量子科技中心_量科网

本研究探讨了量子机器学习（QML）算法在增强网络安全威胁检测方面的应用，特别是在恶意软件分类和高维数据集中的入侵检测方面。经典的机器学习方法在处理复杂、混淆的恶意软件模式和大量网络入侵数据时遇到限制。为了应对这些挑战，该团队实施并评估了各种QML算法，包括用于恶意软件检测任务的量子神经网络（QNN）、量子支持向量机（QSVM）和混合量子卷积神经网络（QCNN）。他们的实验分析使用了两个数据集：Intrusion数据集，包含150个样本，具有56个基于内存的特征，源自Volatility框架分析，以及ObfuscatedMalMem2022数据集，包含58,596个样本，其中57个特征代表良性和恶意软件。值得注意的是，与经典方法相比，该团队的QML方法表现出卓越的性能，QNN的准确率为95%，QSVM的准确率为94%。这些量子增强方法利用量子叠加和纠缠原理来准确识别高度混淆的恶意软件样本中的复杂模式，这些模式是经典方法无法察觉的。为了进一步推进恶意软件分析，研究人员提出了一种新颖的实时恶意软件分析框架，该框架结合了使用量子傅里叶变换的量子特征提取、量子特征图和使用变分量子电路的分类。该系统集成了可解释的人工智能方法，包括GradCAM++ 和ScoreCAM算法，以提供对量子决策过程的可解释见解。