Skip to content
プロジェクト

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.

この数値の測り方

計測したスター増加

24時間
+1
7日間
+1
15日間
+1
1か月
履歴を収集中

期間ごとの純増数です。期間は重複しており、日別の値ではありません。未計測の値は空欄です。スター数は注目度の指標であり、品質の保証ではありません。

概要

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.

機械学習

README_ja.md

オリジナル

Q-Edge

CI License: Apache-2.0 Python 3.11-3.13

English | العربية | Deutsch | Español | Français | हिन्दी | Bahasa Indonesia | Italiano | 日本語 | 한국어 | Bahasa Melayu | Português | Русский | Türkçe | Tiếng Việt | 中文

これは README.md の翻訳です。内容が異なる場合は英語版が優先されます。

Q-Edge は、量子・古典ハイブリッドモデルによる連合学習と、クライアント更新の 耐量子保護のための研究用テストベッドです。次の 3 つの問いに、再現可能な数値で 答えます。

  1. 非 IID データにおいて、小さな変分量子回路 (VQC) ヘッドは、同じパラメータ数の 古典ヘッドと同等の性能を出せるか。ノイズの有無、ゼロノイズ外挿の有無で 比較する。
  2. 耐量子保護 (ML-KEM-768、ML-DSA-65、ハイブリッド X25519 + ML-KEM-768、 セキュアアグリゲーション) のコストはラウンドあたりどれくらいか。
  3. 悪意あるクライアントはどれだけ損害を与えられるか、ロバスト集約ルールは どれだけ役立つか、そしてそれらのルールはセキュアアグリゲーションとどう 衝突するか。

否定的な答えも結果として扱います。以下の数値はすべて results/summary/*.json から取っており、make reproduce で再生成されます。 表と図の全体は docs/results.md にあります。

これは何か、何ではないか

これは:

  • scikit-learn の breast_cancer と digits に Dirichlet ラベル偏りを与えた 連合学習シミュレータ (qedge simulate)。戦略は FedAvg、FedProx、FedAdam、 FedYogi。さらに top-k 圧縮、攻撃、ロバストルール、セキュアアグリゲーション。 同じクライアント・サーバのコードは Flower 1.40 アプリとしても動作します (flwr run experiments/flower)。
  • PennyLane の VQC ヘッドを持つ PyTorch ハイブリッドモデル。ゲートと読み出しの ノイズのシミュレーション、グローバルフォールディングによる ZNE、診断 (勾配分散、カーネル集中、表現力) を備えます。
  • 管理者によるクライアント登録、ML-DSA のチャレンジ・レスポンス認証、署名付き X25519 + ML-KEM-768 トランスポート、検証済みラウンド、server-sent events、 Prometheus メトリクスを備えた FastAPI サーバ。読み取り専用の Flutter ダッシュボードがその状態を表示します。

これは次のものではありません:

  • 量子ハードウェア。すべての回路はシミュレータ (default.qubit、 default.mixed) 上で動きます。
  • 実運用環境。クライアントは 1 プロセス内でシミュレートされるか Python スクリプトであり、モバイル端末上での学習はありません。
  • 監査済みの暗号。ハイブリッド KEM の結合、トランスポート、セキュア アグリゲーションのプロトコルは本プロジェクト独自の構成です。純 Python の バックエンドは定数時間ではありません。
  • 量子優位性の証拠。これらの実験で VQC ヘッドが古典ヘッドより明確に優れた ことは一度もありません。

アーキテクチャ

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

詳細: docs/architecture.md、設計判断: docs/decisions/、脅威: docs/threat-model.md。

クイックスタート

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

simulate を実行するたびに results/runs/<run_id>/config.yaml (設定、 クライアント分割、パラメータ数、パッケージのバージョン、マシン) と metrics.jsonl (ラウンドごとに 1 行) が書き出されます。pqc-pure は試用向けの 純 Python 版 ML-KEM と ML-DSA です。それ以外の用途では liboqs 0.16 をビルドし、 q-edge[pqc] をインストールしてください。

Extra 追加されるもの
fl PyTorch、Flower、scikit-learn、PyYAML: シミュレータ、ハイブリッドモデル
server FastAPI サーバ、Celery ワーカー、qedge clients
pqc liboqs-python (liboqs の C ライブラリが必要)
pqc-pure kyber-py と dilithium-py: 定数時間ではない、テスト専用
report python -m experiments.report 用の matplotlib
flower-sim flwr run 用の Ray
postgres compose スタック用の psycopg
dev pytest、hypothesis、ruff、mypy、pre-commit

サーバ

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

管理者がクライアントを登録し、ラウンドを開きます (POST /admin/rounds)。 クライアント (qedge.fl.remote.RemoteClient) は nonce に署名してログインし、 暗号化セッションを開いて、ラウンドごとに封印された更新を 1 つ送ります。 サーバは min_clients 件の更新が届くか期限が過ぎた時点で、 QEDGE_AGGREGATION (fedavg、median、trimmed_mean、krum、 multi_krum、bounded) を使って集約します。鍵や暗号バックエンドがない場合は 起動を拒否します。Docker の場合:

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

ダッシュボード: cd mobile_app && flutter run -d chrome --web-port 3000 --dart-define=QEDGE_API_URL=http://localhost:8000 (mobile_app/README.md)。

結果

クライアントはノート PC の CPU 上でシミュレート。seed 0-2 の平均 ± 標準偏差。 表・図・設定の全体: docs/results.md、 experiments/configs/。

RQ1: VQC ヘッド対古典ヘッド。 クライアント 5、ラウンド 15、4 量子ビット、 strongly entangling 層 2 つ (パラメータ 24) と、パラメータ 20 の tanh ヘッドを 比較。エンコーダと出力層は同一です。

データセット, α 古典ヘッド 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

VQC ヘッドは breast_cancer では古典ヘッドと同等で、digits では約 0.16 劣り ます。p = 0.01 の脱分極ノイズと ZNE が最終精度に与える変化は seed 間のばらつき より小さく、最も大きな効果は α = 0.1 の breast_cancer (ノイズなし 0.965、 ノイズあり 0.930、ZNE あり 0.965) です。ZNE により学習は約 8 倍遅くなります。 ランダムな 4 量子ビット回路では、ZNE は p = 0.01 での期待値の誤差を 0.055 から 0.005 (Richardson) または 0.003 (指数) に下げます。

RQ2: 耐量子保護のコスト (liboqs 0.16):

  • トランスポートのハンドシェイクはセッションごとに 1 回、0.57 ms と 7 840 バイト。加えて更新フレームごとに 52 バイト。
  • ラウンド・クライアントあたりのセキュアアグリゲーション (通常の float32 アップロードとの比較):
    • クライアント 10、パラメータ 1 210: 4.7 KiB ではなく 36.6 KiB の アップロード、2.6 ms。サーバ 3.8 ms。
    • クライアント 50、パラメータ 100 000: 391 KiB ではなく 895 KiB、33 ms。 サーバ 95 ms。
  • マスクされた値が 8 バイトを占めるためアップロードは 2 倍になり、鍵交換は クライアント数に比例して増えます。

RQ3: 悪意あるクライアント (digits、MLP、クライアント 10、ラウンド 30、 10 中 3 が攻撃):

攻撃 FedAvg 中央値 Multi-Krum
なし 0.952 ± 0.003 0.931 ± 0.006 0.922 ± 0.003
ラベル反転 0.700 ± 0.314 0.883 ± 0.032 0.938 ± 0.013
スケーリング (モデル置換) 0.177 ± 0.094 0.908 ± 0.015 0.936 ± 0.022
ランダムノイズ 0.578 ± 0.065 0.933 ± 0.014 0.936 ± 0.022
サンプル数の偽装 0.030 ± 0.018 0.883 ± 0.032 0.938 ± 0.013

FedAvg はすべての攻撃に失敗します。Multi-Krum は攻撃なしの自身の精度から 0.02 以内に収まりますが、攻撃者がいないときは 0.03 低下します。Krum 単体は 非 IID データで 0.28 低下します。これらのルールはいずれも、検査対象の個々の 更新を隠すセキュアアグリゲーションの下では動作できません (ADR 0010)。 トリム平均、ノルムクリッピング、サンプル数の上限は docs/results.md に あります。

セキュリティモデル

保護されるもの: 通信路上での更新の盗聴や偽造 (現在も、量子計算機が X25519 を 破った後も。ハイブリッド KEM、署名付きハンドシェイク、AEAD フレーム、 リプレイカウンタ)、サーバや登録済みクライアントへのなりすまし、不正な形式や 重複した更新、クライアントによる集約のトリガー。一部保護されるもの: プロトコルに従う悪意あるクライアント (ロバストルールによる)。保護されない もの: シミュレータ外の好奇心のあるサーバ (セキュアアグリゲーションは HTTP 経由 では提供されない)、グローバルモデルからの推論 (プライバシー会計なし)、 サービス妨害、純 Python バックエンドのサイドチャネル、有効期限前に盗まれた トークン。docs/threat-model.md を参照してください。

制限事項

  • 小さく簡単なデータセットが 2 つだけ。標準偏差 1 つ程度 (RQ1 の digits で 最大 0.14) より小さい差は、seed 3 つでは判別できません。
  • RQ1 は ZNE の実行を現実的な時間に収めるためにクライアント 5、ラウンド 15 を使っており、digits の精度 (0.5-0.7) は 30 ラウンドの MLP (0.95) を大きく 下回ります。
  • シミュレートされたノイズはゲートとワイヤごとに 1 チャネルで、クロストーク、 アイドルノイズ、コヒーレント誤差はありません。default.mixed を通した 誤差逆伝播はハードウェアでは得られない勾配を与えます (ADR 0009)。
  • セキュアアグリゲーションには脱落時の回復がなく、プロセス内でのみ動作 します。測定コストにはネットワーク遅延が含まれません。
  • クリッピングとガウスノイズはありますが、プライバシー会計がないため ε は 報告しません。
  • ロバストルールは攻撃者が最大 30 % であることを前提とし、標的型バックドアや 適応的な攻撃者に対してはテストしていません。
  • Flutter アプリは読み取り専用で暗号処理を行いません。Android と iOS の ビルドは未テストです。

開発

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 は ZNE のグリッド以外を 約 7 分で再実行します。CI は Python 3.11-3.13 での lint とテスト、liboqs の ジョブ、Flutter のテスト、Docker のビルドを実行します。

構成

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

参考文献

  • 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.

ライセンス

Apache 2.0。LICENSE を参照してください。変更履歴は CHANGELOG.md にあります。

関連プロジェクトを探す

読み込み中…