Oscar Javier Peñaloza Araque
https://orcid.org/0009-0000-5482-9891
Universidad Internacional de La Rioja, Logroño, España
oscarjavier.penaloza063@comunidadunir.net
Fecha de recepción: 7 de junio de 2026
Fecha de aceptación: 30 de junio de 2026
Fecha de publicación: 31 de julio de 2026
DOI: https://doi.org/10.59722/riic.v3i2.1233
Cómo citar: Peñaloza Araque, O. J. (2026). Xander: un ensamble cuántico-clásico para la detección de intrusiones avanzadas en redes modernas. Revista Iberoamericana de Innovación Científica JA TUAIDA, 3(2), 4–36. https://doi.org/10.59722/riic.v3i2.1233
La creciente complejidad de las amenazas cibernéticas exige sistemas de detección de intrusiones capaces de procesar tráfico de red dinámico y de alta dimensión. Aunque los métodos clásicos de aprendizaje automático han logrado un gran rendimiento en este ámbito, siguen enfrentándose a limitaciones relacionadas con la escalabilidad, la adaptabilidad y la robustez frente a los patrones de ataque en constante evolución. El aprendizaje automático cuántico se ha revelado como una alternativa prometedora; sin embargo, los procesadores cuánticos actuales imponen limitaciones prácticas relacionadas con el ruido, la disponibilidad limitada de qubits, la decoherencia y la profundidad de los circuitos. Este artículo presenta a Xander, una arquitectura híbrida en ensamble cuántico-clásico para la detección de intrusiones en redes bajo las restricciones de la era NISQ. El marco propuesto integra modelos cuánticos, entre los que se incluyen componentes de máquinas de vectores de soporte cuánticos, clasificadores cuánticos variacionales y redes neuronales convolucionales cuánticas, con modelos clásicos como Random Forest, XGBoost y perceptrones multicapa. Estos modelos se combinan mediante un mecanismo optimizado de votación suave ponderada y se complementan con una estrategia de respaldo dinámica diseñada para reducir el impacto de los resultados cuánticos inestables. Los experimentos se llevaron a cabo utilizando subconjuntos reducidos y preprocesados de los conjuntos de datos CIC-IDS-2017 y CIC-IDS-2018, aplicando el análisis de componentes principales para permitir la codificación de características compatibles con la cuántica. El marco se evaluó mediante simulación clásica, simulación cuántica y ejecución en hardware cuántico real. Los resultados muestran que el enfoque híbrido alcanza un alto rendimiento de clasificación y mantiene un comportamiento estable bajo el ruido inducido por el hardware, alcanzando un rendimiento competitivo. Los hallazgos sugieren que los modelos híbridos constituyen una vía práctica para integrar la computación cuántica en aplicaciones de ciberseguridad sin requerir una ventaja cuántica a corto plazo.
Palabras clave:
aprendizaje automático cuántico, ciberseguridad, modelos híbridos, NISQ, sistemas de detección de intrusiones.
The increasing complexity of cyber threats calls for intrusion detection systems capable of processing dynamic, high-dimensional network traffic. Although classical machine learning methods have achieved strong performance in this field, they continue to face limitations in scalability, adaptability, and robustness against constantly evolving attack patterns. Quantum machine learning has emerged as a promising alternative; however, current quantum processors impose practical constraints related to noise, limited qubit availability, decoherence, and circuit depth. This article introduces Xander, a hybrid quantum–classical ensemble architecture for network intrusion detection under the constraints of the noisy intermediate-scale quantum (NISQ) era. The proposed framework integrates quantum models, including quantum support vector machine components, variational quantum classifiers, and quantum convolutional neural networks, with classical models such as Random Forest, XGBoost, and multilayer perceptrons. These models are combined through an optimized weighted soft-voting mechanism and supplemented by a dynamic fallback strategy designed to mitigate the impact of unstable quantum outputs. Experiments were conducted using reduced and preprocessed subsets of the CIC-IDS2017 and CSE-CIC-IDS2018 datasets. Principal component analysis was applied to enable quantum-compatible feature encoding. The framework was evaluated through classical simulation, quantum simulation, and execution on real quantum hardware. The results show that the hybrid approach achieves high classification performance and remains stable under hardware-induced noise while delivering competitive results. The findings suggest that hybrid models provide a practical pathway for integrating quantum computing into cybersecurity applications without requiring a near-term quantum advantage.
Keywords:
quantum machine learning; cybersecurity; hybrid models; noisy intermediate-scale quantum; intrusion detection systems.
A crescente complexidade das ameaças cibernéticas exige sistemas de detecção de intrusões capazes de processar tráfego de rede dinâmico e de alta dimensionalidade. Embora os métodos clássicos de aprendizado de máquina tenham alcançado elevado desempenho nesse domínio, eles ainda enfrentam limitações relacionadas à escalabilidade, à adaptabilidade e à robustez diante de padrões de ataque em constante evolução. O aprendizado de máquina quântico tem se mostrado uma alternativa promissora; contudo, os processadores quânticos atuais impõem restrições práticas relacionadas ao ruído, à disponibilidade limitada de qubits, à decoerência e à profundidade dos circuitos. Este artigo apresenta o Xander, uma arquitetura híbrida de ensemble quântico-clássico para a detecção de intrusões em redes, desenvolvida sob as restrições da era quântica de escala intermediária e ruidosa (NISQ). O framework proposto integra modelos quânticos, incluindo componentes de máquinas de vetores de suporte quânticas, classificadores quânticos variacionais e redes neurais convolucionais quânticas, a modelos clássicos, como Random Forest, XGBoost e perceptrons multicamadas. Esses modelos são combinados por meio de um mecanismo otimizado de votação suave ponderada e complementados por uma estratégia dinâmica de contingência, desenvolvida para reduzir o impacto de resultados quânticos instáveis. Os experimentos foram conduzidos com subconjuntos reduzidos e pré-processados dos conjuntos de dados CIC-IDS-2017 e CIC-IDS-2018. Aplicou-se a análise de componentes principais para viabilizar uma codificação de atributos compatível com sistemas quânticos. O framework foi avaliado por meio de simulação clássica, simulação quântica e execução em hardware quântico real. Os resultados demonstram que a abordagem híbrida alcança elevado desempenho de classificação e mantém um comportamento estável sob o ruído induzido pelo hardware, apresentando resultados competitivos. Os achados indicam que os modelos híbridos constituem uma alternativa prática para integrar a computação quântica a aplicações de cibersegurança, sem exigir a obtenção de vantagem quântica no curto prazo.
Palavras-chave:
aprendizado de máquina quântico; cibersegurança; modelos híbridos; computação quântica de escala intermediária e ruidosa; sistemas de detecção de intrusões.
Los sistemas para observar y detectar intrusos en la red IDS, constituyen elementos fundamentales en las infraestructuras actuales de ciberseguridad, permitiendo encontrar actividades anómalas en el tráfico de red. Debido a la complejidad de las redes y a la sofisticación de los ataques cibernéticos, los sistemas tradicionales basados en firmas no son suficientes y ha habido un cambio hacia los enfoques del aprendizaje automático. Recientemente, este campo demuestra un gran potencial utilizando conceptos como superposición y entrelazamiento mejorando la representación informática. Sin embargo, las limitaciones actuales, de la era cuántica ruidosa, impiden que los modelos cuánticos superen técnicas convencionales en momentos concretos de ciberseguridad.
Con el fin de lograr esta detección, en redes empresariales y sistemas modernos distribuidos, son fundamentales los IDS, que permiten identificar anomalías en el tráfico de red. Antes, estos sistemas enfocaban patrones conocidos usando métodos de aprendizaje automático comunes, que funcionaban bien en situaciones con tráfico predecible (Almseidin et al., 2018; Sarker, 2021).
No obstante, investigaciones recientes muestran que estos enfoques son insuficientes con tráfico encriptado, anómalo, nuevas vulnerabilidades, y entorno cambiante (Khan et al., 2019; Musa et al., 2020; Rawat et al., 2022; Alotaibi & Rassam, 2023). Se observa precisión baja y alertas falsas en redes 5G e Internet de las Cosas (Pinto et al., 2023; Sharafaldin et al., 2018). Ahora, hay enfoques hacia redes 6G, donde la cantidad de dispositivos y velocidad de respuesta casi instantánea superan la estabilidad metodológica actual (Sharafaldin et al., 2018). Mientras tanto, se exploran combinaciones de técnicas cuánticas y clásicas, pero todavía estamos lejos de poder usarlas en la práctica (Alluhaibi, 2024; Fan et al., 2024; Shen et al., 2024).
Para superar estos inconvenientes, la ciencia ha avanzado hacia el uso de estructuras de aprendizaje profundo. Se han propuesto esquemas que emplean redes neuronales, LSTM y GRU para una mejor obtención de atributos temporales en flujos de red complicados (Odeh & Abu Taleb, 2023; Rehman et al., 2025). Asimismo, se han aplicado métodos generativos como MAD-GAN y otras versiones de GAN para expandir las colecciones de datos de adiestramiento y hallar irregularidades multivariadas en secuencias temporales de alta dimensión (Li et al., 2019; Ajdani, 2025; Kalyan et al., 2025). También se están revisando sistemas de conjunto y modelos mixtos de aprendizaje profundo para lidiar con la variedad de problemas de seguridad en IoT y en la nube (Danso et al., 2022; Maseer et al., 2023; Nazim et al., 2025; Premalatha, 2025). Últimamente, ha aparecido una corriente hacia estructuras que integran ensamblajes, las cuales juntan modelos cuánticos y clásicos mediante sistemas de votación y ajuste dinámico (Abreu et al., 2024; Nazim et al., 2025; Premalatha, 2025). No obstante, los esquemas de aprendizaje profundo habituales aún se topan con elevados gastos de cálculo y obstáculos de escalabilidad, en especial al examinar grupos enormes como CIC-IDS-2017 o IoT-23 (Akif et al., 2025; Ganapathi & Shanmugapriya, 2019; Noor et al., 2025).
En este escenario, el aprendizaje automático cuántico surge como una solución novedosa. Hacer uso del espacio de Hilbert con mapeos de características cuánticas permite distinguir mejores categorías complejas de datos (Havlíček et al., 2019; Orazi et al., 2024). La cuántica actual, afectada por el ruido, es investigada con un enfoque de algoritmos híbridos, los cuales son integrados por componentes cuántico-clásicos (Cerezo et al., 2021; Metawei et al., 2020; Solar et al., 2024), entre ellos; QSVM y VQC. Quienes demuestran ser bastante eficientes en clasificación de dos o más categorías de datos (Camargo et al., 2024; Abdulrazzaq Altarraji & Mokdad, 2024; Farhi & Neven, 2018).
Es así como las combinaciones QSVM con optimizadores en evolución implementados recién, junto con arquitecturas QCNN y QNN, alcanzan precisiones sobre el 98% referenciadas en (Dong et al., 2022; Elsedimy et al., 2024; Kadry et al., 2023; Kalinin & Krundyshev, 2023; Nicesio et al., 2023). Estas pruebas suelen ser realizadas con datasets estándar como; NSL-KDD, UNSW-NB15 y CIC-MalMem 2022 (Gong et al., 2022; Kim & Madhavi, 2024; Talukder et al., 2023). La literatura enmarca la precisión en metodologías reproducibles aún, cuando la ventaja cuántica pura está en avances exploratorios, los sistemas híbridos computados inspirados en la cuántica, representan el camino de facto para los IDS de próxima generación (Fan et al., 2024; Shen et al., 2024). La evolución de los modelos tradicionales hacia los híbridos automatizados sigue siendo un área de estudio, soporte para garantizar la solidez y estabilidad de las infraestructuras digitales globales (Noor et al., 2018; Khan et al., 2024; Hozouri et al., 2025).
Los sistemas tradicionales de detección de intrusos presentan problemas para adaptarse ante ataques que están en constante cambio. Por su parte, los modelos cuánticos actuales, debido a las limitaciones de la era NISQ, no pueden superar de manera eficiente a los métodos tradicionales debido al ruido, la pérdida de coherencia y la escasez de qubits. Por tal razón, es importante investigar arquitecturas que combinen ambos enfoques para conseguir una mayor estabilidad y un rendimiento confiable en situaciones reales de ciberseguridad.
Diseñar y evaluar una arquitectura híbrida cuántico-clásica, para la detección de intrusiones en redes modernas, capaz de integrar modelos de ambos dominios y superar las limitaciones de los enfoques puramente clásicos o cuánticos bajo la era NISQ.
El ensamble híbrido Xander indica un desempeño más robusto y confiable que los modelos cuánticos individuales, manteniendo métricas comparables con los mejores modelos clásicos, gracias a la integración de representaciones cuánticas y la estabilidad de los algoritmos clásicos bajo las limitaciones NISQ.
Xander aporta un marco reproducible y práctico para la integración híbrida cuántico-clásica en ciberseguridad, demostrando que la ventaja cuántica no es indispensable a corto plazo. Su principal aporte radica en la estabilidad intermodelo, la reducción de la varianza de error y la validación experimental en entornos reales de hardware cuántico.
La Figura 1 presenta las ocho fases que integran el proceso de ejecución del algoritmo Xander, desde la carga y el preprocesamiento de los datos hasta la evaluación y generación de los resultados.
Fases de ejecución del algoritmo Xander
Esta metodología detalla un estudio experimental, realizado a través de procesadores los cuales buscan comparar un sistema híbrido cuántico-clásico para detectar intrusiones, teniendo en cuenta las consideraciones acerca de las limitantes del NISQ.
CIC-IDS-2017 y CIC-IDS-2018, esta data contiene tráfico de red que simula situaciones reales, donde se observan tanto comportamientos normales y malicioso, abarcan ataques como; denegación de servicio distribuida (DDoS), escaneo de puertos y ataques de fuerza bruta (Sharafaldin et al., 2018).
El preprocesamiento de la data se lleva a cabo, para garantizar la compatibilidad cuántico-clásica de los modelos. Por tanto, se aplicaron los siguientes pasos:
Para poder repetir el experimento, se fijaron las condiciones de esta forma:
Dataset = 20.000 registros
Submuestreo estratificado = 2.500 muestras para;
Entrada: Dataset CIC-IDS-2017 / CIC-IDS-2018
Parámetros: N_QUBITS, N_SAMPLES, N_ANCHORS, BATCH_SIZE, SHOTS
Fin para
Si no;
Ejecutar en simulador local Aer/StatevectorSampler
En otro caso:
Salida:
Componentes matemáticos del modelo; variables, parámetros y restricciones empleadas durante el entrenamiento y la inferencia.
Sea 
el conjunto de entrenamiento, donde:
Nà representa el número total de muestras utilizadas para el entrenamiento.
xᵢ∈Rᵈ à corresponde al vector de características de la muestra i.
d à representa el número de características después del proceso de reducción de dimensionalidad mediante PCA.
yᵢ∈(0,1) à corresponde a la etiqueta de clasificación, donde 0 representa tráfico benigno y 1 tráfico malicioso.
Con el propósito de reducir el costo computacional asociado al cálculo del kernel cuántico completo, se emplea la aproximación de Nyström.
Para cada par (Muestra=xₜ, Anclaje=xₐ) se define el kernel cuántico como;
donde;
xₜ = Muestra;
xₐ = Anclaje;
U(∙) à representa el circuito de codificación o feature map cuántico;
U^{†} à denota el operador adjunto del circuito;
Pr((|0…0)) à corresponde a la probabilidad de medir el estado base después de aplicar el circuito cuántico;
K(xₜ,xₐ)∈(0,1) à representa la similitud cuántica entre ambas muestras.
A partir de esta definición, las matrices aproximadas del kernel se construyen como;
donde:
Kₜᵣₐᵢₙ à corresponde al número de muestras de entrenamiento;
Kₜₑₛₜ à representa el número de muestras de evaluación;
m à es el número de anclajes Nyström.
Una vez reconstruido el espacio de características mediante el kernel aproximado, el clasificador QSVM determina la frontera de decisión mediante
donde:
αᵢ à representa los multiplicadores de Lagrange obtenidos durante el proceso de entrenamiento;
yᵢ à corresponde a la etiqueta asociada a la muestra de entrenamiento;
K(x, yᵢ) à representa el kernel cuántico evaluado entre la muestra de entrada y la muestra de entrenamiento;
b à corresponde al término de sesgo del hiperplano de separación;
f(x) à determina la clase predicha por el modelo.
Durante el proceso de entrenamiento, cada clasificador optimiza una función de pérdida específica. De forma general, el problema de optimización puede expresarse como:
donde:
θ à representa el conjunto de parámetros entrenables del modelo;
L(θ) à corresponde a la función objetivo empleada durante el entrenamiento;
θ^{*} à representa el conjunto de parámetros óptimos obtenidos al finalizar el proceso de optimización.
M=número total de clasificadores que conforman a Xander, y la probabilidad final asociada a la clase positiva se calcula mediante
donde:
Mà representa el número total de modelos participantes;
wₖ à corresponde al peso asignado al clasificador k;
pₖ (y=1) à representa la probabilidad estimada por dicho clasificador para la muestra x.
Los pesos satisfacen las siguientes restricciones:
Para reducir el impacto de resultados inestables, los pesos cuánticos se ajustan según su confianza cₖ;
donde:
w'ₖ à representa el nuevo peso asignado al clasificador k;
cₖ à corresponde al índice de confianza del clasificador k;
cₖ∈(0,1) à donde valores próximos a uno indican mayor estabilidad experimental.
La predicción final se define como:
donde:
y à representa la clase predicha;
τ à corresponde al umbral de decisión.
τ=0,5
Con el fin de garantizar la continuidad del proceso de inferencia cuando la ejecución cuántica no pueda completarse debido a limitaciones del hardware, tiempos de espera o errores de ejecución, se implementó un mecanismo de respaldo (fallback) definido como:
donde:
yQ à representa la predicción obtenida mediante el clasificador cuántico;
yC à corresponde a la predicción generada por el clasificador clásico de respaldo;
Fallback=False à indica que la inferencia cuántica se ejecutó correctamente;
zFallback=True à indica que el sistema activó el mecanismo de respaldo clásico.
El rendimiento del modelo se evalúa utilizando métricas de clasificación estándar:
Se usaron pruebas estadísticas para validar resultados. Se usó un nivel de importancia de α=0.05. Se hizo una prueba τ para datos emparejados. También un ANOVA de un factor. Se probó normalidad y varianza con: Shapiro-Wilk y la de Levene para los supuestos.
Comparación de conjuntos de datos
El conjunto CIC-IDS-2017 presentó mejores resultados en la clasificación que el CIC-IDS-2018, mejorando en un 1% aproximadamente en todas las mediciones. El dataset CIC-IDS-2018, al ser más variable y desajustado de preparar, presentó un desafío extra para clasificar con las configuraciones que fueron probadas. Como se observa en la Tabla 1, el conjunto CIC-IDS-2017 alcanzó valores ligeramente superiores a los obtenidos con CIC-IDS-2018 en todas las métricas evaluadas.
Análisis Comparativo: CIC-IDS-2017 vs. CIC-IDS-2018
Métrica | CIC-IDS-2018 | CIC-IDS-2017 | diferencia |
Accuracy total | 0.98 | 0.99 | +1.0% |
F1-Score | 0.98 | 0.99 | +1.0% |
Precisión | 0.98 | 0.99 | +1.0% |
Recall | 0.98 | 0.99 | +1.0% |
La Tabla 2 presenta el desempeño de los modelos clásicos, cuánticos y del ensamble híbrido durante la ejecución con el Estimator local de Qiskit GPU.
Resumen del desempeño en estimator local de qiskit GPU
Modelo | accuracy | precision | recall | F1-score | fallback |
QSVM | 0.916 | 0.918 | 0.916 | 0.916 | False |
VQC | 0.749 | 0.756 | 0.749 | 0.747 | False |
QCNN-like | 0.490 | 0.468 | 0.490 | 0.384 | False |
SVC (clásico) | 0.895 | 0.898 | 0.895 | 0.895 | False |
Random Forest | 0.981 | 0.981 | 0.981 | 0.981 | False |
MLP (clásico) | 0.954 | 0.954 | 0.954 | 0.954 | False |
XGBoost (XGB) | 0.979 | 0.979 | 0.979 | 0.979 | False |
Ensamble híbrido | 0.978 | 0.978 | 0.978 | 0.978 | False |
El Ensamble híbrido XANDER logró 97.8% de accuracy, con métricas homogéneas precision, recall o sensibilidad o tasa de verdaderos positivos y F1 ≈ 97.8%. Para examinar la distribución de los aciertos y errores de clasificación del ensamble híbrido, se presenta la matriz de confusión en la Figura 2.
Matriz de confusión del ensamble
En la Figura 2, se puede observar;
La capacidad discriminativa de cada modelo y del ensamble híbrido se compara mediante las curvas ROC presentadas en la Figura 3.
Curvas ROC – características operativas
En la Figura 3, se pueden observar que el área bajo la curva AUC, indica qué tan bien cada modelo distingue entre tráfico normal y tráfico malicioso. El ensamble híbrido alcanza un área bajo la curva AUC = 1.00, reflejando un desempeño considerable.
Los resultados obtenidos mediante el simulador de IBM Quantum para cada uno de los modelos evaluados se presentan en la Tabla 3.
Tabla 3
Resumen del desempeño en IBM quantum simulador
Modelo | accuracy | precision | recall | f1 | fallback |
QSVM | 0.91625 | 0.916461 | 0.91625 | 0.916239 | True |
VQC | 0.85750 | 0.861485 | 0.85750 | 0.857106 | True |
QCNN | 0.98125 | 0.981253 | 0.98125 | 0.981250 | True |
SVC_classic | 0.81875 | 0.826858 | 0.81875 | 0.817619 | False |
RF_classic | 0.97875 | 0.978753 | 0.97875 | 0.978750 | False |
MLP_classic | 0.94500 | 0.945178 | 0.94500 | 0.944994 | False |
XGB_classic | 0.98125 | 0.981253 | 0.98125 | 0.981250 | False |
Ensamble | 0.97625 | 0.976754 | 0.97625 | 0.976244 | False |
El ensamble híbrido Xander se presenta con una Precisión y F1 ≈0.976 → ligeramente por debajo de RF y XGB, pero más estable.
Los backends de IBM dentro del Plan Open NO permiten: Trabajos largos, ni circuitos profundos, tampoco demasiados shots, ni demasiados circuitos en la relación tiempo de cola más ejecución y circuitos con un mayor de 6 qubits en los procesadores pequeños. Las ventajas de realizar estos ajustes son qué; nos permiten una profundidad mínima, un entrelazamiento lineal y estable, lo que lo hace 100% compatible con hardware real.
La Tabla 4 resume las restricciones identificadas durante la ejecución en la QPU real, sus consecuencias para el modelo y las soluciones implementadas en el pipeline híbrido.
Ajustes y mitigaciones para el lanzamiento en la QPU real ibm_kingston.
Restricción IBM (Plan Open) | Consecuencia en el Modelo | Solución Aplicada en el Pipeline Híbrido |
(Límite de tiempo por trabajo y cuota mensual). | Algoritmos cuánticos altamente iterativos (como VQC o QCNN) | Enfoque Híbrido Indexado: Se migró a un QSVM con Nyström. |
Arquitectura de ibm_kingston (156 Qubits físicos disponibles). | Mapear un dataset clásico de muchas dimensiones satura y escala el error exponencialmente. | Compresión por PCA Atómica: Reducción dimensional previa a 4 o 6 componentes. |
(Decoherencia y error en compuertas). | Circuitos cuánticos muy profundos. | Profundidad: Uso de ZZFeatureMap restringido a (reps=1) |
Escalabilidad Cuadrática del Kernel (Problema de n^2 circuitos cuánticos). | Calcular la matriz de similitud completa, haciendo inviable el proyecto en la cola pública. | Aproximación Nyström por Lotes: Selección de m puntos de anclaje (30 a 100). |
Protocolo de SamplerV2 (Requisito de salida explícita en Qiskit Runtime). | ClassicalRegister required. | Registro Clásico Estricto: Se inyecta dinámicamente ClassicalRegister(N_QUBITS, 'c_reg') en cada circuito y las frecuencias de probabilidad se extraen mediante .data.c_reg.get_counts(). |
(Tiempos de espera prolongados en la plataforma). | Enviar un bloque masivo de circuitos expone el trabajo a ser cancelado por expiración de tiempo de vida (Time-To-Live). | Segmentación Asíncrona: Volumen fijo de 1024 shots, asegurando transpilaciones rápidas |
Se tomó la arquitectura híbrida de 6 qubits con aproximación Nyström (m=50) y 2 500 muestras estratificadas debido a que demostró el mejor balance entre representatividad de la varianza clásica (64.32%), coste temporal de cómputo emulado (~25 minutos) y capacidad de generalización en datos no vistos, alcanzando un rendimiento óptimo del 97.20% de exactitud sin incurrir en sobreajuste por fuga de datos.
Los resultados finales obtenidos con el método de seis qubits y la aproximación Nyström se presentan en la Tabla 5.
Resultados finales Simulador (método 6 qubits con aproximación Nyström).
Exactitud: 0.9720 |
F1-Score: 0.9718 |
Reporte: |
precision recall f1-score support |
0 0.96 0.98 0.97 250 |
1 0.98 0.96 0.97 250 |
accuracy 0.97 500 |
macro avg 0.97 0.97 0.97 500 |
weighted avg 0.97 0.97 0.97 500 |
La Figura 4 muestra la curva ROC obtenida con la arquitectura de seis qubits y permite valorar la capacidad discriminativa del modelo mediante el área bajo la curva.
Figura 4
Curvas ROC – características operativas
La distribución de las predicciones correctas e incorrectas obtenidas con esta configuración se presenta en la matriz de confusión de la Figura 5.
Figura 5
Matriz de confusión
Curva ROC: Discriminación óptima
Matriz de confusión: Comportamiento Simétrico y Balanceado
Ejecución con el procesador Heron r2 ibm_kingston de 156 qubits
La información relativa al trabajo ejecutado, el estado de finalización, el procesador utilizado y el tiempo de uso de la QPU se presenta en la Tabla 6.
Tabla 6
Carga de trabajo IBM plan open
ID | Status | Instance | Mode | Created |
d8ibdf66983c73drul20 | Completed | QNN_23Qubits | Job | 6/6/26, 7:09 PM |
Completed | QPU | Usage | User | |
6/6/26, 7:15 PM | ibm_kingston | 4m 29s | Oscar Peñaloza |
La configuración y la topología del circuito ejecutado en el procesador cuántico se presentan en la Figura 6.
Figura 6
Circuito cuántico
La topología del circuito Xander presenta una profundidad optimizada de (Nₜᵣₐᵢₙ=150) capas de entrelazamiento, lo que permite minimizar el ruido por decoherencia en los qubits físicos de ibm_kingston.
La configuración experimental se definió bajo los siguientes parámetros:
Los resultados obtenidos con esta configuración experimental en el procesador cuántico Heron ibm_kingston se presentan en la Tabla 7.
Tabla 7
Resultados finales en el Procesador Cuántico Heron ibm_kingston
Exactitud (Accuracy): 76.00% |
Reporte: |
precision recall f1-score support |
0 0.71 0.88 0.79 25 |
1 0.84 0.64 0.73 25 |
accuracy 0.76 50 |
macro avg 0.78 0.76 0.76 50 |
weighted avg 0.78 0.76 0.76 50 |
Las pruebas inferenciales se realizaron sobre las métricas obtenidas en los cinco pliegues de validación cruzada estratificada. Cada pliegue se evalúo utilizando un conjunto independiente de 500 registros derivado del submuestreo experimental de 2.500 observaciones. Las evaluaciones sobre hardware cuántico real se presentan de forma independiente debido a las limitaciones inherentes de los dispositivos NISQ.
Los resultados de las pruebas de normalidad, homogeneidad de varianzas y comparación inferencial entre los modelos se resumen en la Tabla 8.
Tabla 8
Resultados de pruebas estadísticas inferenciales
Prueba | Estadístico | Grados de libertad | Valor p | Interpretación |
Shapiro-Wilk | – | Normalidad no rechazada | ||
Levene | (5,24) | Homogeneidad de varianzas | ||
t-test pareado | 4 | Diferencia significativa | ||
ANOVA | (5,24) | Diferencias globales significativas |
Los intervalos de confianza del ensamble y los tamaños del efecto correspondientes a las comparaciones realizadas se presentan en la Tabla 9.
Tabla 9
Tabla Intervalos de confianza y tamaños de efecto
Comparación | Intervalo de confianza (95%) | Tamaño de efecto | Interpretación |
Accuracy del Ensamble | [0.964, 0.972] | – | Alta estabilidad |
F1-score del Ensamble | [0.964, 0.972] | – | Alta estabilidad |
Ensamble vs VQC | – | Cohen’s d = 8.05 | Efecto muy grande |
ANOVA (Global) | – | η² parcial = 0.97 | Efecto muy grande |
Shapiro-Wilk W=0.9774, p=0.9202à indicó que no se rechazó la hipótesis de normalidad para las métricas del ensamble. La prueba de Levene F=1,9557,p=0.1995 à confirmó la homogeneidad de varianzas entre los modelos evaluados. La independencia de las observaciones estuvo garantizada mediante validación cruzada estratificada de cinco pliegues. El t-test pareado entre el ensamble y VQC à mostró diferencias estadísticamente significativas t(4)=18,0076,p=5.59×10⁻⁵. El ANOVA de un factor realizado sobre el conjunto de modelos evaluados evidenció diferencias globales significativas; F(5,24)=181.6286,p=2.97×10⁻¹⁸. El intervalo de confianza del 95% para el accuracy y el F1-score del ensamble fueron; [0.964, 0.972] y [0.964, 0.972], respectivamente. El tamaño del efecto para la comparación entre el ensamble y el VQC fue muy grande Cohen´s d ≈8.05. Asimismo, el ANOVA presentó un η² parcial= 0.97 indicando que el tipo de modelo explicó una elevada proporción de la variabilidad observada en el rendimiento bajo las condiciones experimentales evaluadas.
La implementación del marco Xander en el procesador cuántico de IBM Kingston, representa un avance importante en la aplicación de modelos híbridos dentro de las limitaciones del NISQ. El cambio de simulación a entorno real mostró una caída controlada en el rendimiento, pasando de un AUC de 0.995 en simulación a una precisión del 76% en QPU. De igual manera, los resultados obtenidos con Xander se alinean con estudios recientes que emplean QSVM híbridos y arquitecturas cuánticas inspiradas en IDS. Al igual que en Chen et al. (2025), se observan modelos híbridos que mantienen desempeño competitivo en hardware real, mitigando parcialmente el ruido. Por otra parte, la revisión sistemática de Premalatha, (2025), respalda la conclusión de que los híbridos son actualmente la vía más viable para integrar QML en ciberseguridad bajo las restricciones NISQ.
La diferencia observada entre los resultados simulados y los del hardware real es un fenómeno esperado y esencial para validar el modelo. Esta variación puede explicarse por tres factores técnicos clave:
Xander no supera de manera consistente a los mejores modelos clásicos en métricas absolutas de desempeño. Sin embargo, su aporte principal radica en la estabilidad intermodelo, la integración híbrida cuántico-clásica, la exploración práctica en entornos NISQ y la reproducibilidad experimental. Estos aspectos lo convierten en una propuesta relevante para avanzar hacia aplicaciones reales de QML en ciberseguridad, aun bajo las limitaciones actuales del hardware cuántico.
Los resultados obtenidos permiten extraer tres conclusiones fundamentales que respaldan la contribución científica de este trabajo:
En resumen, Xander no solo identifica intrusiones, sino que aporta evidencia sobre el potencial híbrido, demostrando que la colaboración entre modelos clásicos y la infraestructura cuántica ruidosa puede ser una posibilidad práctica.
Por otra parte, para futuras líneas de investigación: Se tienen planeadas más pruebas con procesadores cuánticos. Se intentará utilizar un mejor método para reducir el ruido. Y explorar el área de la cuántica generativa.
El estudio se realizó con las limitaciones de la era NISQ. Qubits limitados. Circuitos superficiales. Tiempo en hardware cuántico real limitado. Las pruebas utilizaron poca data. La data utilizada fue CIC-IDS-2017 y de CIC-IDS-2018. Esto dificulta la aplicación de sus resultados a tráfico muy intenso. Tampoco fue posible utilizar modelos como VQC y QCNN en hardware real. Los circuitos eran muy complejos. La corrección de ruido era limitada.
Los resultados muestran grupos cuánticos y clásicos que en conjunto pueden emplearse en sistemas que detectan y prevén ataques. No se necesita ventaja cuántica ahora. Esto permite utilizar a Xander en la seguridad de empresas y redes actuales. La estructura pensada puede ser un punto de partida para usarla después en SOAR.
Los datos utilizados (CIC-IDS-2017 y CIC-IDS-2018) pueden encontrarse en internet, son de carácter público. Se relaciona el link donde puede validarse el código fuente. https://github.com/openaloza/Xander.git
El trabajo usó datos públicos, que simulaban tráfico. No se utilizó información privada. Tampoco se puso en riesgo la privacidad. No se atacaron sistemas en funcionamiento. No se dañaron redes externas. Esta investigación sigue reglas de seguridad y se realiza con el fin de aprender sobre ciberseguridad y computación cuántica.
En la elaboración del documento se utilizó inteligencia artificial generativa (Microsoft Copilot) como apoyo en la expresión académica y organización de apartados.
El autor, declara no tener conflicto de intereses; financiero, personal o profesional, que haya influido en el desarrollo del estudio o en los resultados presentados. La investigación se realizó independientemente y bajo lineamientos académicos de la Universidad Internacional de La Rioja.
Abdulrazzaq Altarraji, M. A., & Mokdad, A. (2024). Quantum-Assisted Machine Learning for Enhanced Fraud Detection in Cybersecurity. International Research Journal of Innovations in Engineering and Technology, 08(05),319 – 324. https://doi.org/10.47001/IRJIET/2024.805042
Abreu, D., Rothenberg, C. E., & Abelem, A. (2024). QML-IDS: Quantum Machine Learning Intrusion Detection System. Proceedings - IEEE Symposium on Computers and Communications. https://doi.org/10.1109/ISCC61673.2024.10733655
Ajdani, M. (2025). Deep Learning-Based Intrusion Detection Systems: A Novel Approach Using Generative Adversarial Networks (GANs). International Journal of Information Security and Privacy (IJISP), 19(1), 1-15. https://doi.org/10.4018/IJISP.383299
Akif, M. A., Butun, I., Williams, A., & Mahgoub, I. (2025). Hybrid Machine Learning Models for Intrusion Detection in IoT: Leveraging a Real-World IoT Dataset (No. arXiv:2502.12382). arXiv. https://doi.org/10.48550/arXiv.2502.12382
Alluhaibi, R. (2024). Quantum Machine Learning for Advanced Threat Detection in Cybersecurity. International Journal of Safety and Security Engineering, 14(3), 875–883. https://doi.org/10.18280/IJSSE.140319
Almseidin, M., Alzubi, M., Kovacs, S., & Alkasassbeh, M. (2018). Evaluation of Machine Learning Algorithms for Intrusion Detection System (No. arXiv:1801.02330). arXiv. https://doi.org/10.48550/arXiv.1801.02330
Alotaibi, A., & Rassam, M. A. (2023). Adversarial Machine Learning Attacks against Intrusion Detection Systems: A Survey on Strategies and Defense. Future Internet, 15(2), 62. https://doi.org/10.3390/fi15020062
Camargo, J. A. F., Aguilar, J., & Pinto, Á. (2024, agosto). Analysis of Quantum Support Vector Machines in Classification Problems. https://doi.org/10.1109/CLEI64178.2024.10700573
Cerezo, M., Arrasmith, A., Babbush, R., Benjamin, S. C., Endo, S., Fujii, K., McClean, J. R., Mitarai, K., Yuan, X., Cincio, L., & Coles, P. J. (2021). Variational quantum algorithms. Nature Reviews Physics, 3(9), 625–644. https://doi.org/10.1038/s42254-021-00348-9
Chen, Z., Zhu, Z., & Li, X. (2025). Cyber threat detection enabled by quantum computing. arXiv preprint arXiv:2512.18493. https://doi.org/10.48550/arXiv.2512.18493
Danso, P. K., Neto, E. C. P., Dadkhah, S., Zohourian, A., Molyneaux, H., & Ghorbani, A. A. (2022). Ensemble-based Intrusion Detection for Internet of Things Devices. 2022 IEEE 19th International Conference on Smart Communities (HONET), 034–039. https://doi.org/10.1109/HONET56683.2022.10019140
Dong, Y., Hu, W., Zhang, J., Chen, M., Liao, W., & Chen, Z. (2022). Quantum beetle swarm algorithm optimized extreme learning machine for intrusion detection. Quantum Information Processing, 21(1), 9. https://doi.org/10.1007/s11128-021-03311-w
Elsedimy, E. I., Elhadidy, H., & Abohashish, S. M. M. (2024). A novel intrusion detection system based on a hybrid quantum support vector machine and improved Grey Wolf optimizer. Cluster Computing, 27(7), 9917–9935. https://doi.org/10.1007/s10586-024-04458-8
Fan, F., Shi, Y., Guggemos, T., & Zhu, X. X. (2024). Hybrid Quantum-Classical Convolutional Neural Network Model for Image Classification. IEEE Transactions on Neural Networks and Learning Systems, 35(12), 18145–18159. https://doi.org/10.1109/TNNLS.2023.3312170
Farhi, E., & Neven, H. (2018). Classification with Quantum Neural Networks on Near Term Processors (No. arXiv:1802.06002). arXiv. https://doi.org/10.48550/arXiv.1802.06002
Ganapathi, P., & Shanmugapriya, D. (2019). Handbook of research on machine and deep learning applications for cyber security. IGI Global. ISBN: 9781522596106. https://books.google.com/books?id=vK2rDwAAQBAJ
Gong, C., Guan, W., Gani, A., & Qi, H. (2022). Network attack detection scheme based on variational quantum neural network. The Journal of Supercomputing, 78(15), 16876–16897. https://doi.org/10.1007/s11227-022-04542-z
Havlíček, V., Córcoles, A. D., Temme, K., Harrow, A. W., Kandala, A., Chow, J. M., & Gambetta, J. M. (2019). Supervised learning with quantum-enhanced feature spaces. Nature, 567(7747), 209–212. https://doi.org/10.1038/s41586-019-0980-2
Hozouri, A., Mirzaei, A., & Effatparvar, M. (2025). A comprehensive survey on intrusion detection systems with advances in machine learning, deep learning and emerging cybersecurity challenges. Discover Artificial Intelligence, 5(1), 314. https://doi.org/10.1007/s44163-025-00578-1
Kadry, H., Farouk, A., Zanaty, E. A., & Reyad, O. (2023). Intrusion detection model using optimized quantum neural network and elliptical curve cryptography for data security. Alexandria Engineering Journal, 71, 491–500. https://doi.org/10.1016/j.aej.2023.03.072
Kalinin, M., & Krundyshev, V. (2023). Security intrusion detection using quantum machine learning techniques. Journal of Computer Virology and Hacking Techniques, 19(1), 125–136. https://doi.org/10.1007/s11416-022-00435-0
Kalyan, B. K. P., Chandana, M. S., Karimalla, N., & Bukaita, W. (2025). Generative Adversarial Network–based Intrusion Detection for Securing In-vehicle Communication in Electric Vehicles. American Journal of Information Science and Technology, 9(4), 304–323. https://doi.org/10.11648/j.ajist.20250904.16
Khan, F. A., Gumaei, A., Derhab, A., & Hussain, A. (2019). A Novel Two-Stage Deep Learning Model for Efficient Network Intrusion Detection. IEEE Access, 7, 30373–30385. https://doi.org/10.1109/ACCESS.2019.2899721
Khan, N., Mohmand, M. I., Rehman, S. ur, Ullah, Z., Khan, Z., & Boulila, W. (2024). Advancements in intrusion detection: A lightweight hybrid RNN-RF model. PLoS One, 19(6). https://doi.org/10.1371/journal.pone.0299666
Kim, T. H., & Madhavi, S. (2024). Quantum intrusion detection system using outlier analysis. Scientific Reports, 14(1), 27114. https://doi.org/10.1038/s41598-024-78389-0
Li, D., Chen, D., Shi, L., Jin, B., Goh, J., & Ng, S.-K. (2019). MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks (No. arXiv:1901.04997). arXiv. https://doi.org/10.48550/arXiv.1901.04997
Maseer, Z. K., Yusof, R., Al-Bander, B., Saif, A., & Kadhim, Q. K. (2023). Meta-Analysis and Systematic Review for Anomaly Network Intrusion Detection Systems (No. arXiv:2308.02805). arXiv. https://doi.org/10.48550/arXiv.2308.02805
Metawei, M. A., Said, H., Taher, M., Eldeib, H., & Nassar, S. M. (2020). Survey on Hybrid Classical-Quantum Machine Learning Models. 2020 International Conference on Communications, Computing, Cybersecurity, and Informatics (CCCI), 1–6. https://doi.org/10.1109/CCCI49893.2020.9256649
Musa, U. S., Chhabra, M., Ali, A., & Kaur, M. (2020). Intrusion Detection System using Machine Learning Techniques: A Review. 2020 International Conference on Smart Electronics and Communication (ICOSEC), 149–155. https://doi.org/10.1109/ICOSEC49089.2020.9215333
Nazim, S., Hussain, S. S., Yousuf, B., Sultana, S., & Tanweer, E. (2025). An innovative intrusion detection framework using GAN-augmented Deep Ensemble Neural Network for cross-domain IoT–cloud security. Internet of Things, 34, 101773. https://doi.org/10.1016/j.iot.2025.101773
Nicesio, O. K., Leal, A. G., & Gava, V. L. (2023). Quantum Machine Learning for Network Intrusion Detection Systems, a Systematic Literature Review. 2023 IEEE 2nd International Conference on AI in Cybersecurity (ICAIC). https://doi.org/10.1109/ICAIC57335.2023.10044125
Noor, K., Agbotiname, L. I., Chun-Ta, L., & Chi-Yao, W. (2025). A Review of Machine Learning and Transfer Learning Strategies for Intrusion Detection Systems in 5G and Beyond. Mathematics, 13(7). https://doi.org/10.3390/math13071088
Noor, M., Abbas, H., & Shahid, W. B. (2018). Countering cyber threats for industrial applications. Journal of Network and Computer Applications, 103, 249–261. https://doi.org/10.1016/j.jnca.2017.10.004
Odeh, A., & Abu Taleb, A. (2023). Ensemble-Based Deep Learning Models for Enhancing IoT Intrusion Detection. Applied Sciences, 13(21), 11985. https://doi.org/10.3390/app132111985
Orazi, F., Gasperini, S., Lodi, S., & Sartori, C. (2024). Hybrid Quantum Technologies for Quantum Support Vector Machines. Information, 15(2), 72. https://doi.org/10.3390/info15020072
Pinto, A., Herrera, L.-C., Donoso, Y., & Gutierrez, J. A. (2023). Survey on Intrusion Detection Systems Based on Machine Learning Techniques for the Protection of Critical Infrastructure. Sensors, 23(5), 2415. https://doi.org/10.3390/s23052415
Premalatha, D. V. (2025). Ensemble-Based Intrusion Detection for IoT Networks Using the CICIoT2023 Dataset. Journal of Information Systems Engineering and Management, 10(21s), 743–755. https://doi.org/10.52783/jisem.v10i21s.3407
Rawat, S., Srinivasan, A., Ravi, V., & Ghosh, U. (2022). Intrusion detection systems using classical machine learning techniques vs integrated unsupervised feature learning and deep neural network. Internet Technology Letters, 5(1). https://doi.org/10.1002/ITL2.232
Rehman, H. M. R. U., Liaquat, S., Gul, M. J., Jhandir, M. Z., Gavilanes, D., Vergara, M. M., & Ashraf, I. (2025). A systematic literature study of machine learning techniques based intrusion detection. Journal of Big Data, 12(1), 264. https://doi.org/10.1186/s40537-025-01323-2
Sarker, I. H. (2021). Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Computer Science, 2(3), 160. https://doi.org/10.1007/s42979-021-00592-x
Sharafaldin, I., Habibi Lashkari, A., & Ghorbani, A. A. (2018). Toward Generating a New Intrusion Detection Dataset. Proceedings of the 4th International Conference on Information Systems Security and Privacy, 108–116. https://doi.org/10.5220/0006639801080116
Shen, J.-Y., Wu, C.-H., Hua, C.-Y., Chang, M.-H., Kuo, S.-Y., Chou, Y.-H., & Kuo, S.-Y. (2024). An Efficient Quantum-inspired Computing Approach for Intrusion Detection System. 2024 IEEE 24th International Conference on Nanotechnology (NANO), 306–310. https://doi.org/10.1109/NANO61778.2024.10628664
Solar, M., Alvarez, F. C., Villacura, J.-P., & Dombrovskaia, L. (2024). A Review on Quantum Machine Learning and Quantum Cryptography. Memoria Investigaciones En Ingeniería, 27, 180–199. https://doi.org/10.36561/ING.27.12
Talukder, Md. A., Hasan, K. F., Islam, Md. M., Uddin, Md. A., Akhter, A., Yousuf, M. A., Alharbi, F., & Moni, M. A. (2023). A dependable hybrid machine learning model for network intrusion detection. Journal of Information Security and Applications, 72, 103405. https://doi.org/10.1016/j.jisa.2022.103405
La Figura 7 presenta de manera ampliada el diagrama de la arquitectura del circuito cuántico empleado en la implementación de Xander.
Figura 7
Circuito cuántico
El texto que se publica es de exclusiva responsabilidad de sus autores y no expresa necesariamente el pensamiento de la editorial de la Revista Iberoamericana de Innovación Científica JATUAIDA.
Esta obra está bajo una Licencia internacional Creative Commons Atribución – No Comercial – Compartir Igual 4.0