量子科技中心_量科网

工业控制系统采集的敏感数据对众多关键基础设施的安全性和完整性至关重要。基于机器学习的异常或恶意数据检测（即异常检测AD）是网络物理安全的重要环节之一。量子核机器学习方法通过利用量子计算高效高表现力的特征空间，在识别复杂异常行为方面展现出潜力。该研究聚焦于使用来自网络物理系统的三个典型数据集对量子混合支持向量机进行参数优化。结果表明：量子支持向量机的F1分数较传统经典核方法平均提升13.3%；通过基于IBMQ真实硬件的噪声模拟实验发现，量子支持向量机核最大误差仅0.98%，导致分类指标平均下降1.57%；更值得注意的是，量子支持向量机的核-目标对齐度比经典方法提高91.023%，这预示着关键基础设施异常检测领域可能存在“量子优势”。该工作证实量子支持向量机能显著提升工业控制系统异常检测效能，为关键基础设施安全防护提供新范式。