《Array》：DEHOA-Optimized Deep Intrusion Detection with Quantum Neural Network Extensions for IoT Network Security
编辑推荐：
物联网（IoT）部署从根本上改变了网络入侵检测问题：数十亿异构设备生成的流量规模和多样性使得基于签名的系统无法处理，而云级深度学习解决方案对于边缘部署来说资源消耗过大。研究人员提出了一种混合优化器DEHOA，该优化器将双指数平滑（DES）趋势估计与河马优化算法
物联网（IoT）部署从根本上改变了网络入侵检测问题：数十亿异构设备生成的流量规模和多样性使得基于签名的系统无法处理，而云级深度学习解决方案对于边缘部署来说资源消耗过大。研究人员提出了一种混合优化器DEHOA，该优化器将双指数平滑（DES）趋势估计与河马优化算法（HOA）相结合，并将其嵌入一个紧凑的三阶段检测流水线：最小-最大（Min-Max）预处理、基于Morisita重叠指数（MOI）的特征选择结合DEHOA优化的循环神经网络（RNN）进行特征提取，以及DEHOA调优的多层感知机（MLP）分类器。在NSL-KDD数据集上，经10次独立运行，该流水线达到76.3%的准确率和F1=0.732，与长短期记忆网络（LSTM，F1=0.728，Wilcoxon检验p=0.275）和双向变压器异常检测（BTAD，F1=0.732，p=0.695）性能相当，而参数量约为其一半。在UNSW-NB15数据集上，相同的架构（未修改）在10个攻击类别上达到F1=0.974，展示了跨数据集泛化能力。研究人员引入了一种变分量子电路（VQC）扩展——DEHOA-QNN，作为一种前瞻性量子后端，为近期硬件上的量子增强检测建立了概念验证基线。消融实验证实，Min-Max归一化和DEHOA-RNN特征提取共同对未经处理的基线带来6.1个百分点的F1提升；这些组件中的每一个，连同DEHOA优化器本身和MOI特征融合策略，都代表了对物联网安全工具集的可独立迁移的贡献。
**研究背景、问题与意义**
物联网（IoT）网络具有海量异构设备、高流量规模与多样性，传统基于签名的入侵检测系统（IDS）无法应对未知攻击变种，而云端深度学习方案在边缘部署中资源消耗过高。现有深度学习方法（如RNN、LSTM）在序列建模上有效，但梯度优化器易陷入局部最优、对类别不平衡敏感且缺乏超参数选择机制。元启发式算法可全局搜索，但现有方法未利用跨适应度评估的趋势信息。量子神经网络（QNN）有潜力实现更紧凑的表示，但现有研究多将其作为孤立分类器，缺乏优化驱动的预处理流水线。为此，研究人员提出DEHOA混合优化器，并构建三阶段检测流水线，旨在实现参数高效、跨数据集泛化的边缘可部署入侵检测系统。该论文发表在《Array》。
**关键技术方法**
研究人员采用三阶段流水线：1）预处理：Min-Max归一化（仅基于训练集拟合）及合成少数类过采样技术（SMOTE）处理类别不平衡；2）特征融合：基于Morisita重叠指数（MOI）对NSL-KDD的41个特征按分布分离度排序，选取前8个特征输入DEHOA优化的RNN，其倒数第二层激活生成32维嵌入表示；3）分类：DEHOA搜索4维超参数空间（学习率、两个隐藏层大小、丢弃率），训练MLP分类器；可选量子后端DEHOA-QNN，用4量子比特变分量子电路（VQC）替代MLP，DEHOA优化16个变分参数。数据集来源：NSL-KDD（KDDTrain+ 125,973条记录，KDDTest+ 22,544条记录）和UNSW-NB15（562,980条记录，10个攻击类别）。
**研究结果**
**1. 预处理与特征融合效果**：Min-Max归一化使F1从0.669提升至0.738（+6.9个百分点），MOI特征选择将特征减少至8个并略微降低F1至0.724（-1.4个百分点），DEHOA-RNN特征提取恢复并提升至0.730，完整流水线F1为0.722（因两阶段搜索方差略有下降）。消融实验确认Min-Max和DEHOA-RNN贡献最大。
**2. 性能与统计检验**：在NSL-KDD上，10次独立运行平均准确率76.3%，F1=0.732，与LSTM（F1=0.728，p=0.275）和BTAD（F1=0.732，p=0.695）统计等价，参数量约为其一半。QSVM-IGWO（F1=0.759，p=0.010）显著优于DEHOA。比较实验表明DEHOA在资源受限的IoT部署中具有优势。
**3. 跨数据集泛化**：完全相同架构在UNSW-NB15上达到F1=0.974（10类），远超NSL-KDD结果（F1=0.732），归因于UNSW-NB15类别不平衡程度较轻且特征空间更大（49维 vs 41维），验证了DEHOA无需修改的泛化能力。
**4. 优化器对比**：在匹配评估预算（约375次适应度调用）下，DEHOA与纯HOA、随机搜索、网格搜索统计等价，贝叶斯优化（TPE）平均F1略高（0.7401 vs 0.7326，Δ=0.0075，p=0.027），但差异不足1%绝对值。
**5. 计算效率**：推理阶段每样本0.21毫秒，支持约4,700包/秒，模型参数量约25K，部署文件小于250 KB，适用于STM32H7等微控制器，训练时间平均38.4分钟，可接受每周或每月重训练。
**讨论与结论**
**讨论**：研究确认三个关键发现：1）原始特征缩放对最终F1贡献最大（6.9个百分点），提示研究者应标准化预处理流程；2）DEHOA 1维学习率搜索可靠地优于默认值，DEHOA-RNN配置（F1=0.730）是算法核心贡献；3）DEHOA调优的MLP性能与LSTM和BTAD统计等价，但架构复杂度更低。与现有工作比较，DEHOA在NSL-KDD上低于QSVM-IGWO，但具有通用性；跨数据集结果（UNSW-NB15 F1=0.974）支持其泛化能力。局限性包括：QSVM-IGWO显著更优；MOI固定阈值导致非单调消融曲线；贝叶斯优化略优；QNN扩展仅在模拟器上运行。未来方向包括在更多数据集上评估、部署真实量子硬件、自适应MOI阈值和代价敏感训练。
**结论**：研究人员提出了DEHOA——一种将双指数平滑与河马优化算法相结合的混合优化器，并展示了其在网络入侵检测流水线所有可训练组件中的应用。在NSL-KDD上，DEHOA框架达到76.3%准确率和F1=0.732，与LSTM和BTAD统计等价，同时提供了更系统、可重复和可扩展的优化架构。消融实验确认Min-Max预处理和DEHOA-RNN特征提取是影响最大的组件。三个独立贡献为：DEHOA本身适用于低维超参数空间的IDS训练任务；MOI特征选择为网络流量数据提供了理论基础的分布感知替代方案；DEHOA-QNN扩展为量子增强入侵检测建立了可复现的模拟器基线——这是首个由元启发式优化器驱动变分电路训练的此类基线。
