量子科技中心_量科网

网络安全领域的威胁检测模型必须应对不断变化的流量、严格的算力预算以及嘈杂的硬件环境，然而即使强大的传统系统在面对数据分布漂移时，仍会遗漏罕见或处于临界状态的攻击。当前已有小型近期量子处理器可用，但现有研究很少证明量子组件能否在这些不稳定且资源受限的条件下真正提升端到端检测性能，而非仅仅增加系统复杂度。该研究团队通过混合架构填补了这一空白：首先使用紧凑的多层感知机压缩安全数据，然后将少量特征路由至2-4个量子比特的量子头部模块——这些模块被实现为量子支持向量机和变分电路。在匹配预处理和训练预算条件下，研究人员将混合模型与优化的经典基线模型在两个安全任务（NSL-KDD数据集上的网络入侵检测和Ling-Spam数据集上的垃圾邮件过滤）中进行对比评估，最终将表现最佳的4量子比特支持向量机部署至IBM量子设备，并采用噪声感知执行策略（包括读数误差缓解和动态解耦技术）。实验表明，在两个数据集上，浅层量子头部模块不仅能达到与经典模型相当的检测水平，针对困难边界案例还能适度降低漏报率和误报率。硬件实验结果与模拟器行为高度吻合，表明剩余性能差距主要源于设备噪声而非模型设计。这项研究证实：即使在小型嘈杂的量子芯片上，经过精心设计的量子组件已能作为具有成本效益的竞争性要素，融入实际威胁检测流程。