量子科技中心_量科网

协同隐蔽攻击对分布式发电系统构成严重网络安全威胁，这类攻击通过篡改控制与测量信号并伪装成正常行为，使得传统入侵检测方法难以识别。本研究探讨了利用量子机器学习检测微电网中分布式发电单元遭受协同隐蔽攻击的方法。研究人员采用高精度仿真测量数据，基于三个关键特征（DG1无功功率、相对于标称值的频率偏差以及端电压幅值）构建了平衡的二进制分类数据集。研究评估了经典机器学习基线模型、全量子变分分类器以及量子-经典混合模型的性能。结果表明，在低维数据集上，采用量子特征嵌入与经典RBF支持向量机结合的混合模型表现出最优综合性能，其准确率和F1分数较经典SVM基线均有适度提升。由于当前含噪声中等规模量子（NISQ）硬件的训练不稳定性及局限性，全量子模型表现欠佳。相比之下，混合模型训练更稳定，证明即使在完全量子学习尚不实用的阶段，量子特征映射技术仍能有效提升入侵检测能力。