机构名称：
¥ 1.0
摘要：本文旨在为对抗性的防御研究差距做出贡献，这是广告讽刺机器学习（ML）攻击和防御的最新技术。更具体地，它有助于对对抗性示例攻击的人工智能（AI） / ML模型的鲁棒性进行度量测量，目前，这仍然是网络安全域中的一个空旷问题，并且在更大程度上是基于量子计算的AI / ML应用程序的更大程度的问题。我们提出了一种新的对抗性鲁棒性测量方法，该方法从量子ML ML模型实验的性能结果中测量统计特性（例如精度和t检验结果的平均值）。我们认为，我们提出的方法适合实现量子安全世界的实际使用，因为在当前嘈杂的中间尺度量子设备（NISQ）时代，量子噪声对于建模是复杂且具有挑战性的，因此使测量任务或基准测试变得复杂。我们的研究的第二个贡献是用于僵尸网络域生成算法（DGA）检测的新型硬化杂交量子量化深度学习（DL）模型，它采用了一种模型硬化的广告范围训练技术来减轻新型未知DGA对手，因为新的CyberAttarake从网络攻击中进行了新的CyberAttack，因此可以预期的是遇到网络武器竞赛。我们的分析表明，混合量子DL模型对对抗性示例攻击的脆弱性高达19％的平均准确性下降。我们还发现，硬化模型的优越性获得的平均准确性高达5.9％。此外，我们发现杂交量子型DL方法使抑制量子噪声对分类器性能的负面影响的好处。我们演示了如何应用我们提出的测量方法评估我们的新型混合量子DL模型，并强调了我们的模型与对抗性示例攻击的对抗性鲁棒性，这是我们研究对跨量子对抗机器学习的实际意义的证据。
在杂种量子古典深度学习中的对抗性鲁棒性DGA检测
主要关键词
相关文件推荐
