基于量子退火的限制玻尔兹曼机在网络安全数据上的训练
量子物理
2021-05-20 v4 机器学习
摘要
我们展示了一个使用量子计算机的真实应用。具体而言，我们利用量子退火(QA)训练一个RBM用于网络安全应用。D-Wave 2000Q已被用于实现QA。RBM在ISCX数据上训练，该数据是网络安全的基准数据集。为作比较，RBM也使用CD进行训练，CD是一种常用的RBM训练方法。我们对ISCX数据的分析表明该数据集是不平衡的。我们提出了两种不同的方案，在将训练数据集输入分类器之前对其进行平衡。第一种方案基于对良性样本的欠采样。不平衡的训练数据集被划分为五个子数据集分别训练。随后执行多数投票以获得结果。我们的结果表明，在CD的情况下，多数投票将分类准确率从90.24%提升至95.68%。对于QA的情况，分类准确率从74.14%提升至80.04%。在第二种方案中，使用RBM生成合成数据以平衡训练数据集。我们表明QA和CD训练的RBM均可用于生成有用的合成数据。平衡后的训练数据被用于评估若干分类器。在所研究的分类器中，K近邻(KNN)和神经网络(NN)表现优于其他分类器，两者均显示出93%的准确率。我们的结果展示了一个概念验证：基于QA的RBM可以在64位二进制数据集上训练。该示例暗示了将许多实际分类问题迁移到基于QA的技术的可能性。此外，我们表明由RBM生成的合成数据可用于平衡原始数据集。
引用
@article{arxiv.2011.13996,
title = {Training a quantum annealing based restricted Boltzmann machine on cybersecurity data},
author = {Vivek Dixit and Raja Selvarajan and Tamer Aldwairi and Yaroslav Koshka and Mark A. Novotny and Travis S. Humble and Muhammad A. Alam and Sabre Kais},
journal= {arXiv preprint arXiv:2011.13996},
year = {2021}
}
备注
in IEEE Transactions on Emerging Topics in Computational Intelligence