量智信息中心_量科网

恶意软件家族分类是网络安全领域的一项关键挑战，它有助于威胁归因、分析攻击行动以及制定有效的防御策略。新兴的恶意软件样本在结构上日益相似且存在混淆现象，这使得传统的机器学习模型（尤其是在大规模部署时）难以实现准确的多类分类。在本研究中，研究人员提出了一种可扩展的基于量子核的机器学习（QKML）框架，用于恶意软件家族分类，该框架兼顾了准确性和效率约束。该框架从可执行文件中提取结构特征，并使用监督式线性判别分析（LDA）投影来生成紧凑且具备类别感知能力的表示，这种表示非常适合量子处理。恶意软件家族之间的非线性关系通过基于参数化量子电路构建的保真度量子核来捕获。研究人员采用Nyström近似方法获得量子核的低秩近似，从而通过岭回归实现有效的多类分类，并能够利用所有可用的训练样本进行学习，而无需承担核矩阵构建的二次计算成本。根据对包含23个恶意软件家族、18,836个样本的大规模恶意软件数据集的实验评估，该模型实现了80.88%的强分类性能，在相同的特征和数据划分下，优于经典的机器学习基线。这些发现表明，可扩展的基于量子核的机器学习可以为现实世界的恶意软件家族分类任务提供可衡量的性能优势。