量子科技中心_量科网

当代网络攻击日趋复杂，对传统机器学习方法构成重大挑战，特别是在标记数据有限且特征交互呈现高度非线性的情况下。该研究探索了混合量子-经典学习在增强入侵检测特征表征方面的潜力，并考察了量子计算在网络安全分析中的可能优势。基于UNSW-NB15数据集，研究人员通过经典预处理和归一化方法将网络流量转化为结构化特征向量。研究团队在全数据集上评估了逻辑回归、线性核支持向量机及RBF核支持向量机等经典模型，以建立大样本条件下的基准性能。同时，该工作构建的量子增强流程通过角度编码和纠缠层将经典特征映射至变分量子电路，在基于CPU的量子模拟器上执行运算，最终采用经典SVM对生成的量子嵌入进行分类。实验表明：虽然经典模型在大数据量下具有更高的整体准确率，但在数据稀缺时，量子增强表征展现出更优的攻击召回率和类别可分性，这表明量子特征空间能捕捉浅层经典模型无法处理的复杂关联。这些发现揭示了量子嵌入在提升网络安全任务泛化能力和表征质量方面的潜力，并为评估量子硬件与模拟器持续发展背景下的量子优势提供了可复现的研究框架。