机构名称：
¥ 1.0
本研究调查了传统机器学习 (CML) 和量子机器学习 (QML) 在分析安全数据集方面的协同作用，并使用基于 QML 和 CML 的模型进行比较分析，以评估它们在数据大小和迭代次数增加时的性能。具体来说，作者采用了流行的机器学习方法，包括支持向量机 (SVM)、神经网络 (NN) 和逻辑回归 (LR)，以评估这些技术在现实世界安全数据集（例如网络入侵检测数据和恶意软件分类日志）上的表现。主要重点是确定 QML 和 CML 方法在处理大规模安全数据方面的有效性和效率。通过严格的实验，该研究突出了 QML 和 CML 的优点和缺点，表明虽然 QML 由于量子并行性而显著加快了大数据集的处理时间，但它在硬件可访问性和噪声敏感性方面面临挑战，而 CML 方法虽然在处理海量数据时速度较慢，但受益于成熟的算法和更强大的基础设施。研究结果为将 QML 和 CML 应用于安全相关应用的实用性提供了重要见解，表明 QML 技术由于其卓越的计算效率，在特定场景（例如实时威胁检测）中可以胜过 CML。然而，量子硬件的当前局限性表明，短期内 CML 在许多应用中仍然更实用。这项工作大大推进了量子机器学习的最新进展。它为安全数据分析的从业者和研究人员提供了重要指导，强调了 QML 彻底改变安全数据处理的潜力，同时承认量子计算技术持续进步的必要性。
量子机器学习在网络安全中用于高级威胁检测 Reyadh Alluhaibi
主要关键词
相关文件推荐
