rasidi3112/Q-Edge
rasidi3112/Q-Edge has 62 GitHub stars and 0 forks. GitHot measured +1 stars in 24 hours, +1 in 7 days, and +1 in 15 days. Last checked 2026-11-22 10:28 UTC. Last push 2026-11-19.
Gemessener Sternzuwachs
- in 24h
- +1
- in 7 days
- +1
- in 15 days
- +1
- in 1 month
- Verlauf wird gesammelt
Nettoänderungen in überlappenden Zeiträumen, keine Tagessummen. Fehlende Messwerte bleiben leer. Sterne zeigen Interesse, nicht Qualität.
Über uns
Research testbed for federated learning with hybrid quantum-classical models and post-quantum protection (ML-KEM, ML-DSA, secure aggregation). Reproducible results: a 4-qubit VQC head vs a matched classical head, robust aggregation vs poisoning, PQC cost per round. PennyLane, PyTorch, Flower, FastAPI.
Maschinelles LernenREADME_de.md
OriginalQ-Edge
English | العربية | Deutsch | Español | Français | हिन्दी | Bahasa Indonesia | Italiano | 日本語 | 한국어 | Bahasa Melayu | Português | Русский | Türkçe | Tiếng Việt | 中文
Dies ist eine Übersetzung von README.md. Bei Abweichungen gilt die englische Fassung.
Q-Edge ist eine Forschungs-Testumgebung für Federated Learning mit hybriden quanten-klassischen Modellen und Post-Quanten-Schutz der Client-Updates. Sie beantwortet drei Fragen mit reproduzierbaren Zahlen:
- Ist ein kleiner Variational-Quantum-Circuit-(VQC-)Head auf Nicht-IID-Daten so gut wie ein klassischer Head mit gleich vielen Parametern, mit und ohne Rauschen und Zero-Noise-Extrapolation?
- Was kostet Post-Quanten-Schutz (ML-KEM-768, ML-DSA-65, hybrides X25519 + ML-KEM-768 und Secure Aggregation) pro Runde?
- Wie viel Schaden richten bösartige Clients an, wie viel helfen robuste Aggregationsregeln, und wie stehen diese Regeln im Konflikt mit Secure Aggregation?
Negative Antworten zählen als Ergebnisse. Jede Zahl unten stammt aus
results/summary/*.json, die make reproduce neu erzeugt;
docs/results.md enthält alle Tabellen und Abbildungen.
Was es ist und was nicht
Es ist:
- Ein föderierter Simulator (
qedge simulate) auf den scikit-learn-Datensätzen breast_cancer und digits mit Dirichlet-Label-Skew. Strategien: FedAvg, FedProx, FedAdam und FedYogi. Außerdem Top-k-Kompression, Angriffe, robuste Regeln und Secure Aggregation. Derselbe Client- und Server-Code läuft auch als Flower-1.40-Apps (flwr run experiments/flower). - Hybride PyTorch-Modelle mit einem PennyLane-VQC-Head, simuliertem Gate- und Ausleserauschen, ZNE per Global Folding und Diagnosen (Gradientenvarianz, Kernel-Konzentration, Expressibility).
- Ein FastAPI-Server mit Registrierung durch einen Admin, ML-DSA Challenge-Response-Login, signiertem X25519 + ML-KEM-768-Transport, validierten Runden, Server-Sent Events und Prometheus-Metriken. Ein schreibgeschütztes Flutter-Dashboard zeigt seinen Zustand.
Es ist nicht:
- Quantenhardware. Alle Schaltkreise laufen auf Simulatoren
(
default.qubit,default.mixed). - Ein echter Einsatz. Clients werden in einem Prozess simuliert oder sind Python-Skripte; es gibt kein Training auf Mobilgeräten.
- Auditierte Kryptographie. Der hybride KEM-Kombinierer, der Transport und das Secure-Aggregation-Protokoll sind eigene Konstruktionen dieses Projekts. Das reine Python-Backend ist nicht constant-time.
- Ein Nachweis von Quantenvorteil. In diesen Experimenten ist der VQC-Head nie klar besser als der klassische Head.
Architektur
flowchart LR
subgraph clients["FL clients"]
sim["qedge simulate<br/>(in-process clients)"]
remote["RemoteClient<br/>(Python)"]
end
subgraph server["qedge-api"]
auth["enrollment + ML-DSA login"]
transport["X25519 + ML-KEM-768<br/>handshake, ChaCha20-Poly1305"]
rounds["rounds: FedAvg or<br/>robust rule"]
db[("SQL + blobs")]
end
dash["Flutter dashboard<br/>(read-only)"]
q["PennyLane simulators<br/>VQC, noise, ZNE"]
remote -- "sealed updates" --> transport --> rounds --> db
remote -- "token" --> auth
dash -- "REST + SSE" --> rounds
sim --> q
rounds -. "Celery run_circuit" .-> q
Details: docs/architecture.md; Entscheidungen:
docs/decisions/; Bedrohungen:
docs/threat-model.md.
Schnellstart
git clone https://github.com/rasidi3112/Q-Edge.git && cd Q-Edge
python -m venv .venv && source .venv/bin/activate
pip install torch --index-url https://download.pytorch.org/whl/cpu # optional: CPU-only torch
pip install -e ".[fl,pqc-pure]"
qedge demo # one run of each component, about 5 s
qedge simulate --dataset breast_cancer --clients 10 --rounds 30 --alpha 0.5 --strategy fedavg
qedge simulate --model hybrid-vqc --qubits 4 --layers 2 --noise 0.01 --zne richardson
qedge simulate --dataset digits --model mlp --attack scaling --attack-fraction 0.3 --defense multi_krum
qedge simulate --secure-aggregation
Jeder simulate-Lauf schreibt results/runs/<run_id>/config.yaml
(Konfiguration, Client-Aufteilung, Parameterzahlen, Paketversionen, Rechner)
und metrics.jsonl (eine Zeile pro Runde). pqc-pure ist ein reines
Python-ML-KEM und -ML-DSA zum Ausprobieren; für alles andere liboqs 0.16 bauen
und q-edge[pqc] installieren.
| Extra | Fügt hinzu |
|---|---|
fl |
PyTorch, Flower, scikit-learn, PyYAML: Simulator, hybride Modelle |
server |
FastAPI-Server, Celery-Worker, qedge clients |
pqc |
liboqs-python (benötigt die liboqs-C-Bibliothek) |
pqc-pure |
kyber-py und dilithium-py: nicht constant-time, nur für Tests |
report |
matplotlib für python -m experiments.report |
flower-sim |
Ray, für flwr run |
postgres |
psycopg, für den Compose-Stack |
dev |
pytest, hypothesis, ruff, mypy, pre-commit |
Server
pip install -e ".[server,pqc-pure]"
qedge keys init --dir ./keys --backend pure # server KEM and ML-DSA keys
qedge clients keygen --out ./admin --backend pure # admin key pair, stays local
qedge clients add --id admin --scope admin --public-key ./admin/client.pub --backend pure
JWT_SECRET_KEY=$(python -c "import secrets; print(secrets.token_urlsafe(48))") \
QEDGE_CRYPTO_BACKEND=pure QEDGE_KEY_DIR=./keys qedge-api
Der Admin registriert Clients und eröffnet Runden (POST /admin/rounds). Ein
Client (qedge.fl.remote.RemoteClient) meldet sich durch Signieren einer
Nonce an, öffnet eine verschlüsselte Sitzung und sendet pro Runde ein
versiegeltes Update. Der Server aggregiert, sobald min_clients Updates
eingegangen sind oder die Frist abläuft, mit QEDGE_AGGREGATION (fedavg,
median, trimmed_mean, krum, multi_krum oder bounded). Ohne
Schlüssel oder Krypto-Backend verweigert er den Start. Mit Docker:
cp .env.example .env # set JWT_SECRET_KEY, REDIS_PASSWORD, POSTGRES_PASSWORD
qedge clients keygen --out ./admin
docker compose run --rm api qedge keys init --dir /keys
docker compose run --rm -v "$PWD/admin:/admin:ro" api \
qedge clients add --id admin --scope admin --public-key /admin/client.pub
docker compose up --build
Das Dashboard: cd mobile_app && flutter run -d chrome --web-port 3000 --dart-define=QEDGE_API_URL=http://localhost:8000
(mobile_app/README.md).
Ergebnisse
Simulierte Clients auf einer Laptop-CPU; Mittelwert ± Standardabweichung über
die Seeds 0-2. Vollständige Tabellen, Abbildungen und Konfigurationen:
docs/results.md, experiments/configs/.
RQ1: VQC-Head gegen klassischen Head. 5 Clients, 15 Runden, 4 Qubits, 2 Strongly-Entangling-Schichten (24 Parameter) gegen einen tanh-Head mit 20. Encoder und Readout sind identisch.
| Datensatz, α | Klassischer Head | VQC | VQC, p = 0.01 | VQC, p = 0.01, ZNE |
|---|---|---|---|---|
| breast_cancer, 0.1 | 0.968 ± 0.018 | 0.965 ± 0.032 | 0.930 ± 0.092 | 0.965 ± 0.032 |
| breast_cancer, 1.0 | 0.974 ± 0.018 | 0.977 ± 0.018 | 0.974 ± 0.018 | 0.977 ± 0.018 |
| digits, 0.1 | 0.643 ± 0.125 | 0.486 ± 0.093 | 0.496 ± 0.086 | 0.491 ± 0.084 |
| digits, 1.0 | 0.685 ± 0.143 | 0.514 ± 0.061 | 0.485 ± 0.100 | 0.512 ± 0.058 |
Der VQC-Head ist auf breast_cancer gleichauf mit dem klassischen Head und auf digits etwa 0.16 schlechter. Depolarisierendes Rauschen mit p = 0.01 und ZNE ändern die Endgenauigkeit um weniger als die Streuung zwischen Seeds; der größte Effekt liegt bei breast_cancer mit α = 0.1 (0.965 ohne Rauschen, 0.930 mit Rauschen, 0.965 mit ZNE). ZNE macht das Training etwa 8x langsamer. Auf zufälligen 4-Qubit-Schaltkreisen senkt ZNE den Fehler des Erwartungswerts bei p = 0.01 von 0.055 auf 0.005 (Richardson) bzw. 0.003 (exponentiell).
RQ2: Kosten des Post-Quanten-Schutzes (liboqs 0.16):
- Der Transport-Handshake dauert 0.57 ms und 7 840 Bytes einmal pro Sitzung, plus 52 Bytes pro Update-Frame.
- Secure Aggregation pro Runde und Client, verglichen mit einem einfachen
float32-Upload:
- 10 Clients, 1 210 Parameter: 36.6 KiB Upload statt 4.7 KiB, 2.6 ms; Server 3.8 ms.
- 50 Clients, 100 000 Parameter: 895 KiB statt 391 KiB, 33 ms; Server 95 ms.
- Der Upload verdoppelt sich, weil maskierte Werte 8 Bytes belegen, und der Schlüsselaustausch wächst linear mit der Zahl der Clients.
RQ3: bösartige Clients (digits, MLP, 10 Clients, 30 Runden, 3 von 10 greifen an):
| Angriff | FedAvg | Median | Multi-Krum |
|---|---|---|---|
| keiner | 0.952 ± 0.003 | 0.931 ± 0.006 | 0.922 ± 0.003 |
| Label-Flip | 0.700 ± 0.314 | 0.883 ± 0.032 | 0.938 ± 0.013 |
| Scaling (Model Replacement) | 0.177 ± 0.094 | 0.908 ± 0.015 | 0.936 ± 0.022 |
| Zufallsrauschen | 0.578 ± 0.065 | 0.933 ± 0.014 | 0.936 ± 0.022 |
| gefälschte Stichprobenzahlen | 0.030 ± 0.018 | 0.883 ± 0.032 | 0.938 ± 0.013 |
FedAvg scheitert an jedem Angriff. Multi-Krum bleibt innerhalb von 0.02 seiner
eigenen sauberen Genauigkeit, kostet aber ohne Angreifer 0.03; Krum allein
kostet auf Nicht-IID-Daten 0.28. Keine dieser Regeln kann unter Secure
Aggregation laufen, die genau die einzelnen Updates verbirgt, die sie prüfen
(ADR 0010). Trimmed Mean, Norm-Clipping und Stichprobenobergrenzen stehen in
docs/results.md.
Sicherheitsmodell
Geschützt: Mitlesen oder Fälschen von Updates auf der Leitung, jetzt oder
nachdem X25519 durch einen Quantencomputer gebrochen wurde (hybrides KEM,
signierter Handshake, AEAD-Frames, Replay-Zähler); Ausgeben als Server oder
registrierter Client; fehlerhafte oder doppelte Updates; Clients, die die
Aggregation auslösen. Teilweise geschützt: bösartige Clients innerhalb des
Protokolls, durch robuste Regeln. Nicht geschützt: ein neugieriger Server
außerhalb des Simulators (Secure Aggregation ist nicht über HTTP verfügbar),
Rückschlüsse aus dem globalen Modell (kein Privacy Accountant), Denial of
Service, Seitenkanäle des reinen Backends und gestohlene Tokens vor ihrem
Ablauf. Siehe docs/threat-model.md.
Einschränkungen
- Zwei kleine, einfache Datensätze. Unterschiede unter etwa einer Standardabweichung (bis 0.14 bei digits in RQ1) lassen sich mit 3 Seeds nicht auflösen.
- RQ1 nutzt 5 Clients und 15 Runden, damit die ZNE-Läufe bezahlbar bleiben; daher liegen die digits-Genauigkeiten (0.5-0.7) weit unter einem MLP mit 30 Runden (0.95).
- Das simulierte Rauschen ist ein Kanal pro Gate und Leitung: kein
Crosstalk, kein Idle-Rauschen, keine kohärenten Fehler. Backpropagation
durch
default.mixedliefert Gradienten, die Hardware nicht liefern kann (ADR 0009). - Secure Aggregation hat keine Dropout-Wiederherstellung und läuft nur im Prozess. Die gemessenen Kosten enthalten keine Netzwerklatenz.
- Clipping und Gaußsches Rauschen sind vorhanden, aber es wird kein ε angegeben, weil es keinen Privacy Accountant gibt.
- Robuste Regeln setzen höchstens 30 % Angreifer voraus und sind nicht gegen gezielte Backdoors oder adaptive Angreifer getestet.
- Die Flutter-App ist schreibgeschützt und betreibt keine Kryptographie; Android- und iOS-Builds sind ungetestet.
Entwicklung
pip install torch --index-url https://download.pytorch.org/whl/cpu
pip install uv==0.13.7 # pip gives up resolving fl together with server
uv pip install -e ".[dev,server,pqc-pure,fl,report]"
pre-commit install
make lint # ruff check, ruff format --check, mypy --strict on src/qedge
make test # pytest -m "not slow"
pytest -m slow # Flower end-to-end and a noisy ZNE run (needs flower-sim)
make reproduce # every experiment and docs/results.md, about 62 minutes
python -m experiments.run_all --skip quantum_head führt alles außer dem
ZNE-Raster in etwa 7 Minuten erneut aus. Die CI führt Lint und Tests auf
Python 3.11-3.13, einen liboqs-Job, die Flutter-Tests und Docker-Builds aus.
Aufbau
src/qedge/
crypto/ ML-KEM, ML-DSA, hybrid KEM, transport, key files, backends
fl/ datasets, models, training, strategies, robust rules, attacks,
compression, privacy, secure aggregation, simulator, Flower apps
quantum/ circuits, noise, ZNE and readout mitigation, kernels, models,
diagnostics
server/ FastAPI app, auth, rounds, storage, metrics, Celery worker
cli.py qedge keys | clients | simulate | demo
demo.py
experiments/ configs/*.yaml, one script per experiment, run_all.py, report.py
bench/ crypto.py, secagg.py
results/ summary/*.json (committed), runs/ (ignored)
docs/ architecture.md, threat-model.md, results.md, figures/, decisions/
mobile_app/ Flutter dashboard
Literatur
- McMahan et al., "Communication-Efficient Learning of Deep Networks from Decentralized Data", 2017, arXiv:1602.05629 (FedAvg).
- Li et al., "Federated Optimization in Heterogeneous Networks", 2018, arXiv:1812.06127 (FedProx).
- Reddi et al., "Adaptive Federated Optimization", 2020, arXiv:2003.00295 (FedAdam, FedYogi).
- Karimireddy et al., "Error Feedback Fixes SignSGD and other Gradient Compression Schemes", 2019, arXiv:1901.09847.
- Yin et al., "Byzantine-Robust Distributed Learning: Towards Optimal Statistical Rates", 2018, arXiv:1803.01498 (median, trimmed mean).
- Blanchard et al., "Machine Learning with Adversaries: Byzantine Tolerant Gradient Descent", NeurIPS 2017 (Krum).
- Sun et al., "Can You Really Backdoor Federated Learning?", 2019, arXiv:1911.07963 (norm clipping).
- Bagdasaryan et al., "How To Backdoor Federated Learning", 2018, arXiv:1807.00459 (model replacement).
- Bonawitz et al., "Practical Secure Aggregation for Privacy-Preserving Machine Learning", CCS 2017.
- Schuld et al., "Circuit-centric quantum classifiers", 2018, arXiv:1804.00633.
- Pérez-Salinas et al., "Data re-uploading for a universal quantum classifier", 2020, arXiv:1907.02085.
- Havlíček et al., "Supervised learning with quantum-enhanced feature spaces", Nature 2019.
- Temme et al., "Error mitigation for short-depth quantum circuits", 2017, arXiv:1612.02058.
- Giurgica-Tiron et al., "Digital zero noise extrapolation for quantum error mitigation", 2020, arXiv:2005.10921.
- McClean et al., "Barren plateaus in quantum neural network training landscapes", 2018, arXiv:1803.11173.
- Thanasilp et al., "Exponential concentration in quantum kernel methods", 2022, arXiv:2208.11060.
- Sim et al., "Expressibility and entangling capability of parameterized quantum circuits", 2019, arXiv:1905.10876.
- NIST FIPS 203 (ML-KEM) and FIPS 204 (ML-DSA), 2024.
Lizenz
Apache 2.0, siehe LICENSE. Änderungen stehen in CHANGELOG.md.
Ähnliche Projekte entdecken
Wird geladen…