计算机研究与发展

作者：李冬芬,向秋雨,胡志康,袁宇航,孙雨晨,徐菡,宋征宇,韩浩民,白冬雪,多滨,周让,

关键词：入侵检测, 量子计算, 联邦学习, 深度学习, 量子联邦学习,

入侵检测系统（intrusiondetectionsystem，IDS）是保障网络环境安全的重要手段，但传统深度学习方法在应对非频繁攻击特征与数据不平衡问题时存在高误报率，且对高维稀疏特征建模能力有限.随着物联网与边缘设备的普及，入侵检测数据呈现出分布式与异构化趋势，且因隐私保护要求，原始数据难以集中训练.为此，提出了一种融合联邦学习与量子卷积神经网络的入侵检测模型FedCQIDS（federatedclassicalhybridquantumconvolutionalintrusiondetectionsystem），在客户端本地模型中引入轻量化的量子卷积层，通过量子比特复用技术提升资源利用率，增强对低频稀疏攻击特征的表达能力，并借助联邦学习架构实现多客户端间的协同建模与隐私保护.在NSL-KDD与UNSW-NB15两个数据集上开展了相关的实验，结果表明FedCQIDS在准确率与损失值方面均优于传统联邦模型，特别是在少数类攻击识别任务中表现出更高的检测性能与训练稳定性，展示了其在隐私保护与高效部署下的应用潜力.

来源：2025年第10期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2025年第10期