混合量子机器学习在入侵检测中的应用:QNN与QSVM模型的比较研究

《IEEE Access》:Hybrid Quantum Machine Learning for Intrusion Detection: A Comparative Study of QNN and QSVM Models

【字体: 大 中 小 】 时间:2026年05月15日 来源:IEEE Access 3.6

编辑推荐:

   摘要: 入侵检测系统(IDS)是现代网络安全的基石;然而,它们的性能越来越受到高维网络流量和传统机器学习方法的可扩展性限制的制约。量子机器学习(QML)通过利用量子特征空间和混合量子-经典优化方法,近期成为了一个有前景的研究领域。在这项工作中,我们提出了一个统一且可复制的基准测

  

摘要:

入侵检测系统(IDS)是现代网络安全的基石;然而,它们的性能越来越受到高维网络流量和传统机器学习方法的可扩展性限制的制约。量子机器学习(QML)通过利用量子特征空间和混合量子-经典优化方法,近期成为了一个有前景的研究领域。在这项工作中,我们提出了一个统一且可复制的基准测试框架,用于在现实的噪声中间规模量子(NISQ)约束条件下评估基于QML的入侵检测系统。该框架将混合量子神经网络(QNN)和量子支持向量机(QSVM)整合在一个连贯的实验流程中,从而能够系统地比较不同的量子模型、嵌入策略和降维技术。实验使用NSL-KDD基准数据集进行,涵盖了二元(正常状态与攻击状态)和多类入侵检测任务。评估了多种量子嵌入策略,包括角度嵌入、幅度嵌入和瞬时量子多项式(IQP)嵌入,并结合基于PCA的降维方法来分析表达能力、电路复杂度和计算成本之间的权衡。所提出的模型在相同的预处理和评估条件下与强大的经典基准模型进行了对比。结果表明,基于QNN和QSVM的IDS模型在性能上能够与经典方法竞争,甚至在某些场景下表现更为优越,尤其是在数据分布非线性且不平衡的多类场景中。此外,我们还深入分析了可扩展性限制、训练复杂性和NISQ实现的可行性,强调了实际应用中的注意事项。为了确保完全的可复现性,所有实现细节、数据集和实验配置都公开发布在:https://github.com/raidanis/QML-...
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号