Quantencomputing

Quantencomputing bringt nicht nur große Chancen, sondern auch neue Risiken für die Cybersicherheit mit sich. Da Quantencomputer in der Lage sein könnten, hochkomplexe Probleme exponentiell schneller zu lösen als klassische Computer, ergeben sich zurünftig Gefahren für vertrauliche Daten. Angreifer könnten mithilfe eines Quantencomputers Verschlüsselungen durchbrechen oder neuartige Cyberattacken durchführen, die klassische Sicherheitssysteme überfordern. Gleichzeitig können Quantenalgorithmen zur Verbesserung der Cybersicherheit beitragen, etwa durch komplexere Zufallsgeneratoren, neue Verschlüsselungstechniken oder Identifizierung von Sicherheitsproblemen.

Das Fraunhofer AISEC forscht an der sicheren Nutzung von Quantencomputern sowie der Verwendung des Quatencomputings zur Erhöhung der Cybersicherheit.

quantum computer with neural network visualization

Quantum Neural Network Security: Kill-Chain-Angriffe auf QNNs

Quantum Machine Learning entwickelt sich von der Theorie hin zur praktischen Anwendung auf Quantenhardware. Dies bringt neue Sicherheitsrisiken mit sich. In einer aktuellen Studie haben Forscher des Fraunhofer AISEC und ihre Partner einen mehrstufigen Angriff auf ein quantenbasiertes neuronales Netzwerk demonstriert, das auf Trapped-Ion-Hardware implementiert war. Der Angriff kombiniert Side-Channel-Analysen, adversariale Beispiele und Crosstalk-Manipulation. Für Anbieter, Produktteams und Entscheidungsträger ist die Botschaft klar: Quanten-KI benötigt Security by Design, bevor sie Teil kritischer Infrastrukturen wird.

Pascal Debus 29. September 2026

Ansätze zur Verifikation klassischer Software mit Quantencomputern

In diesem Beitrag untersuchen wir die Möglichkeit, die formale Verifikation klassischer Programme mithilfe von Quantencomputern zu beschleunigen. Häufige Programmierfehler wie Nullzeiger-Dereferenzierung und Zugriffe außerhalb von Array-Grenzen gehören zu den Hauptursachen für Sicherheitslücken. Unser Ansatz besteht darin, aus Codeausschnitten eine SAT-Instanz (Satisfiability) zu generieren, die genau dann erfüllbar ist, wenn das unerwünschte Verhalten im Programm vorhanden ist. Diese Instanz wird anschließend in ein Optimierungsproblem überführt, das mithilfe quantenbasierter Algorithmen gelöst wird – was potenziell eine asymptotisch polynomielle Beschleunigung ermöglicht.

Sebastian Issel 13. August 2025

Quantenbasierte und klassische KI-Sicherheit: Wie man robuste Modelle gegen Adversarial Attacks entwickelt

Der Fortschritt im Quantum Machine Learning (QML) bringt spannende Entwicklungen mit sich, wie z. B. höhere Effizienz oder das Potenzial, Probleme zu lösen, die für klassische Computer unlösbar sind. Doch wie sicher sind quantenbasierte KI-Systeme im Vergleich zu klassischen KI-Modellen gegen Adversarial Attacks? Eine vom Fraunhofer AISEC durchgeführte Studie geht dieser Frage nach, indem sie die Robustheit von Quanten- und klassischen Machine-Learning-Modellen in Angriffssituationen analysiert und vergleicht. Unsere Erkenntnisse über Schwachstellen und Robustheit von Machine-Learning-Modellen bilden die Grundlage für praktische Methoden zum Schutz vor solchen Angriffen, die in diesem Artikel vorgestellt werden.

Maximilian Wendlinger 13. Dezember 2024

Anomalieerkennung mit Quantum Machine Learning zur Identifizierung von Cybersicherheitsproblemen in Datensätzen

Seit der Veröffentlichung von ChatGPT hat die Popularität des maschinellen Lernens (ML) immens zugenommen. Neben der Verarbeitung natürlicher Sprache (NLP) ist die Erkennung von Anomalien ein wichtiger Zweig der Datenanalyse, dessen Ziel es ist, auffällige und vom restlichen Datensatz abweichende Beobachtungen oder Ereignisse zu identifizieren. Am Fraunhofer AISEC forschen Cybersecurity-Experten an Methoden des Quantum Machine Learning (QML) zur Erkennung von Anomalien, um Cybersicherheitsprobleme in Datensätzen zu erkennen. Der Blogbeitrag zeigt zwei Ansätze: Die Klassifizierung von Quantenmaterie und die Berechnung von sicherheitsrelevanten Anomalien mithilfe eines Quantencomputers.

Kilian Tscharke 30. Januar 2024