Quantum computing is a potential solution to several problems that classical computing faces such as computational time complexity. Quantum machine learning is therefore expected to have better runtime, capacity, and learning efficiency than classical methods offer. This article aims to present a systematic review of the state-of-the-art literature on quantum machine learning for cybersecurity in the specific application of network intrusion detection systems (IDS), identifying, analyzing, and correlating the different proposals for implementing quantum or hybrid algorithms. The methodology follows the Systematic Literature Review method, which, after its application, identified 5 articles that implemented quantum machine learning algorithms in the context of intrusion detection systems. The main algorithms were variational hybrid quantum-classical, with models based in quantum support vector machines and quantum neural networks. Benefits compared to purely classical models were observed and described, such as improved accuracy of attacking traffic data classification and reduced training time.

A computação quântica é uma solução potencial para diversos problemas que a computação clássica enfrenta como a complexidade de tempo computacional. Espera-se, portanto, que o aprendizado de máquina quântico apresente tempo de execução, capacidade e eficiência de aprendizado melhores do que os métodos clássicos oferecem. O presente artigo visa a apresentar uma revisão sistemática da literatura do estado da arte em aprendizado de máquina quântico para cibersegurança na aplicação específica de sistemas de detecção de intrusão em redes (IDS), identificando, analisando e correlacionando as diferentes propostas de implementação dos algoritmos quânticos ou híbridos. A metodologia utilizada segue o método de Revisão Sistemática de Literatura, o qual, após sua aplicação, identificou 5 artigos que implementaram algoritmos de aprendizado de máquina quântico no contexto de sistemas de detecção de intrusão. Os principais algoritmos foram clássico-quânticos híbridos variacionais, com um modelo baseado em máquinas de vetores de suporte quânticas e redes neurais quânticas. Os benefícios em comparação aos modelos puramente clássicos foram observados e descritos, como a melhoria na precisão da classificação dos dados de tráfego atacante e tempo de treinamento reduzido.