在僵尸网络检测中实现量子网络安全分析：稳定架构与基于树算法的加速

我们首次在真实量子计算机上以 100 个数据样本、并以基于真实设备的模拟以 5,000 个数据样本执行混合机器学习方法，从而超越了 Suryotrisongko 与 Musashi 于 2022 年仅处理 1,000 个数据样本且只使用量子模拟器（纯软件仿真器）的现有研究水平。此外，我们在总计 1,687 秒的执行时间内，以平均 $91.2\%$ 的准确率击败了他们报告的 $76.8\%$ 准确率。我们通过两步策略取得这一显著进展：首先，我们建立了一个稳定的量子架构，使我们能够在真实量子设备上执行 HQML（混合量子机器学习）算法。其次，我们引入了基于 Hoeffding 决策树算法的新型混合量子二分类算法。这些算法通过批量执行加速过程，与传统的基于循环的优化器相比，减少了真实量子设备所需的 shots 数量。其增量特性服务于 DGA 僵尸网络检测的在线大规模数据流处理，并使我们能够将混合量子机器学习应用于网络安全分析领域。我们使用 Qiskit 库与 Aer 量子模拟器，以及来自 Azure Quantum 的三种不同真实量子设备——IonQ、Rigetti 和 Quantinuum——开展实验。这是首次以这种方式组合这些工具。