Quantum Machine Learning-Based Intrusion Detection: A Comparative Study on Real Quantum Hardware

Nagy, Attila [Nagy, Attila (Informatika), szerző] Biztonságtudományi Doktori Iskola (ÓE); Yue, Wu [WU, YUE (Sustainable agric...), szerző] Kari Kutatásszervező Központ (ÓE / BGK); Biztonságtudományi Doktori Iskola (ÓE); Ács, Szilvia [Ács, Szilvia (kiberbiztonság sz...), szerző] Biztonságtudományi Doktori Iskola (ÓE); Bánki Donát Gépész és Biztonságtechnikai Mérnök... (ÓE); Fregan, Beatrix [Fregan, Beatrix (Biztonság- és véd...), szerző] Biztonságtudományi Doktori Iskola (ÓE); Idegennyelvi és Szaknyelvi Lektorátus (NKE / HHK); Rajnai, Zoltán [Rajnai, Zoltán (Információbiztons...), szerző] Biztonságtudományi és Kibervédelmi Intézet (ÓE / BGK)

Angol nyelvű Konferenciaközlemény (Könyvrészlet) Tudományos
    Szakterületek:
    • Gépi tanulás, statisztikus adatfeldolgozás, jelfeldolgozáson alapuló alkalmazások (pl. beszéd, kép, videó)
    • Hálózatbiztonság
    • Információbiztonság
    • Informatikai biztonság
    • Műszaki és technológiai tudományok
    • Villamosmérnöki és informatikai tudományok
    Quantum Machine Learning (QML) has become a promising alternative in the field of network anomaly detection (NAD) in recent years, especially in intrusion detection. in the development of intrusion detection systems (IDS). The aim of this study is to examine in detail four quantum machine learning models that were run not on simulators but on real quantum computers, including IBM QPU and IonQ Aria-1 platforms. The analyzed research uses different architectures, such as Quantum Convolutional Neural Network (QCNN), Variational Quantum Classifier (VQC), Quantum Autoencoder (QAE) and Quantum Neural Network (QNN), combined with multiple data processing methods and encoding techniques.
    Hivatkozás stílusok: IEEEACMAPAChicagoHarvardCSLMásolásNyomtatás
    2026-11-07 08:43