量子科技中心_量科网

无人机集群（UAV）的入侵检测因高机动性、非稳态流量和严重类别不平衡问题而变得复杂。本研究利用覆盖五种攻击类型的12万流模拟数据集，对三种量子机器学习（QML）方法——量子核、变分量子神经网络（QNN）和混合量子训练神经网络（QT-NN）——进行了基准测试，并与强效经典模型进行对比。所有模型均采用8维流量特征表示，并在相同的预处理、数据平衡和噪声模型假设下评估。研究人员分析了编码策略、电路深度、量子比特数和散粒噪声的影响，报告了准确率、宏观F1值、ROC-AUC、马修斯相关系数及量子资源占用情况。结果表明存在明显权衡：量子核与QT-NN在低数据量非线性场景表现优异，而深层QNN存在可训练性问题，当数据充足抵消参数规模劣势时传统卷积神经网络（CNN）占优。该工作完整代码库和分区数据集已公开，以支持网络安全领域可复现的QML研究。