量子科技中心_量科网

入侵检测系统（IDS）必须在严格的误报率约束下保持高检测灵敏度，而类别不平衡及异构物联网流量进一步加剧了这一挑战。本研究探讨了异构量子学习器能否为IDS任务提供有效且非冗余的决策信息。研究人员研究了量子支持向量机（QSVM）和量子神经网络（QNN），这两种模型依赖不同的学习机制并呈现出不同的预测行为。为融合这些模型，该团队提出了系统级元量子集成（MQE）框架——一种混合量子-经典架构，通过随机森林元学习器融合QSVM与QNN的输出。该元学习器能够捕捉量子分支间的一致与分歧模式，从而提升预测稳定性与检测性能。在TON IoT和CICIDS2017数据集上的实验表明，相较于多个独立量子学习器，MQE在特定性能指标、低误报率及可靠性指标上均有改进，但提升幅度取决于数据集、评估指标及融合表示方式。研究结果凸显了元级融合作为构建更可靠的基于量子机器学习IDS管线的实用策略。