智能引导的自适应纯化用于抗 DDoS 量子网络：基于 CUDA-Q 的研究

量子中继网络需要自适应控制策略来平衡纠缠生成速率、端到端保真度、纯化开销和内存引起的延迟。当经典控制平面因网络异常或拒绝服务流量而退化时，这种权衡变得更加复杂。我们开发了一个 CUDA-Q/SeQUeNCe 协同仿真工作流，用于研究异构线性中继链中的自适应纠缠纯化。CUDA-Q 噪声量子内核用于估计原始纠缠纯化和交换行为，而 SeQUeNCe 则提供事件层模型，用于随机链路生成、等待时间相关的内存衰减、纯化失败和端到端交换。在平稳条件下，我们比较了无纯化、局部阈值纯化、均值场预测纯化、固定纯化和资源惩罚风险感知预测策略。在 8 节点链中，资源惩罚风险感知控制器相对于固定纯化提高了达标投递概率，同时降低了延迟和纯化开销。然后，我们将量子网络控制器与从 CSE-CIC-IDS2018 良性到 SSDP 入侵检测轨迹导出的异常分数耦合。在攻击期间，不感知攻击的控制器保持较高的原始投递量，但其达标纠缠投递量降至 0.098+/-0.007；IDS 感知的资源自适应控制器切换到更多纯化密集型掩码，并将达标投递量提高到 0.344+/-0.011，与 oracle 感知值约 0.335 非常接近。这些结果表明，网络状态感知可以通过权衡原始吞吐量来换取保真度合格的纠缠投递，从而改善有用的量子网络结果。