量子计算增强的深度学习用于实时检测与缓解网络攻击模式

《Scientific Reports》：Quantum computing-enhanced deep learning for real-time detection and mitigation of cyberattack patterns

　　

摘要

网络攻击的复杂程度正在不断提高。因此，基于经典计算和传统深度学习技术的传统网络安全系统日益显现出局限性和漏洞。尽管深度学习模型通过大规模安全数据分析和模式识别，在自动入侵检测方面相比传统方法具有显著优势，但它们仍面临着与高维特征空间、可扩展性以及严格的实时推理要求相关的重要约束。本文提出了一种量子增强深度学习（QEDL）框架，用于检测和缓解实时网络攻击模式。量子计算技术——特别是量子特征选择和量子数据编码——被集成到经典 - 量子混合深度学习架构中。采用量子近似优化算法（QAOA）进行量子特征选择，以便从高维网络安全数据集中高效识别判别特征。此外，量子数据编码利用叠加和纠缠同时处理多个复杂输入。生成的量子特征表示通过参数化量子线路（PQC）进行处理，随后由经典深度学习层进行准确的威胁分类。提出的 QEDL 框架使用 CIC–IDS2017 数据集进行评估，并将其性能与经典深度学习模型和纯量子神经网络进行比较。实验结果表明，在提出的混合量子 - 经典框架内，基于 QAOA 的特征选择策略在报告的实验设置下取得了比所评估的经典特征选择方法更高的分类性能。此外，该框架对先前未见的攻击表现出了更好的泛化能力。这些发现表明，在本研究考虑的实验条件下，提出的混合量子 - 经典框架是一种有前景的网络攻击检测方法。本研究中的实验是使用 IBM Aer 后端模拟的，未使用物理量子硬件。本研究获得的结果作为基于模拟的概念验证。