机构名称：
¥ 1.0
I. i troduction使用机器学习（ML）对安全性违规（ML）进行了广泛研究[1] - [8]。入侵检测系统（IDSS）是用于检测此类活动的工具。网络IDSS（NIDSS）特别检测网络中的恶意活动，并且是该领域中最著名的ML应用程序中的上下文之一[3]。idss和nidss可以分类为基于签名或基于异常的[1]。基于签名的（n）IDS通过将分析的数据流与存储在已知攻击的签名数据库中的模式进行比较来检测攻击。基于异常的（N）ID通常使用受监视系统的正常行为模型和模型外部的平常行为模型检测异常，以异常或可疑。基于签名的IDS可以以高精度检测众所周知的攻击，但无法检测或发现未知攻击，而基于异常的IDS具有该能力。在本文中，我们专注于基于异常的NIDSS。量子计算机，其中包括嘈杂的中等规模量子（NISQ）计算机，旨在利用量子物理学执行超出最强大的古典计算机功能的计算任务，并有可能实现量子至上[9] - [11]。随着QBIT的数量和量子计算机的准确性增加，超过最新经典计算的问题引起了很大的关注。在不久的将来预测了量子优势的明确证明[9] - [11]，并且已经提出了一个论点，即它已经实现了[12]，尽管竞争对手已经提出异议[12] [13]。量子至高无上的结果是，量子计算者可以在学习效率方面二次优于其经典对应物，甚至在绩效方面呈指数级别[10]。这是在网络入侵检测的背景下研究量子辅助机器学习（QAML）的潜力的动机。
朝网络入侵检测的量子增强机器学习
主要关键词
相关文件推荐
