Detecção de Ataques Black Hole em Redes Quânticas Baseada em Aprendizado de Máquina

Nos sistemas de comunicação quântica, ataques do tipo Black Hole Repeater (BHR) consistem em repetidores maliciosos que introduzem erros ou falsificam métricas, degradando a eficiência quântica enquanto permanecem indetectáveis por métodos convencionais. Propõe-se um Sistema de Detecção de Intrusão baseado em Random Forest, validado sobre um dataset de 3.000 amostras simulando cenários normais, falhas de infraestrutura e ataques BHR sob agressividade dinâmica. Sob validação cruzada estratificada (10-Fold), o modelo obteve acurácia de 0,95±0,01 e revocação de 0,93 ± 0,02. A comparação estatística pareada de Wilcoxon indicou que arquiteturas complexas (Random Forest, SVM, XGBoost e MLP) possuem desempenho equivalente e satisfatório (p > 0,05), ao passo que a Regressão Logística falhou integralmente na mitigação. Esse fracasso absoluto da abordagem linear comprova matematicamente que a assinatura do BHR é estritamente não-linear, exigindo modelos heurísticos capazes de correlacionar ineficiência operacional furtiva com a exaustão de recursos logísticos (consumo anômalo de pares EPR).