💻 computer science

Quantum Autoencoders for Anomaly Detection in Cybersecurity

本文证明了量子自动编码器（具体为一种采用密集角度编码和实振幅拟设的 8 特征模型）在 BETH 数据集的网络安全异常检测中优于经典自动编码器，即使在训练样本量大幅减少的情况下，其 F1 分数也更高（0.87 对比 0.77）。

原作者： Rohan Senthil, Swee Liang Wong

发布于 2026-07-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Rohan Senthil, Swee Liang Wong

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：在平凡之中寻找“异类”

想象你是一名大型繁忙火车站的安保人员。每天都有数百万人穿梭于门口。其中 99.9% 的人都是普通的通勤者，做着正常的事情：买票、看表、走向自己的列车。但偶尔，会有人试图潜入并携带炸弹或偷窃提包。

你的工作是异常检测（Anomaly Detection）：在数百万个好人中揪出那个坏蛋。

问题在于，坏蛋非常罕见。如果你试图通过向计算机展示成千上万张坏人的照片来教它如何识别，你会失败，因为你并没有足够的坏人照片。你拥有的只有大量的“正常人”照片。

这就是研究人员 Rohan Senthil 和 Swee Liang Wong 出场的地方。他们问道：“我们能否利用量子物理学那些奇特而强大的规则，来打造一个比现有系统更优秀的保安？”

旧守卫：经典自动编码器 (CAEs)

在这篇论文之前，安全系统使用的是“经典自动编码器”（CAEs）。你可以把 CAE 想象成一台只知道如何复印正常人的复印机。

训练： 你向复印机输入成千上万张正常通勤者的照片。它学会了“正常人”长什么样。
测试： 当一个新人走进来时，复印机尝试根据它所学到的内容重新生成这个人的图像。
结果：
- 如果是一个正常人，复印出来的效果很好。
- 如果是一个坏人（异常值），复印机会感到困惑。它试图将坏人的脸强行塑造成“正常”的形状，结果看起来非常糟糕且扭曲。
- 警报： 系统通过这种糟糕的扭曲程度发现异常，并拉响警报。

缺陷： 论文指出，当训练照片不够多时，这个“复印机”会表现得很吃力。如果你只给它看很少的正常人，它就会感到困惑并漏掉坏人。

新守卫：量子自动编码器 (QAEs)

研究人员尝试了量子自动编码器（QAE）。如果说经典自动编码器是复印机，那么量子自动编码器就像是一个神奇的多维棱镜。

它不仅仅是观察一张扁平的照片，QAE 利用量子力学的奇特规则（如叠加和纠缠），以经典计算机无法实现的方式压缩信息。

他们是如何测试的：
他们使用了名为 BETH 的真实世界数据集，这就像是一个记录了来自“蜜罐”（旨在吸引黑客的虚假服务器）网络流量的巨大日志本。

挑战： 该数据集存在严重的偏差。其中有成千上 la 正常的事件，但黑客攻击的事件却非常少。
设置： 他们仅使用正常事件来训练量子模型，这一点与经典模型一致。

魔术技巧：编码与压缩

为了让量子计算机理解数据，研究人员必须将数据翻译成“量子语言”。他们尝试了四种不同的翻译方法（称为编码/Encodings）：

振幅编码 (Amplitude Encoding)： 就像试图把一整个图书馆的书塞进一张纸的厚度里。
角度编码 (Angle Encoding)： 就像为数据的每个特征转动一个旋钮。
稠密角度编码 (Dense-Angle Encoding)： 一个聪明的技巧，他们将两份信息挤进一个旋钮（量子比特）中。这就像把两个行李箱塞进一个狭小的空间。
高效 SU2 编码 (Efficient SU2 Encoding)： 一种复杂的方法，通过扭转和链接这些旋钮来节省空间。

他们还尝试了不同的量子电路“蓝图”，称为 Ansatz（可以将其想象为机器的不同建筑设计方案）。

结果：量子优势

这是论文的结论部分：

当研究人员在黑客数据上测试这些模型时，量子自动编码器赢了，但有一个前提条件。

场景： 他们给模型提供了极少量的训练数据（即“数据受限”的情境）。
结果：
- 经典自动编码器（复印机）得分 0.77。因为它练习不够，漏掉了许多坏人。
- 量子自动编码器（棱镜）得分 0.87。尽管训练样本很少，它在识别异常方面表现得好得多。

为什么？ 论文指出，量子模型（特别是使用稠密角度编码和 RealAmplitude 设计的模型）能够更高效地“理解”正常数据的形态。它不需要那么多例子就能学会模式。

底线总结

该论文声称，在一个拥有大量正常数据但极少实际攻击数据的世界里，量子自动编码器可能是比经典模型更好的工具。

他们证明了，通过使用特定的量子技巧（例如将两个数据点挤入一个量子比特），即使在缺乏实例的情况下，我们也能构建出一个对“异常”更加敏感的安全系统。

简而言之： 量子机器学习“正常流量”的节奏（vibe）比经典机器更快、更好，这使其成为在数据匮乏时捕捉网络威胁的有力工具。

技术摘要：用于网络安全异常检测的量子自动编码器

问题陈述

网络安全异常检测面临着显著的挑战，其中之一是正常事件与异常事件之间的极端不平衡，即正常活动的数量远超攻击行为。此外，网络威胁的快速演变需要大量、高质量的有标签数据集来进行监督学习，而这些数据往往难以获取或难以维持成本。虽然经典自动编码器（CAEs）已被用于学习“正常”数据的分布以通过重构误差识别离群值，但在数据受限的情况下，它们往往表现不佳。本文研究了量子自动编码器（QAEs）是否能在网络安全背景下，特别是在仅使用有限的正常样本进行训练时，提供更优的数据效率和性能。

方法论

数据集与预处理

本研究使用了 BPF-Extended Tracking Honeypot (BETH) 数据集，这是一个由云蜜罐收集的包含超过 800 万个真实网络流量事件的集合。该数据集具有高度不平衡性，异常事件在训练集和验证集中仅占极小比例（分别为 0.2% 和 0.4%），但在测试集中占比高达 90.7%，以模拟真实的检测场景。

预处理： 根据既定协议（Highnam 等人）进行特征工程，包括映射进程和用户 ID、处理返回值，以及对高基数类别特征应用目标编码。
特征选择： 初始转换后的数据集包含 24 个特征。实验重点关注这些特征的子集，具体评估了基于不同编码方案的 8、16 和 24 个特征的模型。

量子自动编码器 (QAE) 架构

该 QAE 实现基于 Qiskit 构建，并在本地硬件和 Google Colab L4 GPU 上进行模拟，遵循三层概念结构：

输入/编码器 (Input/Encoder)： 将经典数据编码为量子态。
瓶颈层 (Bottleneck)： 通过丢弃“垃圾”量子比特来压缩状态。
输出/解码器 (Output/Decoder)： 在此特定实现中，跳过了显式的重构过程。相反，通过 SWAP 测试 将丢弃的垃圾量子比特与参考量子比特进行比较。

异常评分：
训练目标是最小化由 SWAP 测试得出的代价函数，该函数衡量了垃圾量子比特与参考态之间的保真度 ( $S$ )。异常评分 ( $A$ ) 定义为 $A = 1 - S$ 。评分为 0 表示正常实例（高保真度），为 1 表示极大程度的异常实例。

实验变量：

编码技术： 研究评估了四种不同的量子编码策略：
1. 振幅编码 (Amplitude Encoding)： 将数据映射到状态振幅。
2. 角度编码 (Angle Encoding)： 将特征映射到旋转角度 ( $R_y$ )。
3. 稠密角度编码 (Dense-Angle Encoding)： 使用 $R_y$ 和 $R_z$ 旋转将两个特征编码到一个量子比特中，从而减少对量子比特的需求。
4. 高效 SU2 编码 (Efficient SU2 Encoding)： 一种来自 Qiskit 的基于纠缠的方案。
Ansatz 类型： 测试了包括 RealAmplitudes 和 PauliTwoDesign 在内的参数化电路。
训练配置： 模型仅使用正常数据进行训练，使用 COBYLA 无梯度优化器进行 60 次迭代，批大小为 64。

经典基准

实现了一个经典自动编码器 (CAE) 作为基准，在相同的正常数据子集上进行训练，以比较包括精确率 (Precision)、召回率 (Recall)、F1 分数和 AUROC 在内的性能指标。

关键结果

研究表明，QAE 在数据受限的环境中可以超越 CAE，其性能高度依赖于编码和特征选择策略。

最优配置： 表现最佳的 QAE 模型使用了 8 个特征、Dense-Angle 编码 以及 RealAmplitudes ansatz。
性能指标：
- 在数据受限的情况下，最优 QAE 实现了 0.87 的 F1 分数。
- 相应的 CAE 实现的 F1 分数为 0.77。
数据效率： QAE 展示了即使在训练样本量大幅减少的情况下，仍能超越其经典对应模型的潜力。
编码影响： 结果强调了量子编码的选择对模型表达能力和性能有显著影响。例如，Efficient SU2 编码需要更大的特征集（16 或 24 个特征）以避免在较小特征集下出现的过度压缩问题。

重要性与主张

作者声称，这项工作提供了经验证据，证明量子自动编码器在异常检测（特别是在具有数据限制的场景下）方面具有实际优势。

数据效率： 主要贡献在于证明了 QAE 在利用更少训练样本的同时，能够实现比 CAE 更高的检测准确度（F1 分数）。这解决了维护大规模、有标签数据集以应对不断演变的网络威胁这一关键挑战。
编码敏感性： 论文强调，量子模型的性能高度依赖于编码技术和特征策略的选择，这表明为了实现量子机器学习 (QML) 的全部潜力，领域特定的优化是必要的。
实际适用性： 通过使用 BETH 数据集（反映了真实的网络状况和攻击模式），研究认为 QAE 不仅仅是理论构建，而是应对异常数据稀缺的实际网络安全挑战的可行候选方案。

研究结论指出，尽管专门的 QAE 变体仍处于早期阶段，但观察到的在数据受限设置下的改进，预示着量子增强型异常检测的一个充满希望的发展轨迹。