《Machine Learning and Knowledge Extraction》：Quantum Machine Learning for Phishing Detection: A Systematic Review of Current Techniques, Challenges, and Future Directions
Yanche Ari Kustiawan and
Khairil Imran Ghauth
网络钓鱼仍然是主要的网络安全威胁，然而量子机器学习（Quantum Machine Learning, QML）在网络钓鱼检测中的应用仍处于早期阶段。本研究开展了一项系统性文献综述，旨在对现有基于QML的网络钓鱼检测方法进行简明概述，识别方法学趋势、局限性及未来研究方向。研究人员采用PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）引导的综述方案，对2021年至2025年间发表于主要科学数据库的经同行评审的期刊和会议论文进行了检索。合格研究从QML模型、特征编码策略、实验设置、评估指标及研究质量等方面进行分析，研究质量采用改良的Newcastle–Ottawa量表进行评估。结果表明，当前研究在数量上较为有限，且主要集中于混合量子–经典模型，特别是量子支持向量机（Quantum Support Vector Machine, QSVM）和变分量子分类器（Variational Quantum Classifier, VQC）。报告的性能高度依赖于编码方法、电路深度以及基于模拟器的实验，很少有研究评估真实量子硬件。常见挑战包括数据集规模小、缺乏外部验证、硬件噪声、可扩展性约束以及缺少标准化基准。总体而言，该综述表明，用于网络钓鱼检测的QML仍处于探索阶段，尚未与成熟的经典方法形成竞争力，但作为一种实验性研究方向具有潜力，前提是未来研究需解决鲁棒性、可重复性及实际部署约束等问题。
1. 引言
网络钓鱼是最普遍且最具破坏性的网络威胁之一，因其直接针对人类信任并通过数字渠道高效扩展。多数网络钓鱼活动通过模仿可信网站进行，单个恶意统一资源定位符（Uniform Resource Locator, URL）即可触发大规模凭证窃取、恶意软件投递或金融欺诈。反网络钓鱼工作组报告称，软件即服务（Software as a Service, SaaS）和网络邮件类别是最受攻击的目标领域，在线支付和银行业务合计占比达30.9%。研究人员越来越多地滥用通过电子邮件传递的二维码（Quick Response Code, QR Code）将受害者引导至钓鱼页面或促成恶意软件安装，在六个月期间内识别出超过170万个不同的恶意二维码，同时每天平均发送270万封含二维码的电子邮件。涉及电汇的商业电子邮件泄露（Business Email Compromise, BEC）活动也有所上升，较前一季度增长33%。尽管机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）在网络钓鱼检测中取得显著进展，经典方法仍受限于特征工程、可扩展性挑战以及对复杂非线性关系的建模困难，这促使研究人员探索替代计算范式。量子机器学习作为潜在替代方案近期受到关注，其通过量子特征映射将经典特征嵌入高维希尔伯特空间（Hilbert Space），为网络钓鱼数据提供了区别于经典特征空间的表示视角。
2. 背景研究
本部分建立网络钓鱼检测与QML之间的技术联系，从经典方法的局限性出发，阐述量子学习模型的表示能力优势。
2.1. 网络钓鱼
网络钓鱼是一种攻击者冒充合法实体以欺骗用户泄露敏感信息的网络攻击技术，自20世纪90年代出现以来显著演变，从简单的电子邮件诈骗发展到利用自动化、混淆和社会工程技术的复杂活动。攻击通常通过恶意URL、电子邮件链接、虚假网站或嵌入式脚本传递。网络钓鱼攻击遵循多阶段生命周期，包括规划、交付、数据收集和利用阶段，这要求检测系统必须在对抗性条件下运行。URL级特征工程是有效的自动化检测方法，包括词法特征（如URL长度、子域深度、基于IP的主机使用、字符n元语法熵）、结构特征（如特殊字符比例、URL路径中的品牌相关关键词、重定向模式）以及基于主机的属性（如来自WHOIS记录的域名年龄、域名系统（Domain Name System, DNS）行为、页面排名）。在机器学习框架下，网络钓鱼URL检测被表述为二元分类问题，特征空间具有高维、异质及复杂非线性交互的特点。经典ML方法（如支持向量机（Support Vector Machine, SVM）、随机森林、神经网络）虽表现强劲，但存在 handcrafted 特征表示依赖、高维空间计算密集以及易受对抗操纵等局限。
2.2. 量子机器学习
QML是整合量子计算原理与ML算法的新兴交叉领域，与操作二进制比特的经典ML不同，QML操作量子比特（qubit），后者可处于叠加态并展现纠缠特性。n个量子比特可同时表示2
n个状态，构成量子并行性（Quantum Parallelism）的基础。量子核方法是近期QML的重要方法，利用量子电路作为特征映射在指数级大的希尔伯特空间中定义核函数。对于经典输入x ∈ R
d，量子特征映射?: R
d → ?将数据编码为量子态|?(x)?，核函数κ(x
i, x
j) = |??(x
i)|?(x
j)?|
2测量量子编码态之间的相似性。该核可集成到经典分类器中形成量子支持向量机（QSVM），其他架构还包括变分量子分类器（VQC）、量子神经网络（Quantum Neural Network, QNN）和量子卷积神经网络（Quantum Convolutional Neural Network, QCNN），通常在混合量子–经典框架中实现。QML的理论优势包括：量子特征映射可将经典数据投影到更高维特征空间以改善类别可分性；量子电路可通过纠缠和干涉建模复杂非线性关系；量子算法可能对特定优化任务提供计算速度优势。然而，当前处于含噪声中等规模量子（Noisy Intermediate-Scale Quantum, NISQ）时代，有限的量子比特数量、硬件噪声和浅层电路深度显著影响性能和可重复性。
3. 方法学
本研究采用系统性文献综述（Systematic Literature Review, SLR）方法，遵循PRISMA指南确保方法学严谨性和透明度。
3.1. 搜索策略
研究人员在多个电子数据库（包括ACM Digital Library、IEEE Xplore、MDPI、ScienceDirect、SpringerLink）执行广泛检索，搜索时间限制为2021年初至2025年初，以捕捉网络钓鱼威胁和QML演变的最新进展。
3.2. 研究筛选
研究筛选分三个阶段进行：首先合并数据库检索记录（n=19）；其次通过标题、摘要和关键词筛查排除不相关研究（排除n=12）；最后通过全文评估确认相关性和方法学适当性，最终纳入6项研究。
3.3. 纳入研究
最终纳入6篇研究文章，反映了QML在网络钓鱼检测领域的早期采用现状。纳入研究的关键细节包括来源数据库、发表年份、参考文献和引用次数。
3.4. 数据提取与综合
结构化数据提取从每项纳入研究中收集QML分类器类型、特征编码策略、数据集特征、评估指标、报告性能、优势、局限性以及平台信息（量子模拟器或真实量子设备）。综合采用描述性统计分析和主题分组，频率分析用于识别主导性QML分类器和编码策略，主题综合用于分类优势、局限性和研究挑战。
3.5. 质量评估
研究质量采用改良的Newcastle–Ottawa量表（NOS）进行评估，该量表跨越选择、可比性和结果三个域，最高分9星。改良版量表针对网络钓鱼检测实证研究进行了调整，评估维度包括：数据集相关性和代表性、标注和真值质量、预处理透明度和泄漏控制、训练-测试设计充分性、基线强度和比较公平性、实验混杂因素控制、结果测量适当性和完整性、稳健性和统计可靠性以及可重复性和可推广性。质量评分由两名研究人员独立评估，7-9星为高质量，4-6星为中等质量，1-3星为低质量。
4. 结果
本部分按研究问题组织呈现QML用于网络钓鱼检测的综合发现。
4.1. 研究问题1：哪些QML模型已应用于网络钓鱼检测？
结果显示四种主要分类器类别：QSVM/QSVC、VQC、QCNN和QNN。其中QSVM/QSVC最为常见，在6项研究中出现在4项中；VQC和QCNN各出现在3项研究中；QNN使用最少，仅出现在2项研究中。QSVM/QSVC作为经典SVM的量子等价物，通过量子特征映射（如ZZFeatureMap）将经典数据嵌入量子态，利用量子核评估进行分类，其在混合量子–经典框架中的简洁实现和与NISQ硬件约束的兼容性是其高频使用的原因。VQC结合量子特征编码与参数化量子电路（变分ansatzes），通过经典优化器优化参数以最小化分类误差，展现了灵活性和适应性。QCNN通过类卷积量子电路层实现分层特征提取，但因电路复杂度高、对量子噪声敏感及硬件资源需求大而较少占主导。QNN虽提供概念灵活性，但在现有噪声和扩展性约束下 reported 收益有限。
4.2. 研究问题2：哪些特征编码策略用于将网络钓鱼数据表示为量子表示？
特征编码策略呈现显著变异，反映表达能力和硬件可行性之间的权衡。ZZ Feature Map是最常用的编码，出现在3项研究中，通过单量子比特旋转门结合纠缠操作将数据投影到高维量子特征空间，特别适用于核分类器如QSVM，但需一个量子比特对应一个特征，可扩展性受限。Z Feature Map使用Hadamard和参数化旋转门，避免重纠缠以降低电路复杂度。Angle Encoding将网络钓鱼特征直接编码为量子比特旋转角，硬件高效且适合变分量子电路。Amplitude Encoding将特征向量直接映射为量子态振幅，理论上允许指数级数据压缩，但需严格数据归一化和复杂量子态制备。其他编码策略包括Quantum Random Access Coding（QRAC）及其级联变体（压缩效率提升达3.5倍）、Qudit-based Encoding（使用高维量子单元）、Pauli-feature maps、Rotation Angle Setting、Categorical and Binary Feature Embedding以及One-Hot Encoding等。
4.3. 研究问题3：现实量子硬件约束如何影响这些模型的性能和泛化？
NISQ时代的现实约束强烈塑造QML模型的学习行为和性能。有限量子比特可用性迫使研究人员采用高效特征编码策略（如QRAC），这缓解了硬件稀缺性并实现了更快的训练评估周期。然而，电路深度仍是主要瓶颈，增加特征映射或变分ansatzes的重复次数以捕捉URL中细微语言模式会显著提高执行时间并因量子比特相干时间短而放大错误率。硬件噪声和量子干涉常导致测量态概率偏离理想模拟结果，在真实量子设备上造成明显性能退化。有趣的是，若干研究报道内在量子噪声在某些情况下可通过正则化效应改善泛化，帮助模型抵抗过拟合，特别是在面临URL混淆等对抗操纵时。QSVM在高维希尔伯特空间中展现高稳定性和强召回率，而QCNN等更复杂架构由于难以在噪声条件下调整量子参数而难以有效泛化。
4.4. 研究问题4：现有QML模型报告了哪些优势和局限性？
QSVM/QSVC的优势包括：通过量子核和特征映射改善类别可分性；在某些数据集上报告优于经典SVM的预测性能（准确率高达92%，对比经典SVM的85-89%）；改进召回率减少漏检；对抗扰动下的更强鲁棒性（QSVM性能保持在88%以上而经典模型降至75%以下）；训练时间减少约40%（指优化器或核训练运行时间，而端到端模拟开销显著更高）；QRAC编码相比ZZ特征映射可提升约3%性能。局限性包括：NISQ硬件噪声约束、模拟器依赖限制操作验证、模拟计算成本高昂（某实验中QSVM模拟需近乎经典SVM的2000倍资源）。
VQC的优势包括：结合量子特征映射与变分ansatzes，利用叠加和纠缠支持表现力强的决策边界；QRAC-VQC在某评估中比ZZ特征映射优约13%；高召回率减少假阴性；PhishVQC达到最大宏平均F1分数0.89，较早期VQC结果提升22%。局限性包括：真实量子硬件上性能常因噪声退化；数据集增大时计算负担增加；ansatz设计影响效率（如EfficientSU2比RealAmplitudes需要更多执行时间）；当前硬件限制扩展至更大样本量和更复杂特征表示。
QCNN的优势包括：支持分层学习和特征提取，理论上可捕捉URL特征间的复杂依赖；在某些评估中相较QNN变体有轻微性能提升；在高维特征空间中保持混合效率特性。局限性包括：对量子噪声敏感且电路参数调整困难；较不适合纯数值特征结构，设计偏置更自然地与类图像或空间结构化数据对齐；电路复杂度减缓收敛；增加量子层并不始终产生预期收益，有时增加训练难度和运行时间。
QNN的优势包括：结合经典神经网络原理与参数化量子电路的混合架构。局限性包括：在网络钓鱼检测准确率和类别特异性敏感度方面通常表现逊于经典神经网络和QSVC；对合法样本学习更有效而网络钓鱼样本学习不足，增加将网络钓鱼实例误分类为良性的风险；某评估中平均网络钓鱼检测性能约为70%。
4.5. 研究问题5：文献中识别出哪些挑战和未来研究方向？
当前挑战主要包括：NISQ硬件限制（门错误、退相干、测量不稳定性）；高计算和模拟成本；特征编码瓶颈（低效特征映射增加量子比特需求和电路深度）；模拟器依赖限制真实世界验证；电路设计敏感性和ansatz选择影响运行时间和模型稳定性；难以支持大规模或实时网络钓鱼检测；缺乏标准化基准和评估协议限制与经典ML的公平比较。
未来研究方向包括：开发噪声感知和误差缓解的QML模型以提高真实NISQ硬件上的可靠性；设计更高效的量子特征编码方案以减少量子比特需求和编码开销；构建可扩展QML架构处理大规模真实网络钓鱼数据集；增加混合量子–经典管道的采用以平衡量子表现力和经典效率；从模拟器扩展到真实量子硬件的系统基准测试；开发自适应或增量QML框架以应对不断演变的网络钓鱼策略和概念漂移；电路简化和优化ansatz设计以减少执行时间和训练成本；制定标准化数据集和评估协议以实现与经典方法的可重复和公平比较；将QML应用扩展到更广泛网络钓鱼环境（包括多模态和零样本场景）；提高可解释性和可解释性以支持网络安全环境中的可信部署；强调跨不同量子硬件平台的标准化基准测试实践，包括在多量子处理器上评估QML模型、比较不同噪声轮廓下的性能、进行跨设备验证，并详细报告硬件配置（量子比特连通性、门保真度、校准数据、测量错误率）以支持可重复性和公平比较；进行消融研究以深入理解电路深度、连通性约束和编码策略的实际限制和可扩展性。
5. 讨论
本讨论突出主要发现，表明QML用于网络钓鱼检测的研究集中于少数技术，QSVM/QSVC和VQC出现最频繁，而QCNN和QNN较不常见且更具实验性。这些技术之间存在一致权衡：受控设置下（通常在模拟器上）有前景的分类性能，与因NISQ噪声、量子比特稀缺、编码开销和高计算成本导致的有限部署就绪性之间的矛盾。
5.1. 解释用于网络钓鱼检测的QML模型格局
QSVM或QSVC与VQC主导文献，可从实用性角度解释。两者均在混合量子–经典管道中实现，经典预处理生成紧凑特征表示，量子电路随后用于计算核函数（QSVM或QSVC）或实现参数化决策函数（VQC）。该设计与网络钓鱼数据集表示方式最一致。QCNN定位为实现分层学习和隐式降维的模型，但因数据适用性和硬件限制而应用较少。QNN方法在评估中显示较弱的网络钓鱼类别性能，限制其相对于QSVM和VQC的采用。
5.2. 每种技术的优势与劣势
QSVM和QSVC通过量子核和特征映射将网络钓鱼特征投影到高维希尔伯特空间以改善类别可分性，在混合设置中准确率高达92%，核配置中精确率和召回率达1.00。对抗扰动下保持鲁棒性，但模拟计算成本可达经典SVM的约2000倍。
VQC结合量子特征映射与变分ansatz电路，通过经典方法优化，QRAC配置中实现强召回（0.93）和竞争性F1分数（高达0.89），但受NISQ噪声敏感性、数据集增大时计算开销增加以及ansatz选择效率差异的约束。
QCNN引入分层结构理论上适合组合式网络钓鱼模式，但实证结果不一致，准确率低至0.65，F1分数 modest（0.62），对噪声敏感、需要复杂调整且较不适合表格网络钓鱼数据。
QNN展现中等性能（PhishStorm数据集上准确率0.9107），但存在偏向合法类别预测的偏差，网络钓鱼检测性能约70%，不足以部署于高风险环境。
5.3. 实际性能与就绪性视角
许多报告性能增益在受约束评估设置下获得（主要使用模拟器），而真实量子硬件上的性能反复被发现易受NISQ相关噪声影响。模拟器结果与真实设备行为之间的差距是NISQ时代量子计算的持续限制，对于需要可靠可重复操作的网络钓鱼检测构成重大实践验证和部署障碍。
5.4. 当前挑战与影响
硬件约束主导模拟器到硬件的现实差距。最一致的局限是NISQ噪声，限制真实设备相对于模拟器的性能。量子比特稀缺和特征维度限制扩展，高效利用受连通性约束、不均匀校准质量和位置依赖错误率影响。两量子比特门比单量子比特操作噪声大得多，在建模更丰富关系与保持电路保真度之间形成权衡。高计算和模拟成本、特征编码瓶颈、电路设计和ansatz选择的敏感性也是重要挑战。缺乏标准化基准和评估协议限制与经典ML的公平比较，小方法学差异可能膨胀性能，削弱可重复性和"量子优势"声明的可验证性。
5.5. 未来研究方向：连贯路线图
最强调的方向包括：开发噪声感知和误差缓解的QML模型；设计更高效的量子特征编码方案；构建可扩展QML架构和混合量子–经典管道；自适应和增量QML模型以应对概念漂移和演变策略；标准化数据集和评估协议、真实量子硬件系统基准测试、扩展至更广泛场景以及提高可解释性。近期实用策略是将QML作为 narrowly scoped 任务的补充工具，而非经典系统的完全替代。
5.6. 解释当前证据的影响
QSVM或QSVC和VQC是最成熟的进一步研究候选，因其持续报告竞争性指标、理论基础和更广泛经验基础。但更大研究成熟度并不自动意味着操作就绪性。模拟器依赖、NISQ噪声、量子比特约束以及成本和延迟限制仍是未解决的障碍。当前文献更具信息价值的是QML可能增加价值的领域，而非何时能准备就绪替代或可靠优于优化的经典网络钓鱼检测器。
6. 局限性
本早期系统性综述存在若干局限。证据基础小（仅6项合格研究），限制跨研究比较强度和趋势泛化能力。搜索策略和资格标准引入潜在选择偏差，限制于预定义数据库、近期发表窗口和英文同行评审文章，可能遗漏使用替代术语的研究、量子启发方法、技术报告、预印本或行业评估。许多结果在模拟器或高度控制实验条件下获得，真实量子硬件性能对NISQ噪声和量子比特约束敏感，结论主要反映当前实验可行性而非真实世界部署就绪性。
7. 结论
本综述综合了QML用于网络钓鱼检测的新兴文献。由于证据基础小、研究设计异质，结论应视为早期证据而非确定性指导。四种QML模型（QSVM/QSVC、VQC、QCNN、QNN）被应用于网络钓鱼检测，QSVM/QSVC和VQC评估最频繁且常在受控或模拟设置下报告竞争性结果，但结果随特征编码选择、电路深度、ansatz设计和泄漏控制而变化，支持直接优于强经典基线的证据有限。当前文献将QML定位为可补充经典网络钓鱼管道的实验性组件，特别是作为可能在高维希尔伯特空间中引入不同归纳偏置的表示机制。现阶段证据不支持广泛优越性声明或部署就绪性。未来工作应优先：真实量子后端上的噪声感知训练和推理；针对网络钓鱼特征的量子比特高效编码；更大、时间现实的数据集评估；建立社区基准和标准；以及超越仅报告分类准确率的实际性能指标（执行时间、采样效率、误差缓解开销）。
