量子科技中心_量科网

无监督的基于异常的入侵检测需要模型能够泛化到训练期间未观察到的攻击模式。该研究首次对用于此任务的混合量子-经典（HQC）自编码器进行了大规模评估。研究人员构建了一个统一的实验框架，迭代考察了关键量子设计选项，包括量子层布局、测量方法、变分与非变分架构以及潜在空间正则化。 在三个标准NIDS数据集上的实验表明，最优配置的HQC自编码器可以达到或超越经典模型性能，但对架构决策表现出更高敏感性。在零日攻击评估场景下，配置良好的HQC模型比经典模型和有监督基线具有更强且更稳定的泛化能力。模拟门噪声实验显示性能会早期退化，表明需要开发噪声感知的HQC设计。 这些成果首次以数据驱动的方式描述了HQC自编码器在网络入侵检测中的行为特征，并阐明了影响其实际应用可行性的关键因素。所有实验代码和配置已开源：https://github.com/arasyi/hqcae-network-intrusion-detection。