量子科技中心_量科网

随着互联设备的快速增长，在网络流量中精准检测恶意活动变得日益困难。现有基于深度学习的入侵检测系统大多将网络流视为独立实例，因而无法利用网络通信中固有的关联依赖。为克服这一局限，该研究团队提出Q-AGNN——一种用于入侵检测的量子增强注意力图神经网络，其中网络流被建模为节点，边则代表相似性关系。Q-AGNN利用参数化量子电路(PQC)将多跳邻域信息编码到高维潜空间，通过有界的量子特征映射在量子诱导的希尔伯特空间中实现二阶多项式图滤波器。随后采用注意力机制对量子增强嵌入进行自适应加权，使模型能聚焦于导致异常行为的最关键节点。在四个基准入侵检测数据集上的大量实验表明，Q-AGNN相较于最先进的基于图的方法具有竞争力或更优的检测性能，同时在硬件校准噪声条件下始终保持较低误报率。此外，研究人员还在实际IBM量子硬件上运行了Q-AGNN框架，证实了该方案在真实NISQ（含噪声中等规模量子）环境下的可操作性。这些结果凸显了将量子增强表征与注意力机制相结合在图结构入侵检测中的有效性，并印证了量子-经典混合学习框架在网络安全应用中的潜力。