技术摘要：用于网络安全分类的量子计算

问题陈述

尽管量子计算已在各种网络安全应用（如入侵检测、DDoS 检测）中得到探索，但目前仍缺乏关于量子计算如何在不同时间尺度下对网络安全分类做出贡献的系统性讨论。现有的文献通常侧重于在特定数据集上报告高准确率的具体混合模型，而未能隔离出量子组件本身是否提供了具有竞争力的信号，或者性能是否是由预处理和模型架构驱动的。此外，量子计算在该领域（特别是针对大规模数据处理的内存效率方面）的长期价值，与目前关注的即时运行速度提升相比，仍未得到充分探索。

本文探讨了两个截然不同的问题：

1. 近期（Near-Term）： 在数据流水线和 SVM 目标函数受到控制的情况下，量子核支持向量机（SVM）在实际网络安全分类任务中是否与经典基准模型具有竞争力？
2. 长期（Long-Term）： 量子方法能否通过量子预言机草图（Quantum Oracle Sketching, QOS）的视角，为处理流式经典安全数据提供内存容量方面的优势？

研究方法

本研究采用两个互补的实验，使用了三个标准的网络安全数据集：KDD Cup 1999、CICIDS2017 和 BoT-IoT。

1. 近期实验：受控核比较

作者设计了一个受控实验，以隔离核函数的影响。

• 任务定义：
  • KDD Cup 1999 & CICIDS2017： 单类异常检测（仅在良性样本上训练，在良性/攻击混合样本上测试）。
  • BoT-IoT： 监督式二分类（DoS vs. DDoS），因为该数据集缺乏足够的正常流量来进行稳定的单类训练。
• 预处理流水线： 经典模型和量子模型均采用了完全相同的数据处理方式：
  • 移除标识符和标签。
  • 对类别变量进行独热编码（One-hot encoding），并对数值变量进行标准化。
  • 通过 TruncatedSVD 进行降维，映射到共享的 $d$ 维空间（其中 $d$ 等于量子比特数：KDD/CICIDS 为 12，BoT-IoT 为 10）。
  • 将特征缩放到角度特征范围 $[0, \pi]$ 内。
• 模型比较：
  • 经典基准： 应用标准径向基函数（RBF）核的 SVM，作用于角度特征。
  • 量子模型： 使用量子保真度核（quantum fidelity kernel） $K(a, b) = |\langle\phi(a)|\phi(b)\rangle|^2$ 的 SVM。特征映射使用了包含单比特 $R_y$ 旋转和最近邻相位相互作用的纠缠态。
  • 模拟： 通过精确的状态向量模拟（exact statevector simulation）计算量子核矩阵。
• 指标： 在八个随机种子下计算 ROC-AUC、平均精度（AP）和最佳 F1 值（经过阈值优化）。

2. 长期实验：通过 QOS 实现的内存效率

本实验通过使用**量子预言机草图（QOS）**来评估理论上的内存优势。

• 概念： QOS 不存储完整的矩阵，而是通过在线处理样本来构建一个近似的量子预言机，从而实现相干查询访问，而无需保留整个数据集。
• 步骤：
  • 改变特征过滤阈值（$min\_df$）以移除稀有特征，从而创建具有不同有效维度（$D_{df}$）和稀疏性的矩阵。
  • 为每个阈值训练一个岭回归分类器（ridge classifier）以记录准确率。
• 内存大小代理： 在相当的准确率水平下，对比了三种估计值：
  1. 经典流式处理 ($S_{stream}$): $D_{df}$（过滤后的特征空间维度）。
  2. 经典稀疏/QRAM ($S_{sparse}$): $nnz(X_{df})$（非零条目数量）。
  3. 量子预言机草图 ($S_{QOS}$): 一个随维度和稀疏度呈对数增长的公式：$2 \lceil\log_2(N + 2D_{df})\rceil + \lceil\log_2(s + 1)\rceil + 1$。

关键结果

近期分类性能

结果呈现出依赖于数据集的特征，而非普遍优于量子方法：

• KDD Cup 1999： 经典 RBF OCSVM 在所有指标上均优于量子 OCSVM（ROC-AUC：0.928 vs. 0.897）。作者认为 RBF 的几何结构更好地匹配了降维后的特征空间，而量子核的周期性角度编码可能会扭曲径向结构。
• CICIDS2017： 量子 OCSVM 在所有指标上都优于经典基准（ROC-AUC: 0.667 vs. 0.621; 最佳 F1: 0.700 vs. 0.679），这表明保真度核捕捉到了该异构数据集中有用的相似性结构。
• BoT-IoT： 两种模型都趋于饱和。虽然经典模型的 ROC-AUC 和 AP 略高，但量子模型在平衡测试集上实现了更高的最佳 F1 值（0.9955 vs. 0.9887），这可能是由于其在平衡数据集上拥有更优的决策阈值。
• 消融实验： 改变量子比特数（6–12）和核类型显示，增加量子比特数并不产生单调的改进；性能对数据集特征和采样规模非常敏感。

长期内存效率

• QOS 与显式存储： 在所有数据集的相当准确率水平下，基于 QOS 的机器规模估计值都显著小于显式稀疏存储或 QRAM 风格的存储估计值。
• QOS 与流式处理： 与简单的经典流式代理进行的比较是微妙的。由于激进的特征过滤可以将经典流式维度（$D_{df}$）降低到极小的数值，流式代理有时会显得比 QOS 估计值更小。然而，作者指出，QOS 模型压缩的是相干数据访问，而不仅仅是拟合分类器的维度。

核心贡献

1. 受控核评估： 本文提供了一个严谨且受控的实验，将量子保真度核与经典 RBF 核在网络安全领域进行对比，从而将核函数效应从预处理和模型架构中分离出来。研究证明，量子核是特定场景下的竞争性替代方案，但并非通用的替代品。
2. 内存规模视角： 本研究引入了基于 QOS 的分析方法，将研究重点从运行速度提升转向内存效率。它量化了量子方法在处理大规模分类任务时，相对于显式存储所能减少的有效内存规模代理。
3. 任务依赖性特征化： 本研究表征了量子计算在该领域的近期价值高度依赖于数据集的几何结构和任务特性，而非提供一种一揽子式的性能优势。

意义与主张

作者对量子计算在网络安全中的作用给出了审慎但乐观的评估：

• 近期： 量子计算可以作为经典核的任务依赖型替代方案。它不是一个统一的优越替代品，但在特定场景下（如 CICIDS2017）能提供竞争力的性能，即当量子特征映射与数据结构对齐良好时。
• 长期： 其主要价值可能在于内存高效的数据访问。即使在近期内无法实现运行速度的提升，QOS 处理流式数据时所需的内存规模代理远小于显式存储，这为未来处理大规模安全数据提供了一条可行路径。

论文明确指出，这些实验并不构成一个统一的、已部署的量子入侵检测系统（IDS）。相反，它们确定了两个不同的贡献渠道：即刻的核级替代方案，以及未来的内存高效数据访问机制。