量子科技中心_量科网

智慧城市日益依赖密集的边缘计算、物联网和车载网络来交付关键城市服务，包括交通控制、互联出行、基础设施监控和能源管理。在此生态系统中，车联网是智能交通的核心，使车辆、路边基础设施和云边平台之间能够持续通信。然而，这种连接性也扩大了攻击面，使智慧城市和车载系统面临不断演变的网络威胁，这些威胁可能危及安全、隐私、数据完整性和服务连续性。传统静态防御往往力不从心，因为它们无法自主适应变化的攻击行为或多阶段入侵模式。本文提出QIRL，一种基于轻量级深度Q网络架构的量子启发式强化学习框架，用于下一代自主网络防御。QIRL在成本敏感马尔可夫决策过程公式中，结合了振幅相位量子态编码、基于旋转门的探索和量子干扰奖励增强。该工作进一步通过仅训练时的SMOTE平衡和不对称成本敏感奖励塑造来解决类别不平衡问题，同时顺序MDP建模捕捉多阶段攻击活动中的时间依赖性。该框架在CICIDS2017和UNSW-NB15数据集上进行了评估。QIRL分别达到了97.89%和91.04%的准确率、95.22%和91.66%的F1得分、0.9945和0.9713的AUC-ROC值，以及0.9443和0.8244的真实技能统计值。该模型还实现了每样本32.5和45.7微秒的超低推理延迟，比集成基线分别加速了67.77倍和51.77倍。这些结果表明，QIRL为智慧城市和车联网基础设施提供了一种轻量级、对延迟敏感且具备适应性的防御方案。