Quantum AIO-ChameleonGAN for Behaviour-Aware Quantum–Classical Intrusion Detection of Adaptive Cyber Threats

技术摘要：用于行为感知型量子-经典入侵检测的 Quantum AIO-ChameleonGAN

问题陈述
当代入侵检测系统（IDS）正面临来自隐蔽、多态且具有行为适应性的网络威胁的严峻挑战。与具有稳定特征的传统攻击不同，高级持续性威胁（APT）和无文件攻击可以改变其可观测特征，同时保留类似于合法通信的模式。这种“行为伪装”破坏了依赖静态特征表示或固定决策边界的检测机制。此外，现有的生成对抗网络（GAN）方法虽然在数据增强和异常检测方面有效，但往往仅对统计关系进行建模，而未能明确表征观测值相对于局部相关良性行为的上下文偏差。此外，虽然量子机器学习（QML）通过变分量子电路（VQC）提供了增强特征表示的潜力，但如何将量子特征与单个网络观测值的局部行为上下文相结合仍是一个尚未充分探索的领域。

方法论
本文提出了 Quantum AIO-ChameleonGAN，这是一种混合量子-经典框架，扩展了作者之前的 凹矩阵生成对抗网络（CM-GAN）。该架构集成了三种互补的信息源：经典统计特征、上下文行为偏差以及变分量子特征变换。

1. 行为几何引擎与入射角优化（AIO）：

   • 该框架并非依赖单一的全局良性质心，而是为每个网络观测值（$f_i$）构建一个特定于观测值的良性参考（$b_i$）。该参考源自从仅包含训练数据的历史库中提取的 $k$ 个最近良性邻居。
   • AIO 策略通过入射角（$\theta_i$）量化观测值与局部良性参考之间的方向偏差。该角度通过观测向量与局部参考向量之间的余弦相似度的反余弦函数计算得出。
   • 至关重要的是，$\theta_i$ 并非作为独立的分类阈值或损失项；相反，它作为一个行为描述符被集成到混合表示中。

2. 变分量子特征变换（VQC）：

   • 一个八量子比特的 VQC 作为一个可训练的特征变换模块。八个选定的归一化经典特征通过 $R_y$ 角编码被编码到量子寄存器中。
   • 该电路由六个变分层组成，每层包含参数化的 $R_y$ 和 $R_z$ 旋转，随后是按循环环形拓扑结构排列的 受控-Z (CZ) 纠缠操作。
   • 输出是一个基于 Pauli-Z 期望值的八维向量。
   • 量子组件使用 状态向量模拟器（Qiskit） 执行；研究明确指出其评估的是表示能力的益处，而非声称具备量子计算加速优势。

3. 混合表示与多任务对抗学习：

   • 最终的混合表示（$h_i$）由经典特征（$f_i$）、量子表示（$q_i$）和 AIO 描述符（$\theta_i$）拼接而成。
   • 判别器是一个多任务网络，具有共享的特征提取器和两个输出头：
     • 对抗头（$D_{adv}$）： 区分真实的混合表示与生成的表示。
     • 分类头（$D_{cls}$）： 执行监督式二分类（良性 vs. 恶意）。
   • 生成器旨在欺骗对抗头，而判别器则旨在最小化对抗损失和监督分类损失（二元交叉熵）。

4. 实验协议：

   • 实验使用了 CIC-UNSW-NB15 数据集，并采用了严格的 70:15:15 分层划分（训练集:验证集:测试集）。
   • 实施了严格的泄漏控制：预处理、增强和良性库的构建均仅基于训练部分。
   • 受控增强仅应用于恶意训练样本（对连续特征进行有界扰动）。
   • 超参数（如邻居规模 $k$、分类阈值 $\tau$）使用验证集进行选择，并在测试前固定。

核心贡献

1. 局部良性行为建模： 引入了行为几何引擎，通过构建特定于观测值的良性参考，从传统的全局良性质心转向捕捉异构的合法运行状态。
2. AIO 策略： 开发了入射角优化策略，将方向偏差表征为上下文行为描述符，并将其集成到混合表示中，而非作为独立的分类器。
3. 变分量子特征变换： 将八量子比特 VQC 作为可训练的非线性特征变换模块，以补充经典特征和行为特征。
4. 混合对抗表示： 将经典、行为和量子特征整合进统一的表示中，并置于多任务对抗学习框架内，保留了 CM-GAN 的生成器-判别器基础。
5. 全面验证： 进行了包括组件级消融实验、邻域敏感性分析、十轮配对统计检验、五折交叉验证以及对抗扰动鲁棒性检查在内的严格评估。

结果
在 CIC-UNSW-NB15 数据集的独立测试集上，Quantum AIO-ChameleonGAN 达到了以下性能指标：

• 准确率 (Accuracy)： 99.85%
• 精确率 (Precision)： 99.79%
• 召回率 / 异常检测率 (ADR)： 99.84%
• F1 分数 (F1-Score)： 99.81%
• 马修斯相关系数 (MCC)： 0.996
• AUROC： 0.9973
• 假阴性率 (FNR)： 0.16%

对比性能：

• 相对于 CM-GAN 基线，所提出的框架在准确率上提高了 0.07 个百分点，F1 分数提高了 0.09 个百分点。
• FNR 从 0.24%（CM-GAN）降低至 0.16%，代表漏报率相对降低了 33.3%。
• 消融研究： AIO 组件提供了比基线更大的单项改进，而 AIO 与 VQC 的结合产生了最强的整体性能。
• 鲁棒性： 在 FGSM 和 PGD 对抗攻击下，所提框架表现出显著低于 CM-GAN 的性能下降（例如，在 FGSM 下，F1 分数下降为 1.10 pp 对比 3.61 pp）。
• 统计显著性： 十轮配对 t 检验确认，在准确率、精确率、召回率和 F1 分数方面的改进具有统计学意义（$p < 0.05$）。

计算成本：
与 CM-GAN 相比，该框架引入了可衡量的开销：

• 训练时间增加了 38.3%（从 42.6 分钟增加到 58.9 分钟）。
• 推理延迟增加了 25.5%（每样本从 1.84 ms 增加到 2.31 ms）。
• 峰值内存占用增加了 18.8%。
• 可训练参数增加了 6.9%。
  作者将这些成本主要归因于构建特定于观测值的邻域、AIO 计算以及 VQC 的模拟。

意义与主张
论文声称，将特定于观测值的良性行为上下文与变分量子特征变换相结合，可以为检测适应性恶意流量提供可衡量的改进。其意义在于从纯统计 GAN 向显式建模上下文行为偏差的混合框架的范式演进。

作者明确了其主张的范围：

• 结果展示了混合公式带来的表示能力收益。
• 本研究并未声称具备量子计算优势或加速，因为 VQC 是在经典硬件上的状态向量模拟器上进行评估的。
• 研究结果特定于 CIC-UNSW-NB15 数据集、所采用的增强策略以及模拟环境。
• AIO 的贡献定义为构建局部良性参考并使用角度偏差作为特征，而非余弦相似度度量本身的新颖性。

作者指出，未来的工作有必要在流式数据、概念漂移环境下进行评估，并在物理量子硬件上进行测试，以评估噪声韧性和运行可行性。