تشخیص ناهنجاری شبکه با استفاده از شبکه های عصبی کوانتومی روی کامپیوترهای کوانتومی نویزی

افزایش تهدیدها و تاثیر حملات مبتنی بر شبکه، نیازمند سیستم های نوآورانه شناسایی نفوذ است.یادگیری ماشین در تشخیص نفوذ شبکه ای نوید بخش بوده است و پیشرفت های اخیر در یادگیری ماشین کوانتومی مسیر های جدیدی را ارائه می دهدبا این حال، پتانسیل محاسبات کوانتومی با چالش های موجود در ماشین های کوانتومی مقیاس متوسط و پر از نویز در دوران کنونی محدود شده است.در این مقاله، ما به بررسی شبکه های عصبی کوانتومی برای تشخیص نفوذ می پردازیم و عملکرد آن ها را در چارچوب محدودیت های فعلی محاسبات کوانتومی بهینه سازی می کنیم.رویکرد ما شامل کدگذاری کارآمد ویژگی های کلاسیک، انتخاب طبقه بند شبکه عصبی کوانتومی و تنظیم عملکرد با بهره گیری از توان محاسباتی کوانتومی فعلی است.این مطالعه به معماری بهینه سازی شده شبکه عصبی کوانتومی چندلایه برای تشخیص نفوذ در شبکه منتهی می شود.نسخه ای کوچک از معماری پیشنهادی بر روی رایانه کوانتومی Aria-۱ پیاده سازی شد که با استفاده از مجموعه داده ۲NF-UNSW-NB۱۵ به امتیاز F۱ قابل توجه ۰.۸۶ دست یافت.علاوه بر این، ما یک معیار جدید به نام "عامل قطعیت" معرفی می کنیم که پایه گذاری برای ادغام آینده ی اندازه گیری های عدم قطعیت در خروجی طبقه بندی کوانتومی را فراهم می آورد.علاوه بر این، از این عامل برای پیش بینی حساسیت سیستم طبقه بندی باینری کوانتومی ما به نویز استفاده می شود.

کلیدواژه ها:

تشخیص نفوذ ، سیستم تشخیص نفوذ در شبکه ، شبکه عصبی کوانتومی