非单调关系：面向未见勒索软件检测的混合量子分类器实证分析
量子物理
2025-09-10 v1 密码学与安全
摘要
检测未见勒索软件是关键的网络安全挑战，传统机器学习方法常常难以应对。虽然量子机器学习（QML）提供了潜在的替代方案，但其应用受制于经典数据与量子硬件之间维度鸿沟。本文通过主成分分析（PCA）将高维数据集与变分量子分类器（VQC）接口，对混合框架进行经验性研究。我们的分析揭示了实际应用中存在的双重挑战。显著的信息瓶颈表现为，即便是表现最佳的12量子比特VQC，也未能达到经典基线的97.7%召回率。此外，性能随量子比特数从4增至8时出现非单调趋势，即表现下降后在12量子比特时又提升，这表明存在严重的可训练性问题。这些发现表明， unlocking QML的潜力需要同步发展更高效的数据压缩技术和稳健的量子优化策略。
引用
@article{arxiv.2509.07924,
title = {A Non-Monotonic Relationship: An Empirical Analysis of Hybrid Quantum Classifiers for Unseen Ransomware Detection},
author = {Huu Phu Le and Phuc Hao Do and Vo Hoang Long Nguyen and Nang Hung Van Nguyen},
journal= {arXiv preprint arXiv:2509.07924},
year = {2025}
}
备注
A Non-Monotonic Relationship: An Empirical Analysis of Hybrid Quantum Classifiers for Unseen Ransomware Detection