综述：利用量子机器学习提升网络入侵检测：方法、指标及应用的全面综述 Antanios Kaissar, Ali Bou Nassif, Ahmed Bouridane

《Future Internet》：Enhancing Network Intrusion Detection with Quantum Machine Learning: A Comprehensive Survey of Methods, Metrics, and Applications Antanios Kaissar, Ali Bou Nassif and Ahmed Bouridane

　　摘要 量子计算引入了新的计算能力，当与机器学习结合时，可以支持先进的网络安全解决方案。近年来，量子机器学习（QML）作为一种有前景的方法出现，用于增强网络入侵检测系统（IDS），特别是在分析复杂和高维网络流量方面。本文对应用于网络入侵检测的QML技术进行了系统的综述。该综述回顾了截至2026年1月发表的经过同行评审的研究，这些研究采用了量子、量子-经典混合以及受量子启发的学习模型来检测入侵。所选研究从使用的算法、入侵检测数据集以及报告的评估指标等方面进行了分析。分析显示，目前大多数方法依赖于模拟的量子环境和传统的数据集，而评估实践在各个研究之间仍然存在不一致性。这些发现突显了基于QML的IDS仍处于早期发展阶段，并需要标准化的评估协议和更真实的实验环境。最后，本文指出了开放的挑战和未来的研究方向，以支持可靠、可扩展且实际可行的基于QML的入侵检测系统的发展。

1. 引言
数字技术和网络系统的快速发展导致计算机网络间交换的数据量、种类和速度前所未有地增加[1]。虽然这种转变实现了先进的服务和全球互联，但也显著扩大了网络对手的可攻击面[2]。因此，现代网络面临日益复杂的威胁，包括零日攻击、分布式拒绝服务（DDoS）攻击、勒索软件和高级持续威胁，使得网络安全成为所有行业组织面临的至关重要且持续不断的挑战[3,4]。
入侵检测系统（IDS）通过持续监控网络流量和系统活动来识别恶意行为，在应对这些挑战中发挥着基础性作用[5]。与防火墙和加密等预防性安全机制不同，IDS的设计目的是检测已知和未知的攻击，作为第二道防线。IDS通常分为基于网络的入侵检测系统（NIDS），用于分析网络流量；以及基于主机的入侵检测系统（HIDS），通过日志、文件完整性和应用程序行为来监控单个系统[6]。然而，尽管它们被广泛采用，传统的IDS方法在处理现代网络威胁的规模、复杂性和演变特性方面存在显著限制[7]。
为了克服这些挑战，机器学习（ML）和深度学习（DL）已被广泛集成到IDS中，以提高检测的准确性和适应性[8]。基于ML的IDS能够识别网络数据中的复杂模式，并自动区分恶意流量和正常行为[9]。传统ML和DL算法在处理大规模和高维网络流量数据时面临的挑战包括训练模型所需的时间、计算复杂性、数据类别不平衡，以及对不断演变的攻击的有效性降低[10]。随着网络环境的不断增长，需要转向能够应对这些限制的新计算模型。
量子计算作为一种有前景的技术出现，具有解决经典计算某些限制的潜力[11]。与使用二进制位的经典系统不同，量子计算机使用量子比特，量子比特可以处于叠加态并纠缠在一起，从而为某些任务提供了新的信息处理方式和潜在的计算优势[12,13]。尽管当前的量子硬件仍处于噪声中等规模的量子（NISQ）时代，并且仍受噪声和硬件限制的制约，但最近的进展已经证明了其在现实世界问题中的应用潜力。
量子机器学习（QML）将量子计算与经典机器学习结合起来，开发出能够潜在提高学习效率并处理复杂数据表示的模型[14]。在网络安全领域，QML作为增强入侵检测系统的方法受到了越来越多的关注[15]。现有研究探讨了诸如量子增强分类器、量子神经网络、量子内核和量子-经典混合模型等技术，用于入侵检测和异常检测任务[16]。然而，尽管兴趣日益增长，相关文献仍然零散，算法、数据集和评估方法存在差异。此外，现有综述主要关注QML的一般应用，对入侵检测的关注有限，通常没有全面涵盖2022年之后的最新发展，这突显了需要进行更全面和最新的综述的必要性[17]。
基于这些观察，本文对应用于网络入侵检测系统的量子机器学习技术进行了全面和最新的综述。该综述系统地回顾和分析了截至2025年12月发表的25篇经过同行评审的研究，重点关注所采用的QML算法类型、用于评估的数据集以及用于验证性能的指标。通过组织和综合现有文献，本工作旨在清晰地了解当前的研究趋势，突出关键挑战，并确定未来量子增强入侵检测研究的方向。本综述的主要贡献总结如下：
- 本综述系统地回顾了应用于网络入侵检测的最新量子、量子-经典混合和受量子启发的机器学习方法，提供了文献中报告的算法和设计选择的结构化概述。
- 它分析和比较了现有基于QML的IDS研究中使用的数据集和评估指标，提供了对当前基准测试实践的洞察，并强调了实验设置之间的差异。
- 本文检查了先前工作中发现的关键技术和实际限制，包括量子硬件约束、数据编码策略、对模拟环境的依赖以及评估方法的一致性问题。
- 该研究指出了研究空白，并概述了未来的工作方向，这将有助于开发更可靠和实际可应用的基于QML的IDS。

本文的其余部分结构如下：第2节介绍了相关文献的回顾，第3节介绍了研究方法论，第4节报告和讨论了结果，第5节讨论了本研究的局限性，最后第6节提出了结论。

2. 相关工作
多项综述研究了将量子计算能力与经典机器学习相结合的应用和算法。早期的综述主要集中在QML的理论基础概念上，以及量子计算的属性如何从计算效率和可扩展性方面增强模型。这些研究涵盖了QML在模式识别和图像分类等经典方法中占优势的广泛应用领域[18,19,20]。这表明QML正在吸引各领域的研究人员利用其能力。
另一项详细的综述系统地对QML算法进行了分类[21]。它强调了在大规模环境中使用QML的关键挑战，包括量子噪声、量子比特的可用性以及当前NISQ硬件的可扩展性限制。在探索包含量子计算的实际应用时，这些限制尤为重要。此外，[22]中的作者对特定的量子算法（如量子神经网络和量子支持向量机）进行了更深入的探讨。他们的研究涵盖了这些算法的数学基础，并调查了它们的潜在优势和局限性，并与经典机器学习算法在改进和可扩展性方面的进行了比较。
量子数据编码是QML文献中的另一个重要研究方向，它使得经典数据能够表示为量子状态以在量子计算机上进行处理。[23]中的研究详细分析了常用的编码策略，如角度编码、振幅编码和基础编码。它讨论了每种方法在量子比特要求、电路深度和信息表示能力方面的优缺点。对于高维数据而言，有效的编码尤为重要，因为低效的编码策略会大幅降低量子计算带来的优势。
尽管关于量子机器学习的综述数量不断增加，但只有少数研究专门讨论了将QML技术应用于IDS。 [24]中进行的一项系统综述检查了2017年至2022年间发表的研究，仅发现了五项将QML算法应用于IDS的研究。这种有限的覆盖范围反映了该应用领域在这一时期的早期阶段。然而，自2022年以来，由于量子软件框架的进步、对量子模拟器的更好访问以及将量子增强学习应用于网络安全问题的兴趣增加，研究活动显著增加。最近的研究旨在减少训练时间、提高检测准确性，并更好地处理网络流量数据的高维度问题。
2023年发布的一项系统映射综述进一步探讨了量子算法在入侵检测中的使用[25]。虽然这项工作为新兴研究趋势提供了有用的见解，但其范围受到该领域快速发展速度的限制。因此，其审查周期之后发布的几项相关研究并未包括在内，导致对当前研究现状的视图不完整。
最近，一项综合综述[26]研究了联邦学习与入侵检测系统的集成，特别强调了深度学习和量子机器学习方法。该研究对联邦学习架构、部署策略、通信协议和网络入侵检测的隐私保护机制进行了广泛的分析。它还引入了量子联邦学习的概念，并讨论了分布式IDS环境中的量子特征编码和量子学习算法。尽管这项工作为隐私感知和分布式入侵检测提供了宝贵的见解，但其主要焦点在于联邦学习框架，而不是IDS中的独立量子机器学习技术。表1提供了现有综述和相关研究的结构化比较，突出了它们在入侵检测系统上的关注点、覆盖范围、审查周期和报告的局限性。

3. 方法论
在这项综述中，我们采用了基于Kitchenham和Charters提出的指南[27]的系统文献综述（SLR）方法论。此外，该综述符合PRISMA 2020指南，以提高研究选择和报告过程的透明性、可重复性和清晰度。这项综述没有正式注册。SLR过程包括三个主要阶段：计划、实施和报告，每个阶段都包含一组明确定义且相互关联的步骤。该方法论确保了基于综述的研究的透明度、可重复性和方法论的严谨性。
在计划阶段，定义了一个结构化的综述协议来指导整个综述过程。该协议包括六个主要阶段：(i) 定义研究问题，(ii) 设计搜索策略，(iii) 确定研究选择程序，(iv) 规定质量评估标准，(v) 定义数据提取策略，(vi) 确定数据合成方法。研究问题与本综述的目标一致，专注于将量子机器学习技术应用于入侵检测系统。整个综述协议的阶段如图1所示。图1. 基于QML的IDS的系统文献综述协议。选择和过滤过程见图2。
在实施阶段，应用搜索策略从选定的数字库中检索相关和高质量的研究。根据研究问题定义搜索词和布尔运算符，以确保文献的全面覆盖。然后应用研究选择标准（包括纳入和排除规则）来过滤无关或质量较低的研究。此外，还进行了反向引用搜索，以识别可能未出现在初始搜索结果中的进一步相关文章。质量评估阶段评估所选方法论的合理性。这一步确保只包括具有明确目标、明确定义的实验设置和适当评估指标的研究。然后应用结构化的数据提取策略从每个选定的研究中收集相关信息，包括使用的量子机器学习技术、数据集和验证指标。
最后，在报告阶段，使用叙述性和表格分析方法系统地综合提取的数据，以回答研究问题并识别研究趋势、挑战和空白。正如Kitchenham和Charters所强调的，综述协议在任何SLR中都起着关键作用。为减少研究者的偏见并保持一致性，作者们在审查过程的所有阶段都进行了定期讨论。以下小节将详细描述所采用的审查协议的每个阶段。

3.1 研究问题
为了总结并提供量子机器学习（QML）技术在入侵检测系统（IDS）中的应用证据，定义了以下研究问题（RQs）：
RQ1：在IDS中使用了哪些量子机器学习技术？
这个问题的目的是识别并分类应用于IDS的QML算法，包括完全量子和量子-经典混合的学习方法。
RQ2：使用了哪些数据集来评估基于量子机器学习的入侵检测系统？
这个问题旨在确定文献中用于验证基于QML的IDS模型的数据集。
RQ3：使用了哪些评估指标来验证基于量子机器学习的入侵检测方法？
这个问题的目的是分析现有文献中提出的验证参数，包括准确性、精确度、召回率和F1分数等最常用的参数，并指出文献中的差异。
RQ4：应用于入侵检测系统的量子机器学习技术的主要优势和局限性是什么？
这个问题主要关注于评估基于QML的IDS方法的优点和缺点，包括模型能力、数据编码问题以及量子硬件限制等方面。

3.2 搜索策略
搜索策略由三个主要部分组成：
3.2.1 搜索词
采用系统性程序和SLR方法构建搜索词。该程序包括以下步骤：
主要搜索词直接来自定义的研究问题。
识别与主要词相关的替代词、同义词、缩写和常见术语，以扩展搜索范围。
识别并包括文献中常报告的关键QML技术，以确保涵盖相关方法。
使用布尔运算符（AND、OR）和引号来细化搜索结果并捕捉特定短语。
为了确保全面覆盖相关研究，基于识别出的关键词及其同义词构建了一个统一的布尔搜索字符串。在选定的数字图书馆中使用的最终搜索字符串如下：
(“quantum machine learning” OR “quantum computing” OR “quantum-inspired” OR “quantum neural network” OR “QNN” OR “quantum support vector machine” OR “QSVM” OR “variational quantum circuit” OR “VQC” OR “quantum convolutional neural network” OR “QCNN” OR “quantum generative adversarial network” OR “QGAN”)
AND (“intrusion detection” OR “intrusion detection system” OR “IDS” OR “network security” OR “cybersecurity” OR “anomaly detection”)
该搜索字符串应用于选定数据库中的标题、摘要和关键词。

3.2.2 调查资源
利用多个数字图书馆来保证高质量和经过同行评审的出版物。资源包括IEEE Xplore、ScienceDirect、ACM Digital Library、SpringerLink和Web of Science。搜索范围涵盖了与量子计算、机器学习和网络安全相关的期刊文章和高质量会议论文。它还利用文章元数据（如标题、摘要和关键词）进行搜索，以确保全面检索到相关研究。为了保持相关性和与调查目标的一致性，搜索范围限于从量子机器学习在网络安全中应用出现到2026年1月的出版物。

3.2.3 搜索阶段
将定义的搜索词应用于选定的数字图书馆以检索候选研究。除了主要搜索外，还通过检查选定文章的参考文献列表进行反向引用搜索，以识别更多相关研究。所有检索到的出版物都使用协作文档平台在作者之间管理和共享。根据下一节中解释的纳入和排除标准，选择了39项研究进行进一步分析。本文稍后将总结不同搜索和选择阶段中的文章分布。

3.3 研究选择
研究选择涉及多步骤筛选过程，以识别相关且高质量的文章，这些文章能够回答定义的研究问题。初步在文献中的搜索在选定的电子图书馆中产生了387篇候选文章。由于许多文章未能提供足够关于基于量子机器学习的入侵检测系统的详细信息，因此使用了更多的筛选标准，如图2所示。

图2. SLR的研究选择和筛选过程。选择和筛选过程由作者独立进行，随后通过定期讨论来协调差异并达成共识。研究选择过程包括以下步骤：
- 删除重复项：识别并从不同作者或数字图书馆中删除重复的文章。
- 相关性筛选：应用纳入和排除标准以排除不相关的研究。
- 质量评估：应用质量评估规则，仅保留充分回答研究问题的研究。
- 参考文献筛选：从选定文章的参考文献列表中识别出更多的相关研究，并对这些研究重复质量评估步骤。

本次调查中应用的纳入标准如下：
- 该研究将量子机器学习技术应用于入侵检测系统或网络异常检测。
- 该研究使用量子、量子-经典混合学习或量子启发模型。
- 该研究使用入侵检测数据集进行实验评估。
- 该研究发表在同行评审的期刊或会议上。
- 如果同一研究存在多个版本，仅考虑最新版本。
- 该研究发表于2026年1月之前。

排除标准如下：
- 将量子机器学习应用于除入侵检测之外的其他应用的研究。
- 仅概念性讨论量子计算而缺乏实验验证的研究。
- 仅使用经典ML技术的研究。
- 非同行评审的文章、技术报告和非英文出版物。

经过所有选择和筛选步骤后，共剩25篇文章，这些文章将成为本次调查的最终研究集。选择过程使用PRISMA流程图表示，如图3所示。这些选定的文章构成了表2中分析和讨论的基础。

表2. 选定的文章。

3.4 质量评估规则（QARs）
应用QARs来评估选定研究是否符合预定义的研究问题。通过这种评估，只有方法论上合理且与当前研究问题相关的研究才会被纳入最终分析。定义了七个质量评估标准，每个标准根据研究中提供的清晰度和完整性进行评分：完全符合得1分，部分符合得0.5分，不符合得0分。每项研究的总体质量得分是各标准得分的总和。得分达到4分及以上的研究被认为是可接受的，并保留进行进一步分析，而得分低于此阈值的研究则被排除。本次调查中用于评估质量的标准如下：
- QAR1：研究目标是否明确陈述？
- QAR2：入侵检测问题是否明确定义并有充分的动机？
- QAR3：量子机器学习技术是否描述清楚？
- QAR4：实验设计或系统架构是否充分解释？
- QAR5：研究中使用的数据集是否明确指定并适合入侵检测？
- QAR6：评估指标是否明确定义并正确报告？
- QAR7：研究是否包括与其他方法或基线的比较或讨论？

3.5 数据提取策略
在此阶段，检查选定的研究以提取回答定义研究问题所需的信息。对于每项研究，系统地收集关键的出版物和方法学细节，包括出版年份、作者、文章标题和文章类型。此外，还提取与应用领域相关的信息，以确保与入侵检测系统的相关性。为了支持研究问题的分析，每项研究都经过审查，以确定使用的量子机器学习技术、用于评估的数据集以及报告的验证指标。提取的信息还表明每项研究解决了哪些定义的研究问题，从而在选定的文献和研究目标之间建立透明的对应关系。数据提取工作由两名作者完成，一名作者提取所需信息，另一名作者验证其准确性。在意见不一致的情况下，所有作者之间进行讨论以解决差异并确保一致性。提取过程中可能会遇到许多困难，例如不同的研究者使用不同的术语或缩写来指代相同的量子机器学习技术。此外，一些论文缺乏方法学细节或仅提及标准方法而没有明确说明。这些问题通过术语标准化方法以及通过彻底的上下文分析来解决模糊描述。

3.6 提取数据的综合
为了综合从选定研究中提取的数据，采用了叙述性和表格化综合方法。这些方法允许以结构化的方式汇总证据，以回答每个研究问题。不需要数据转换；提取的信息直接以叙述性和表格形式综合。对于关注识别入侵检测系统中使用的量子机器学习技术和数据集的RQ1和RQ2，采用了叙述性综合方法。提取的信息以表格形式组织和总结，以突出模式、趋势以及频繁使用的技术和数据集。对于涉及评估基于QML的入侵检测方法的评估指标的RQ3，提取的定量信息进行了描述性综合。由于研究之间的实验设置和报告风格存在差异，综合重点在于识别常用的指标，而不是进行直接的数值比较。对于考察应用于入侵检测系统的QML技术的优势和局限性的RQ4，采用了定性综合方法。由于类似的优势和局限性在不同研究中经常用不同的术语描述，这些发现基于共同的意义进行了统一和分组，从而能够连贯地解释文献中的定性见解。

4. 结果与讨论
本节展示了从系统文献回顾中获得的结果并进行了解释。结果根据识别的研究问题（RQ1-RQ4）进行了组织。在这项工作中，基于纳入、排除和质量标准，系统地识别并分析了2020-2025年间发表的25篇主要研究。这些研究涉及使用量子机器学习方法进行入侵检测系统，并使用了基准数据和定制数据集。

4.1 用于入侵检测的量子机器学习技术（RQ1）
简要介绍QML的主要方法对于理解其在IDS系统中的作用非常重要。量子支持向量机（QSVM）通过使用量子核将数据映射到更高维的空间来扩展支持向量机的概念，这一过程已被证明可以提高网络流量数据的分类效果。量子神经网络（QNN）利用量子电路来学习数据内的关系，使其非常适合处理网络流量中常见的复杂数据。变分量子分类器（VQC）和其他使用量子-经典模型的方法利用量子电路表示数据，但使用经典方法调整量子电路创建的参数。这种模型旨在改进IDS系统的性能，同时考虑到当前的量子硬件限制。量子卷积神经网络（QCNN）与经典神经网络类似，它们从数据中提取特征，但在高维空间中通常具有更高的效率。最后，量子生成对抗网络（QGAN）常用于生成IDS系统使用的数据，并通过学习网络流量的正常分布来检测异常。这些方法都是当前大多数基于QML的入侵检测方法的重要组成部分，并根据现有的量子硬件限制进行构建。以下结果突显了代表这一研究领域探索性质的多种量和量子-经典混合方法。最初的文献回顾贡献包括量子启发优化和聚类方法领域的成果，例如将量子启发免疫克隆算法与分布算法估计和量子启发混合k均值聚类方法相结合的应用。这些方法旨在解决特征选择过程、聚类质量和传统入侵检测问题（如KDD Cup 99数据集）的收敛性等问题。各种方法的使用情况的饼图显示在图4中，即图4“IDS研究中QML技术的分布”。从2021年开始，明显出现了向量子分类和基于深度学习模型的转变。一些研究采用了量子支持向量机（QSVM），通常与混合量子-经典神经网络结合使用，以提高在现代入侵检测数据集上的分类性能。基于量子神经网络的架构，包括变分量子神经网络、量子卷积神经网络和参数化量子电路，被越来越多地探索用于捕捉网络流量数据中的复杂模式。最近的研究引入了先进的混合模型和生成模型，如量子生成对抗网络和量子联邦学习框架。这些模型旨在解决入侵检测环境中与数据不平衡、分布式学习和可扩展性相关的挑战。此外，由于与NISQ设备兼容，变分量子分类器和量子核方法也被越来越多地采用。表3总结了研究结果，表明混合量子-经典方法在文献中占主导地位，因为它们平衡了量子模型的表达能力与经典学习技术的稳定性和可扩展性。这一趋势反映了当前的硬件限制，并突显了近期研究朝着可部署的量子增强型入侵检测系统发展的实际方向。

表3. 用于IDS的QML技术（RQ1）
表4提供了所审查的基于QML的入侵检测模型的详细技术比较，重点关注编码策略、特征图设计、量子比特配置和执行平台。分析显示，大多数研究依赖于简单的编码技术，如角度和幅度编码，而只有少数研究明确报告了特征图配置。此外，大量文献没有明确指定电路深度或量子比特要求，这限制了研究的可复现性。此外，结果证实大多数研究是使用量子模拟器而不是真实的量子硬件实现的，这表明基于QML的IDS仍处于早期发展阶段。这些发现提供了对现有方法实际 implementation 特性的更深入见解，并解决了先前工作中发现的缺乏详细技术分析的问题。

表4. 基于QML的IDS中的实现级细节比较分析

除了观察到的技术差异外，所审查的研究还揭示了理论发展与实际部署之间的更大差距。特别是，许多方法是在受控实验条件下评估的，没有充分考虑现实世界中的IDS需求，例如连续数据流、高特征维度和动态攻击模式。这限制了当前QML模型在操作环境中的适用性。此外，研究中缺乏标准化的评估设置，使得进行公平比较或得出关于性能的一致结论变得困难。量子模型与现有网络安全基础设施的整合不足进一步突显了需要更多应用驱动的研究。解决这些挑战对于将基于QML的入侵检测系统从实验原型转变为实际解决方案至关重要。

4.2. 用于评估的数据集（RQ2）
本小节回答了RQ2，即识别选定研究中用于评估基于量子机器学习的入侵检测方法的数据集。总体而言，所审查的论文主要依赖于公共基准IDS数据集，少数使用了更新的IoT/现代数据集或自定义/私有数据集。图5显示了数据集的分布情况。

图5. 基于QML的IDS中使用的数据集分布

4.2.1. 最常用的数据集
结果显示，KDD-Cup99和NSL-KDD数据集是最常用的数据集，每个数据集都出现在五项研究中。这反映了它们在IDS研究中的持续流行，因为它们易于获取且使用时间较长。然而，这也表明大量基于QML的IDS研究仍然依赖于较旧的基准数据集[52]，其中NSL-KDD常被选为KDD-Cup99的改进版本，以便与现有的IDS基线进行公平比较，同时减少冗余。

4.2.2. 现代入侵检测数据集
一些研究使用了更现代的数据集来更准确地描述当前的流量模式和攻击。CIC-DDoS2019在当前文献中被三项研究使用，因为对其量化或关注现代网络条件的DDoS评估研究感兴趣。CICIDS2017也在三项研究中被使用，因为它在现代基准数据集中整合了多种攻击方法。

4.2.3. 与UNSW和IoT环境相关的数据集
UNSW-NB15数据集在四项研究中被使用，单独使用或与其他数据集结合使用，表明它作为现代网络入侵场景的代表性基准数据集的重要性。也出现了一些更专门的数据集，如NF-UNSW-NB15和ToN-IoT，这反映了在面向IoT或增强型网络遥测环境中评估基于QML的IDS的日益增长的相关性。此外，最近的研究开始采用更新、更具领域特定的数据集，包括CICIoT2023、EDGE-IIoTset和ACI IoT，表明入侵检测研究越来越倾向于关注IoT。

4.2.4. 自定义和未指定的数据集
少数研究使用了非标准基准数据集。在一个案例中，研究模型在其研究中使用了自己的数据集[14]；而在另一个案例中，作者提到了公开可用的网络安全数据集，但没有指明具体的标准数据集[36,47]。这类数据集不仅没有帮助评估目的，反而可能增加研究的可复现性难度。

从数据集的分布来看，似乎对传统基准数据集（KDD-Cup99和NSL-KDD）的重视程度很高，同时对新数据集（CICIDS2017、CIC-DDoS2019、UNSW-NB15和与IoT相关的数据集）的使用也在增加。因此，这表明基于QML的IDS领域似乎正在朝着纳入更真实场景的方向发展，尽管标准化问题仍然存在。表5列出了使用了不同数据集的各种文章。

表5. 基于QML的IDS中使用的数据集（RQ2）

4.3. 基于QML的IDS中使用的评估指标（RQ3）
本小节回答了RQ3，即检查选定研究中用于验证基于量子机器学习的入侵检测系统的评估指标。结果显示，大多数研究依赖分类性能指标，对计算和系统级指标的考虑较少。评估指标的分布如图6所示。

图6. 基于QML的IDS的评估指标分布

4.3.1. 常用的分类指标
分析表明，准确率是最常报告的指标，出现在大多数审查的研究中。准确率因其简单性及其能够提供分类正确性的总体度量而被广泛使用。然而，在数据集通常不平衡的入侵检测场景中，仅依赖准确率可能不够。除了准确率，精度、召回率和F1分数也是文献中常见的报告指标。这些指标对于入侵检测任务尤为重要，因为它们可以提供对假阳性、假阴性和整体检测效果的更深入理解。一些研究同时报告这些指标，以提供对模型性能的更平衡评估，尤其是在处理偏斜的类别分布时。

4.3.2. 检测和敏感性相关指标
另一类研究还考虑了检测率、敏感性和特异性等其他因素。这些因素有助于进一步评估基于QML的模型识别恶意流量的能力以及低误报率。这些因素的纳入也表明了对IDS研究领域内通过单一因素评估模型的挑战的认识有所增加。

4.3.3. 计算和资源相关指标
只有少数论文报告了计算指标，例如训练时间、计算速度、内存和计算成本。鉴于现有的硬件限制以及在NISQ系统中的使用困难，这在量子和量子-经典混合方法中显得尤为重要。这些数据点报告的频率相对较低，表明研究人员尚未在现有的基于QML的IDS研究中探索效率和可扩展性问题。

4.3.4. 信息论和基于损失的指标
少数研究在评估模型行为时使用了损失函数、与熵相关的方法或与分布相关的指标，尤其是在生成/概率量子学习方法中。尽管这些方法有助于理解模型收敛和学习行为，但它们在文献中尚未得到普遍应用。

结果分析显示，基于QML的入侵检测研究领域的统计评估方法主要由传统的评估指标主导，包括大多数研究中的准确率、精度、召回率和F1分数。相反，计算效率、可扩展性和针对量子背景的特定评估指标在文献中出现较少。这表明未来的研究需要包括计算指标在内的全面评估措施。

表6. 基于QML的IDS中使用的评估指标（RQ3）

4.4. 基于QML的IDS的主要优势和局限性（RQ4）
本研究问题分析了所审查研究中报告的基于量子和改进型机器学习的入侵检测系统的主要优势和局限性。RQ4旨在综合作者关于模型行为、性能特征、计算方面和实际可行性的定性见解。由于方法和实验设置的多样性，所审查的研究经常使用不同的术语描述相似的优势和劣势。为了避免重复并确保清晰度，这些观察结果根据共同特征被分组，而不是逐篇论文讨论。这种分组方法有助于更清晰地理解文献中的重复模式，并便于跨研究进行比较。

总体而言，所审查的研究报告了基于量和改进型机器学习的IDS方法的几个显著优势。这些优势包括在特定场景中的强大检测性能、在处理高维或复杂数据时的效率提高，以及在不降低准确率的情况下简化模型架构的能力。此外，一些研究强调了将量子学习与联邦学习框架结合时在隐私保护和安全增强方面的好处。同时，文献一致地承认了重要的局限性。最常报告的挑战与当前的NISQ硬件限制有关，如量子比特数量有限、噪声和缺乏有效的错误校正。其他常见问题包括对预处理的敏感性和参数调整的敏感性、实际部署中的可扩展性有限，以及依赖于模拟器或受控实验环境。这些局限性表明，尽管基于QML的IDS解决方案很有前景，但尚未完全成熟，无法在现实世界中广泛应用。

从硬件角度来看，所审查的研究显示它们严重依赖于模拟的量子环境，只有非常少的实现是在真实的量子设备上执行的。这反映了NISQ硬件的当前限制，特别是可用量子比特数量有限和电路深度受限。这些限制对于通常涉及高维特征空间和大规模数据集（如CICIDS2017和UNSW-NB15）的入侵检测任务尤其关键。因此，许多研究减少了特征维度或简化数据集以适应硬件限制，这可能会影响模型的泛化能力。此外，噪声和退相干仍然是量子计算中的关键挑战，但只有少数研究明确考虑了它们的影响或应用了错误缓解技术。这些观察结果强调，当前的基于QML的IDS方法仍受到硬件限制的约束，需要进一步改进以支持实际的、大规模部署。

为了清晰地呈现这些发现，表7将报告的优势和劣势按主题类别分组，采用了类似于经典IDS比较研究的结构。每个类别总结了多项研究中确定的关键优势和挑战，并提供了相应的文章ID以便追溯。这种结构化的呈现方式能够提供关于基于QML的入侵检测研究当前状态的简洁而全面的视图，并突出需要进一步研究的领域。

表7. 基于QML的IDS研究中报告的优势和局限性分类（RQ4）

4.5. 研究空白
尽管所审查的研究展示了量和改进型机器学习技术在入侵检测系统中的日益增长的潜力，但分析揭示了几个尚未得到充分解决的重要研究空白。首先，许多研究中缺乏对基于量的、混合量-经典和完全量子方法之间的明确区分。一些作品将其方法称为量子机器学习，而主要依赖于经典优化技术或基于量的启发式方法。这种缺乏清晰性使得难以准确评估量子计算对入侵检测性能的真实贡献，并经常导致夸大的量子优势声明。其次，文献中的实验验证高度不一致。大多数研究依赖于量子电路的模拟或经典仿真器，而只有非常少的研究在真实的NISQ硬件上进行实验。因此，报告的性能提升可能并不反映实际的部署条件，而噪声、退相干性和硬件限制的影响尚未得到充分探讨。第三，分析显示这些研究严重依赖于过时或有限的数据集，尤其是KDD-Cup99和NSL-KDD。尽管这些数据集可以用于与早期的入侵检测系统（IDS）研究进行比较，但它们并不能准确代表现代网络流量、加密通信或新兴的攻击模式。近期大规模的、面向物联网（IoT）的数据集使用不足，限制了现有研究成果的普遍适用性。第四，评估方法缺乏标准化。在大多数情况下，所使用的指标包括准确性、精确度、召回率和F1分数。然而，这些指标忽略了与IDS和量子计算相关的关键方面，如误报率、延迟、计算复杂性、可扩展性以及对噪声通道的鲁棒性。这阻碍了不同方法之间的有效比较，使得关于它们效率的声明无效。最后，在系统级相关研究方面也存在一定的差距。换句话说，现有的大部分知识集中在算法开发和分类准确性上，而对实时功能、与现有安全框架的集成、可解释性以及长期可行性关注较少。这表明，基于量子机器学习（QML）的IDS开发研究仍主要处于探索阶段，尚未实现完整的功能。

4.6. 未来方向
未来关于基于量子机器学习的入侵检测系统的研究应该重点提升实际相关性和实验可靠性。研究人员应清楚地报告量子计算在每个提出模型中的作用，包括数据编码方法、电路深度、量子比特（qubit）的使用情况，以及实验是在模拟器上还是在真实的量子硬件上进行的。为了更好地理解噪声、退相干性和硬件限制的影响，有必要在对产生噪声结果的中级规模量子设备上的模型进行更精确的评估。应推广使用现代和真实的数据集，如物联网和加密网络流量，以增强模型的普遍适用性。此外，未来的研究应采用更完善的评估协议，不仅提供检测准确性，还涵盖误报率、延迟、计算成本和可扩展性。此外，研究人员应致力于开发能够实现实时检测、分布式或联邦学习、保护隐私以及与现有安全基础设施无缝集成的系统级架构。实施这些方向将有助于量子机器学习从实验研究过渡到入侵检测系统的实际部署。

5. 本综述的局限
尽管本综述涵盖了所有必要的领域，并且就量子机器学习在入侵检测系统中的应用而言非常及时，但仍存在一些局限性。第一个局限性在于，调查范围仅限于那些经过同行评审的期刊或会议论文，且仅限于2026年1月之前的出版物。这一方面的好处是所研究的内容都具有高质量和可靠性，但同时也可能遗漏一些尚未正式发布的技术报告、预印本或工业实现，这些内容在实际洞察方面提供的价值有限。第二个局限性在于，分析仅基于所选文章中的信息。需要指出的是，一些研究在方法细节或实验描述方面提供的信息非常有限，对局限性的讨论也不够充分。因此，本综述中的综合内容反映了原始研究的报告深度和逻辑，可能没有考虑到研究背后的实际设计选择或限制条件。第三个局限性是由于实验设置存在很大差异，例如数据集、评估指标和量子模拟环境的不同，导致研究之间的定量比较往往难以进行。因此，本综述主要依赖于定性综合而非数值基准测试，这可能会限制跨研究比较的准确性。最后，量子机器学习是一个发展迅速的领域，可能在调查期后不久就会出现新的算法、硬件改进和数据集。因此，本综述中指出的发现和趋势可能会随着领域的发展而发生变化。

6. 结论
本综述回顾了将量子机器学习和受量子启发的机器学习技术应用于网络入侵检测系统的期刊文章和一级会议论文。共选择了25篇2020年至2025年间发表的主要研究进行了分析，以回答预定的研究问题（RQ1–RQ4）。本综述的主要结论总结如下：
- RQ1：所研究的技术方案显示，混合量子-经典方法在文献中占主导地位，其中量子神经网络、量子支持向量机和受量子启发的优化技术是最常被探索的方法。
- RQ2：KDD-Cup99、NSL-KDD、CICIDS2017、CIC-DDoS2019和UNSW-NB15等公共基准数据集是最常用的评估工具。尽管最近出现了更多与物联网相关的数据集，但传统基准数据集仍然被广泛使用。
- RQ3：在基于量子机器学习的入侵检测研究中，准确性、精确度、召回率和F1分数是最常用的评估指标。相比之下，计算效率、可扩展性和特定于量子的性能指标在文献中的报告不够一致。
- RQ4：量子机器学习技术在检测性能、特定场景下的效率提升以及处理复杂或高维网络数据的能力方面表现出令人鼓舞的优势。然而，其有效性目前受到硬件限制、配置选择的敏感性以及有限的实际应用验证的制约。

基于本综述的发现， immediate的建议是未来的研究应更加重视实际验证，包括在真实量子硬件和真实网络环境下的实验。此外，对现有文献的深入检查发现许多研究缺乏标准化的评估框架，这使得跨方法的直接比较变得困难。与其他新兴研究领域面临的挑战类似，本综述也发现统计严谨性和可重复性并未得到一致关注。虽然一些研究提供了比较结果，但很少有研究进行深入的统计分析或鲁棒性测试。因此，未来的工作应纳入更严格的验证方法，以增强报告结果的可靠性。此外，综述指出大多数现有研究集中在算法开发上，对系统级集成、部署限制和长期运行行为的关注不足。这表明未来的研究可以通过研究实时入侵检测、分布式部署和隐私保护的量子学习框架来填补这一空白。尽管基于量子机器学习的入侵检测仍处于早期阶段，但所研究的内容证实了其作为经典IDS技术的补充方法的巨大潜力。预计量子硬件的持续进步、混合学习架构的完善、标准化的评估实践以及应用驱动的研究将在塑造下一代入侵检测系统中发挥关键作用。