QuCFTnet：一种基于量子计算的卷积前向TaylorNet模型，用于增强云环境中的入侵检测能力

《Optik》：QuCFTnet: A Quantum-Inspired Convolutional Forward TaylorNet for Enhanced Intrusion Detection in Cloud Environments

　　

摘要

由于攻击的复杂性和规模不断增加，云计算的安全性需要一个复杂且可扩展的入侵检测系统（IDS）。本文介绍了一种新的混合式IDS方法——基于量子启发的卷积前向泰勒网络（QuCFTnet），该方法结合了量子启发的卷积神经网络（QICNN）和基于泰勒级数的前向建模，以实现精确高效的入侵检测。与现有的IDS不同，后者要么基于经验性的深度学习，要么模拟量子层，QuCFTnet使用量子启发的概率滤波器提取丰富的特征，然后通过泰勒级数展开层对非线性模式进行建模。这两种技术的结合能够更全面地表示流量数据，考虑到高阶的流量交互，从而提高检测能力。该技术已在著名的CIC-IDS2018基准数据集上进行了评估，结果显示QuCFTnet的准确率为94.0%，精确率为93.5%，召回率为92.8%，F1分数为93.1%，优于传统的机器学习、深度学习和基于量子的基线模型。这些结果表明，QuCFTnet是现代云环境和多租户系统中入侵检测的可行选择。

引言

基于DEQSVC的量子支持向量分类器已被设计用于利用高效的内核估计技术检测DDoS攻击[1]。基于QCNN的分类方法结合了三量子比特交互层，提高了MNIST、Fashion-MNIST和Iris数据库的分类准确性[2]。利用AI的IoMT入侵检测模型通过LinSVM、ConvSVM和Catemb方法有助于提升医疗保健领域的网络安全[3]。量子学习算法EQCNN改善了物联网（IoT）中的实时产品跟踪和入侵检测[4]。基于HQNN的IDS改进了特征提取过程，缩短了车辆网络的检测时间[5]。基于量子核和变分量子电路的量子-经典混合模型通过使用浅层电路和少量量子比特提高了网络威胁检测能力[6]。VQCNN模型在KDD Cup 99和UNSW-NB15数据库上增强了入侵检测系统的对抗鲁棒性[7]。基于QCNN的混合IDS提高了医疗IoMT中的检测准确性和计算效率[8]。基于区块链辅助的MA-DeepCRNN框架利用CICIoMT 2024基准测试提升了IoMT的安全性和接近实时的入侵检测能力[9]。包含CNN和RNN（以及LSTM、BiLSTM、GRU、BiGRU）的混合模型有助于检测IoT中的空间和时间攻击[10]。为了解决这一问题，本文提出了QuCFTnet，这是一种新的集成模型，它在以下方面实现了协同效应：

1.

QICNN：将流量特征转换为量子电路表示，以利用类似量子的并行性和概率特征优化。

2.

前向泰勒CNN层：在经典卷积网络中使用基于泰勒级数的前向传播，而不是对高阶非线性和上下文依赖性进行建模。

为了设计一种实时应用中高效且可扩展的云安全检测方法，这种混合模型试图将泰勒级数展开的分析属性与基于量子启发的卷积操作的表示属性结合起来。

我们的贡献包括：

1.

混合设计：该模型结合了基于量子启发的卷积过滤机制和基于泰勒级数的CNN层，用于构建IDS。

2.

高效特征学习：

QuCFTnet框架通过使用量子启发的并行计算和近似非线性建模来高效提取特征。

3.

实证验证：

本文使用公开可用的云IDS数据集评估了QuCFTnet与传统的CNN和基于量子的独立方法相比的性能，显示出在准确率、假阳性率和训练时间方面的改进。

区块链结合ECC加密和深度信念神经网络的应用有助于提高医疗系统的安全性和效率，但计算时间仍然较长[11]。混合CNN-LSTM架构有助于更准确地检测IoT系统中的攻击，但受到可扩展性的限制[12]。FL-IDS提高了SDN系统的安全性和隐私性；然而，由于通信开销和训练过程中的复杂性增加，使得整个系统变得复杂[13]。基于量子的架构（如QCNN和HQCNN）在攻击检测、增强鲁棒性和识别未见过的攻击方面表现出色[14],[15]。此外，QuCFTnet架构在入侵检测中使用量子启发的卷积特征变换网络也取得了积极的结果。

本文的其余部分结构如下：第2节讨论了基于量子启发的IDS的最新进展；第3节介绍了QuCFTnet模型架构；第4节展示了实验结果；第5节总结了本文并提出了未来研究的方向。

章节片段

文献综述

最近的一些研究集中在将量子计算、机器学习和深度学习技术应用于IDS上。设计了一种基于量子神经网络的IDS，利用量子并行性和量子叠加来有效分类网络攻击；然而，这受到量子比特可用性和模拟的限制[16]。QSVM-IGWO模型结合了QSVM和增强的灰狼优化器，用于提供安全的IoT并避免误报攻击；然而，该模型存在一些问题

提出的方法论

本节描述了一种新型混合入侵检测系统QuCFTnet的架构结构和算法框架，该系统结合了QICNN的潜力与基于泰勒级数的前向建模，以改进云流量中非线性模式的检测。首先介绍了现有方法的不足之处，然后阐述了所提出方法的思想。

实验设置和结果

为了评估所提出的QuCFTnet架构的有效性，我们在基于虚拟云的入侵检测环境中使用了CIC-IDS2018数据集进行了广泛实验。该模型使用Python实现，并使用了TensorFlow和Qiskit库。实验在配有Intel Core i7处理器、16 GB RAM以及NVIDIA RTX 3060 GPU的PC上执行，批量大小为64，学习率为0.001，提前停止标准设置为验证

结论和未来展望

所提出的QuCFTnet是一种混合入侵检测系统，它结合了基于量子启发的卷积学习和基于泰勒级数的前向建模，以改进云基础设施中的入侵检测。在CIC-IDS2018数据集上，QuCFTnet表现出更好的性能，准确率达到94.0%，精确率为

伦理批准

不适用。

利益冲突

作者声明没有需要声明的利益冲突。

作者贡献

所有作者都参与了研究的概念设计和实施。Sowjanya Addu和Arapit Jain博士负责材料准备、数据收集和分析。手稿的第一稿由Sowjanya Addu撰写，所有作者对草稿的早期版本进行了评论。所有作者都阅读并批准了最终版本的手稿。

参与同意书

不适用。

出版同意书

不适用。

代码可用性声明

我们的QuCFTnet网络的完整源代码和实现可以在GitHub上找到。用于预处理数据、训练模型、在CIC-IDS2018数据集上评估结果的所有必要脚本都包含在该仓库中。访问地址为：

https://github.com/sowjanya3245/Improved-Intrusion-Detection-in-Cloud-Environments-via-Quantum-Inspired-Convolutional-TaylorNet.

资金支持

本研究未获得任何公共、商业或非营利机构的特定资助。

CRediT作者贡献声明

Sowjanya Addu：撰写——原始草稿。Jain Dr. Arpit：撰写——审稿和编辑。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。

Sowjanya Addu|Arpit Jain

印度安得拉邦KL Deemed to be University计算机科学与工程系