融合分数阶微积分与量子贝叶斯网络的记忆增强优化方法用于高级持续性威胁检测

《Fractal and Fractional》：A Multi-Source Network Security Situational Awareness Approach via Fractional Calculus and Quantum State Fusion

　　

摘要

高级持续性威胁利用长程时间依赖性和多源不确定性，对传统安全态势感知提出了严峻挑战。本文融合分数阶微积分、量子态融合与记忆增强优化方法来应对上述问题。Caputo导数特征张量能够捕获缓变攻击中幂律型的记忆衰减特征。量子贝叶斯网络通过复数概率振幅对证据进行编码；归一化干涉融合公式从密度矩阵严格推导而来，并附加显式约束以保证融合后的概率始终落在[0, 1]区间内。分数阶量子行为粒子群优化（FOQPSO）算法引入Mittag-Leffler记忆核，自适应地选择特征阶次与融合权重，其收敛性通过分数阶Lyapunov泛函得到形式化证明。非广延Tsallis熵（q = 2）作为敏感的不确定性指标。实验在KDD Cup 99和CIC-IDS2017数据集上进行，检测器的输出依据真实入侵检测系统的统计误差分布生成，以消除评估循环性。采用5折滚动起点 × 10个随机种子的实验协议，共获得50次独立运行结果。在该协议下，本文提出的FOQPSO-QBN方法达到平均准确率0.879（95%置信区间[0.871, 0.887]），宏平均F₁值0.833（置信区间[0.824, 0.842]），并将均方根误差（RMSE）降至0.229（置信区间[0.216, 0.242]）。与最强基线方法相比，改进效果呈现配对Cohen's d = 1.55的大效应量，且经Benjamini–Hochberg校正后的p < 0.001。此外，本文还纳入了基于ARIMA的统计预测器作为传统时间序列基线方法，进一步验证了所提出的记忆增强融合框架的优越性。消融实验分别量化了分数阶特征（宏平均F₁提升9.9%）、量子干涉效应（AUC提升0.037）以及记忆核（收敛速度加速35%）各自的贡献。该框架为下一代智能网络防御奠定了持久记忆与不确定性推理的基础。