Optimierung für Verifizierungsprobleme

Angebote im Überblick

Unser Ziel ist es, in enger Zusammenarbeit mit unseren Partnern und Kunden die Sicherheit von Systemen und Produkten systematisch zu verbessern. Hierbei nutzen wir die Möglichkeiten modernster KI-Algorithmen, um die Systemzuverlässigkeit umfassend bewerten zu können und Sicherheit und Robustheit nachhaltig über den gesamten Lebenszyklus zu bewahren.

Design und Implementierung von QC-gestützten Sicherheitslösungen

  • Design und Implementierung von Proof-of-Concepts für klassische Sicherheits-Use-Cases wie Anomalie- oder Betrugserkennung mit QML
  • Ansätze für Noisy Intermediate Scale Quantum (NISQ) Hardware oder Fault-tolerant Quantum Computing (FTQC)
  • Dequantisierung und quanteninspirierte Algorithmen
  • Implementierung, Evaluierung und Benchmarking von QML in Simulationen und auf Quantenhardware
  • Analyse potenzieller Quantenvorteile und Hardwareanforderungen

 

Bewertung von QC-gestützten Lösungen

  • Benchmarking von Quantenmodellen anhand klassischer Referenzmodelle mit Schwerpunkt auf Performance, Robustheit, Unsicherheitsquantifizierung und Interpretierbarkeit
  • Schwachstellenanalyse von Quantenmodellen in sich wandelnden Bedingungen oder unter gezielten Angriffen
  • Entwicklung von Schutztechniken für Quantenmodelle entlang des gesamten QC-Technologie-Stacks

 

Beratung und Schulung

  • Beratung zu QC-Anwendungsfällen in der IT-Sicherheit und darüber hinaus
  • Seminare und Schulungen zu Quantencomputing für die IT-Sicherheit

Anomalieerkennung mit Quantum Machine Learning

Die Gruppe QST des Fraunhofer AISEC entwickelt QML-basierte Ansätze zur Erkennung anomaler Aktivitäten im Bereich Cybersicherheit, beispielsweise bei der Überwachung von Netzwerkverkehr und Clouds sowie bei der Analyse von Systemprotokollen. Dank Quantum-Kernel-Methoden und variationellen Schaltkreisen können unsere Modelle aus wenigen Beispielen Verallgemeinerungen abstrahieren und komplexe, hochdimensionale Datenmuster verarbeiten.

-> Zum Blog-Beitrag: Anomalieerkennung mit Quantum Machine Learning zur Identifizierung von Cybersicherheitsproblemen in Datensätzen

Adversarial and Robust Quantum Machine Learning

Die Gruppe QST des Fraunhofer AISEC analysiert Schwachstellen von QML-Modellen in Angriffsszenarien, indem sie auf Quanten-Schaltkreise zugeschnittene Angriffe entwickelt und robuste Trainingsstrategien zu deren Abwehr entwirft. Unsere Forschung umfasst Untersuchungen zur Parametersensitivität, zu Trade-offs zwischen Schaltkreistiefe und Robustheit sowie die Entwicklung beweisbarer Garantien sowohl unter Rauschen als auch unter gezielt manipulierten Störungen.

-> Zum Blog-Beitrag: Quantenbasierte und klassische KI-Sicherheit: Wie man robuste Modelle gegen Adversarial Attacks entwickelt

QC-gestützte Optimierung zur Verifizierung

Die Forschenden untersuchen, wie Quantenalgorithmen wie QAOA und VQE zur Verifikation von Software- und Systemeigenschaften eingesetzt werden können – etwa zur Fehlererkennung, Constraints-Analyse oder im Rahmen der symbolischen Programmausführung. Ziel dieser Methoden ist es, klassische Verifizierungsprozesse effizienter und zu gestalten und gleichzeitg umfangreicher zu machen.

Zugang zu modernster Quantenhardware, Simulatoren und GPU-Clustern mit hoher Rechenleistung

  • Zusammenarbeit mit Hardware-Anbietern wie IBM Quantum: Zugang zu cloudbasierten Quantenprozessoren mit unterschiedlichen Topologien, wodurch Algorithmen auf verschiedenen Hardware-Backends getestet werden können.
  • Zusammenarbeit mit dem Leibniz-Rechenzentrum (LRZ): Gemeinsame Nutzung von Quantenhardwareplattformen (IQM, AQT), Quantensimulatoren und hybrider klassisch-quantenbasierter Infrastruktur für skalierbares Benchmarking und Algorithmen-Evaluierung.
  • Lokale GPU-Cluster: KI- und Quantenschaltungssimulationen erfordern eine sehr hohe Rechenleistung. Das Fraunhofer AISEC unterhält mehrere GPU-Cluster, die speziell für diesen Zweck optimiert sind und kontinuierlich mit der neuesten Technologie aufgerüstet werden. Dies ermöglicht ein schnelles und effizientes Training der neuesten Modelle und somit kurze Entwicklungszyklen.

Projekte und Referenzen

 

BayQS

Das Bayerische Kompetenzzentrum Quanten Security and Data Science (BayQS) erforscht die Vorteile von Quantenmethoden für Softwareanwendungen und die Minimierung damit verbundener Risiken für geistiges Eigentum.

 

Munich Quantum Valley - QACI

Im MQV (Munich Quantum Valley) entwickeln Forschende QC-basiertes maschinelles Lernen zur Betrugserkennung, Softwarebibliotheken für die QC-Programmierung und datenschutzkonforme QC-Methoden.

 

QuaST

Im Projekt QuaST (Quantum-enabling services and tools for industrial applications) werden Lösungen und Werkzeuge auf Basis von Quantencomputern entwickelt, die für die Verifizierung herkömmlicher Software eingesetzt werden können.

SAP – Quanten-Anomalieerkennung zum Cloud-Monitoring

In einer Forschungskooperation mit SAP untersucht das Fraunhofer AISEC Potenziale der QC-gestützten Anomalieerkennung für Zeitreihendaten. Inspiriert von der HANA-Cloud von SAP ist der Anwendungsfall das Cloud-Monitoring, wo plötzliche Ausfälle und ihre Ursachen schnell und zuverlässig identifiziert werden müssen, um den Normalbetrieb wiederherzustellen.

 

BSI – Erweiterte Sicherheitsanalyse des QML

In einem Forschungsprojekt für das BSI analysiert das Fraunhofer AISEC in Zusammenarbeit mit d-fine und AQT Sicherheitsaspekte von Quantum-Machine-Learning-Methoden.

Ein Schwerpunkt liegt auf mehrstufigen Angriffen, wie Seitenkanalangriffen, die interne Prozesse von QML-Schaltungen offenlegen und die Imitation dieser Modelle ermöglichen.

Demonstratoren

Quantum Machine Learning Playground

Quantum Machine Learning (QML) Playground ist eine interaktive Webanwendung, die die internen Abläufe von Quantum-Machine-Learning-Modellen auf anschauliche Weise erklärt. In Anlehnung an bekannte Tools wie TensorFlow Playground konzentriert QML Playground sich auf parametrisierte Quantenschaltungen (PQCs) und insbesondere auf den universellen Quantenklassifikator mit Daten-Re-Upload. Die Anwendung umfasst visuelle Darstellungen wie Bloch-Sphären (3D-Kugeln, die den Zustand eines einzelnen Qubits darstellen und so das Quantenverhalten leichter verständlich machen) und die neuartigen Q-Simplex (ein vereinfachtes 2D-Diagramm, das die Entwicklung von Quantenzuständen im Laufe der Zeit abbildet). Mit QML Playground können Lernende und Forschende QML-Modelle ohne tiefgreifende Kenntnisse in Quantencomputing-Hardware oder Simulations-Backends erkunden.

-> Zur Demo

Veröffentlichungen

  • Sebastian Issel, Kilian Tscharke, und Pascal Debus: Towards Classical Software Verification using Quantum Computers. In 2025 International Conference on Quantum Communications, Networking, and Computing (QCNC), Nara, Japan: IEEE, März 2025, S. 598–605.

  • Pascal Debus, Sebastian Issel, Kilian Tscharke: Quantum Machine Learning Playground. IEEE Computer Graphics and Applications 44(5): 40-53 (2024)
  • Michael Kölle, Afrae Ahouzi, Pascal Debus, Robert Müller, Daniëlle Schuman, Claudia Linnhoff-Popien: Towards Efficient Quantum Anomaly Detection: One-Class SVMs Using Variable Subsampling and Randomized Measurements. ICAART (2) 2024: 324-335
  • Kilian Tscharke, Sebastian Issel, Pascal Debus: QUACK: Quantum Aligned Centroid Kernel. QCE 2024: 1425-1435
  • Maximilian Wendlinger, Kilian Tscharke, Pascal Debus: A Comparative Analysis of Adversarial Robustness for Quantum and Classical Machine Learning Models. QCE 2024: 1447-1457
  • Michael Kölle, Afrae Ahouzi, Pascal Debus, Elif Çetiner, Robert Müller, Daniëlle Schuman, Claudia Linnhoff-Popien: Efficient Quantum One-Class Support Vector Machines for Anomaly Detection Using Randomized Measurements and Variable Subsampling. CoRR abs/2407.20753 (2024)

  • Kilian Tscharke, Sebastian Issel, Pascal Debus: Semisupervised Anomaly Detection using Support Vector Regression with Quantum Kernel. In: 2023 IEEE International Conference on Quantum Computing and Engineering (QCE), Bellevue, WA, USA: IEEE, Sep. 2023, S. 611–620.