量子科技中心_量科网

在网络安全领域，异常检测是一项极具挑战性的任务，其特点是正常事件数量远超异常事件，且新型异常频繁出现。传统自编码器（CAEs）虽被用于异常检测，但在数据受限场景中表现不佳，而量子自编码器（QAEs）有望突破这一限制。该研究团队将量子自编码器应用于网络安全异常检测，特别测试了基于BPF扩展追踪蜜罐（BETH）数据集的效果。研究人员系统评估了不同编码技术、参数化电路类型、重复次数及特征选择策略对模型性能的影响。结果表明，采用密集角度编码（Dense-Angle）和RealAmplitude参数化电路的8特征量子自编码器，即使在训练样本大幅减少的情况下，其表现仍优于传统自编码器。研究还量化分析了量子编码方式和特征选择对量子模型开发的影响。在数据受限条件下，最优量子自编码器模型的F1分值达0.87，显著超过传统自编码器的0.77。这些发现表明，量子自编码器在数据稀缺场景的异常检测中具有实际应用优势。