CN115062721B - 网络入侵检测方法和装置、计算机可读介质、电子设备 - Google Patents
网络入侵检测方法和装置、计算机可读介质、电子设备 Download PDFInfo
- Publication number
- CN115062721B CN115062721B CN202210774834.2A CN202210774834A CN115062721B CN 115062721 B CN115062721 B CN 115062721B CN 202210774834 A CN202210774834 A CN 202210774834A CN 115062721 B CN115062721 B CN 115062721B
- Authority
- CN
- China
- Prior art keywords
- data
- coding
- network
- analog circuit
- intrusion detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 248
- 239000013598 vector Substances 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/20—Models of quantum computing, e.g. quantum circuits or universal quantum computers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本公开是关于一种网络入侵检测方法和装置、计算机可读介质、电子设备，涉及大数据技术领域，该方法包括：获取入侵检测数据，确定所述入侵检测数据中包括的符号数据，对所述符号数据进行第一编码，得到初始编码数据，对所述初始编码数据进行第二编码，得到位置编码向量；构建输入量子模拟电路，通过所述输入量子模拟电路生成自注意力层，将所述位置编码向量输入至所述自注意力层，得到目标编码数据；构建分类量子模拟电路，通过所述分类量子模拟电路生成检测网络，对所述检测网络进行训练，得到目标检测网络；将所述目标编码数据输入至所述目标检测网络，得到所述入侵检测数据的检测结果。本公开提高了网络入侵检测的效率。
Description
技术领域
本公开实施例涉及大数据技术领域，具体而言，涉及一种网络入侵检测方法、网络入侵检测装置、计算机可读存储介质以及电子设备。
背景技术
入侵检测是网络安全中最重要的防御手段之一。近年来，随着技术的发展，越来越多的研究中将机器学习、深度学习算法不断引入到入侵检测中。
但是，对于传统入侵检测来说，引入机器学习时，需要手工设计较多特征，依赖大量的先验专家知识；通过制定规则的方式进行入侵检测时，扩展性不高，也需要依赖大量的先验专家知识；并且，传统神经网络记忆容量小，需要大量的神经元，导致规模较大，同时也存在着被攻击的风险，导致网络入侵检测效率较低。
因此，需要提供一种新的网络入侵检测方法。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种网络入侵检测方法、网络入侵检测装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的网络入侵检测效率低的问题。
根据本公开的一个方面，提供一种网络入侵检测方法，包括：
获取入侵检测数据，确定所述入侵检测数据中包括的符号数据，对所述符号数据进行第一编码，得到初始编码数据，对所述初始编码数据进行第二编码，得到位置编码向量；
构建输入量子模拟电路，通过所述输入量子模拟电路生成自注意力层，将所述位置编码向量输入至所述自注意力层，得到目标编码数据；
构建分类量子模拟电路，通过所述分类量子模拟电路生成检测网络，对所述检测网络进行训练，得到目标检测网络；
将所述目标编码数据输入至所述目标检测网络，得到所述入侵检测数据的检测结果。
在本公开的一种示例性实施例中，对所述符号数据进行第一编码，得到初始编码数据，包括：
获取所述入侵检测数据的最大长度以及量子个数；
根据所述入侵检测数据的最大长度以及所述量子个数，对所述符号数据进行第一编码，得到初始编码数据。
在本公开的一种示例性实施例中，对所述初始编码数据进行第二编码，得到位置编码向量，包括：
对所述初始编码数据在X轴方向上进行角度编码，得到角度编码向量；
对所述角度编码向量进行位置编码，得到所述位置编码向量。
在本公开的一种示例性实施例中，构建输入量子模拟电路，包括：
在所述输入量子模拟电路中的每一条线路上增加位置编码向量的自旋操作；
获取预设线路差，基于所述预设线路差值，在线路之间建立门，并为所述每一条线路进行Z轴旋转，生成输入量子模拟电路；
通过所述输入量子模拟电路，初始化所述输入量子模拟电路的权重矩阵，其中，权重矩阵中包括：电路层数以及线路条数。
在本公开的一种示例性实施例中，通过所述输入量子模拟电路生成自注意力层，将所述位置编码向量输入至所述自注意力层，得到目标编码数据，包括：
通过多个所述输入量子模拟电路作为所述自注意力层的第一层，通过所述第一层，得到多个第一编码数据；
将融合层作为所述自注意力层的第二层，通过所述第二层对多个所述第一编码数据进行融合，得到第二编码数据；
在所述自注意力层的第三层中包括一个输入模拟电路，将所述第二编码数据输入至所述第三层的输入量子模拟电路中，得到所述目标编码数据。
在本公开的一种示例性实施例中，构建分类量子模拟电路，包括：
在所述分类量子模拟电路的每一条线路上增加角度编码以及X轴自旋操作；
获取第一预设线路差，基于所述第一预设线路差，在线路之间建立门，并对每一条线路进行Z轴旋转，生成所述分类量子模拟电路；
通过生成的所述分类量子模拟电路，初始化所述分类量子模拟电路的权重矩阵。
在本公开的一种示例性实施例中，通过所述分类量子模拟电路生成检测网络，对所述检测网络进行训练，得到目标检测网络，包括：
通过线性激活层以及所述分类量子模拟电路，生成所述检测网络；
利用训练数据对所述检测网络进行训练，在确定所述检测网络收敛时，获取对应的参数；
通过所述参数，得到所述目标检测网络。
根据本公开的一个方面，提供一种网络入侵检测装置，包括：
符号数据编码模块，用于获取入侵检测数据，确定所述入侵检测数据中包括的符号数据，对所述符号数据进行第一编码，得到初始编码数据，对所述初始编码数据进行第二编码，得到位置编码向量；
目标编码数据生成模块，用于构建输入量子模拟电路，通过所述输入量子模拟电路生成自注意力层，将所述位置编码向量输入至所述自注意力层，得到目标编码数据；
检测网络构建模块，用于构建分类量子模拟电路，通过所述分类量子模拟电路生成检测网络，对所述检测网络进行训练，得到目标检测网络；
检测结果获取模块，用于将所述目标编码数据输入至所述目标检测网络，得到所述入侵检测数据的检测结果。
根据本公开的一个方面，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一示例性实施例所述的网络入侵检测方法。
根据本公开的一个方面，提供一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述任一示例性实施例所述的网络入侵检测方法。
本公开实施例提供的一种网络入侵检测方法，获取入侵检测数据，确定所述入侵检测数据中包括的符号数据，对所述符号数据进行第一编码，得到初始编码数据，对所述初始编码数据进行第二编码，得到位置编码向量；构建输入量子模拟电路，通过所述输入模拟电路生成自注意力层，将所述位置编码向量输入至所述自注意力层，得到目标编码数据；构建分类量子模拟电路，通过所述分类模拟电路生成检测网络，对所述检测网络进行训练，得到目标检测网络；将所述目标编码数据输入至所述目标检测网络，得到所述入侵检测数据的检测结果；一方面，当获取到入侵检测数据之后，对入侵检测数据进行编码，得到位置编码向量，然后，构建输入量子模拟电路以及分类量子模拟电路，通过输入量子模拟电路生成自注意力层，通过分类量子模拟电路生成目标检测网络，通过该自注意力层得到目标输入数据，将该目标输入数据输入至目标检测网络中，得到检测结果，解决了相关技术中通过传统神经网络进行检测时，需要大量的神经元导致网络规模较大的问题，简化了网络规模，提高了网络入侵检测的效率；另一方面，基于分类量子模拟电路生成的目标检测网络，在保证安全性的前提下，提高了数据处理量，同时提高了系统的可扩展性以及鲁棒性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出根据本公开示例实施例的一种网络入侵检测方法的流程图。
图2示意性示出根据本公开示例实施例的一种对符号数据进行第一编码，得到初始编码数据的方法流程图。
图3示意性示出根据本公开示例实施例的一种对初始编码数据进行第二编码，得到位置编码向量的方法流程图。
图4示意性示出根据本公开示例实施例的一种构建输入量子模拟电路的方法流程图。
图5示意性示出根据本公开示例实施例的一种输入量子模拟电路的示意图。
图6示意性示出根据本公开示例实施例的一种通过输入量子模拟电路生成自注意力层，将位置编码向量输入至自注意力层，得到目标编码数据的方法流程图。
图7示意性示出根据本公开示例实施例的一种分类量子模拟电路的示意图。
图8示意性示出根据本公开示例实施例的一种构建分类量子模拟电路的方法流程图。
图9示意性示出根据本公开示例实施例的一种分类量子模拟电路的示意图。
图10示意性示出根据本公开示例实施例的一种通过分类量子模拟电路生成检测网络，对检测网络进行训练，得到目标检测网络的方法流程图。
图11示意性示出根据本公开示例实施例的一种检测网络的示意图。
图12示意性示出根据本公开示例实施例的一种网络入侵检测装置的框图。
图13示意性示出根据本公开示例实施例的用于实现上述网络入侵检测方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
相关技术中，一方面，基于传统机器学习方法的入侵检测需要手工设计特征，需要依赖大量的先验专家知识；当采用通过制定规则的方法进行入侵检测时，扩展性不高，也需要依赖大量的先验专家知识；另一方面，传统神经网络模型记忆容量小、需要较多的神经元，导致网络规模较大并且存在被攻击的风险；再一方面，由于非独立同分布以及数据量过大的问题，采用传统神经网络进行入侵检测是会出现灾变性的失忆现象。
基于上述一个或者多个问题，本示例实施方式中首先提供了一种网络入侵检测方法，该方法可以运行于服务器、服务器集群或者云服务器等；当然，本领域技术人员也可以根据需求在其他平台运行本发明的方法，本示例性实施例中对此不做特殊限定。参考图1所示，该网络入侵检测方法可以包括步骤S110-步骤S140：
步骤S110.获取入侵检测数据，确定所述入侵检测数据中包括的符号数据，对所述符号数据进行第一编码，得到初始编码数据，对所述初始编码数据进行第二编码，得到位置编码向量；
步骤S120.构建输入量子模拟电路，通过所述输入量子模拟电路生成自注意力层，将所述位置编码向量输入至所述自注意力层，得到目标编码数据；
步骤S130.构建分类量子模拟电路，通过所述分类量子模拟电路生成检测网络，对所述检测网络进行训练，得到目标检测网络；
步骤S140.将所述目标编码数据输入至所述目标检测网络，得到所述入侵检测数据的检测结果。
上述获取入侵检测数据，确定所述入侵检测数据中包括的符号数据，对所述符号数据进行第一编码，得到初始编码数据，对所述初始编码数据进行第二编码，得到位置编码向量；构建输入量子模拟电路，通过所述输入模拟电路生成自注意力层，将所述位置编码向量输入至所述自注意力层，得到目标编码数据；构建分类量子模拟电路，通过所述分类模拟电路生成检测网络，对所述检测网络进行训练，得到目标检测网络；将所述目标编码数据输入至所述目标检测网络，得到所述入侵检测数据的检测结果；一方面，当获取到入侵检测数据之后，对入侵检测数据进行编码，得到位置编码向量，然后，构建输入量子模拟电路以及分类量子模拟电路，通过输入量子模拟电路生成自注意力层，通过分类量子模拟电路生成目标检测网络，通过该自注意力层得到目标输入数据，将该目标输入数据输入至目标检测网络中，得到检测结果，解决了相关技术中通过传统神经网络进行检测时，需要大量的神经元导致网络规模较大的问题，简化了网络规模，提高了网络入侵检测的效率；另一方面，基于分类量子模拟电路生成的目标检测网络，在保证安全性的前提下，提高了数据处理量，同时提高了系统的可扩展性以及鲁棒性。
以下，对本公开示例实施例的网络入侵检测方法中涉及的各步骤进行详细的解释以及说明。
首先，对本公开示例实施例的应用场景以及目的进行解释以及说明。具体的，本公开示例实施例可以应用于对网络报文数据进行入侵检测，主要研究在保证安全性的前提下如何提高入侵检测的效率。
在本公开中以获取到的入侵检测数据为基础，当获取到入侵检测数据之后，对入侵检测数据中的符号数据进行编码，得到第一编码，由于编码后的数据为传统经典数据，量子模拟电路无法识别，因此，可以对第一编码进行角度编码以及位置编码，得到位置编码向量；然后，构建输入量子模拟电路，通过输入量子模拟电路生成自注意力层，通过自注意力层在再次对位置编码向量进行学习，得到目标输入数据；接着，构建分类量子模拟电路，通过分类量子模拟电路生成目标检测网络，将目标输入数据输入至目标检测网络中，得到检测结果，在保证安全性的前提下，提高了入侵检测的效率。
其次，对步骤S110-步骤S140进行详细的解释以及说明。
在步骤S110中，获取入侵检测数据，确定所述入侵检测数据中包括的符号数据，对所述符号数据进行第一编码，得到初始编码数据，对所述初始编码数据进行第二编码，得到位置编码向量。
其中，入侵检测数据为网络中的报文数据，报文数据中既包括数字数据，也包括符号数据，其中，符号数据可以为TCP(Transmission Control Protocol，控制传输协议)、UDP(User Datagram Protocol，用户数据报协议)、ICMP(Internet Control MessageProtocol，控制报文协议)等，在本示例实施例中对符号数据不做具体限定。
在本示例实施例中，当获取到入侵检测数据之后，可以对入侵检测数据进行识别，识别出入侵检测数据中包括的符号数据，当识别出符号数据之后，可以对符号数据进行编码，参考图2所示，对符号数据进行第一编码，得到初始编码数据，可以包括步骤S210以及步骤S220：
步骤S210.获取所述入侵检测数据的最大长度以及量子个数；
步骤S220.根据所述入侵检测数据的最大长度以及所述量子个数，对所述符号数据进行第一编码，得到初始编码数据。
以下，将对步骤S210、步骤S220进行进一步的解释以及说明。具体的，当获取到入侵检测数据中包括的符号数据之后，可以获取预设的入侵检测数据的最大长度max_len以及预设的量子个数n，当获取到预设的入侵检测数据的最大长度max_len以及量子个数n之后，可以根据入侵检测数据的最大长度max_len以及量子个数n对符号数据进行第一编码，即，对符号数据进行第一编码，将其编码为维度为[max_len,n]的初始编码数据Xi。其中，n≤q，q为输入量子模拟电路中线路条数；第一编码的方式可以为独热编码，也可以为目标编码，在本示例实施例中对第一编码的方式不做具体限定。
进一步的，当将入侵检测数据中的符号数据编码为维度为[max_len,n]的初始编码数据Xi之后，由于该初始编码数据Xi为传统经典数据，量子模拟电路无法对该初始编码数据Xi进行识别，因此，可以对初始编码数据Xi进行再次编码，得到量子模拟电路可以识别的数据，参考图3所示，对初始编码数据进行第二编码，得到位置编码向量，可以包括步骤S310以及步骤S320：
步骤S310.对所述初始编码数据在X轴方向上进行角度编码，得到角度编码向量；
步骤S320.对所述角度编码向量进行位置编码，得到所述位置编码向量。
以下，将对步骤S310、步骤S320进行进一步的解释以及说明。具体的，首先，对初始编码数据Xi在X轴方向上进行角度编码，该X轴为球坐标系中的X轴，得到角度编码向量|RXi>，在进行角度编码时，可以根据等式(1)进行编码
其中，表示Rx(Xi)相乘，Rx为角度编码的函数，/>然后，在角度编码向量RXi的基础上进行位置编码，得到位置编码向量PXi；在进行位置编码时，可以根据任一符号数据在入侵检测数据中的位置对该与该符号数据对应的角度编码向量RXi进行位置编码，可以参考等式(2)进行位置编码
其中，pos为任一符号数据在入侵检测数据中的位置，当任一符号数据在入侵检测数据中的位置为偶数时，可以通过进行位置编码，当任一符号数据在入侵检测数据中的位置为奇数时，可以通过/>进行位置编码。
在步骤S120中，构建输入量子模拟电路，通过所述输入量子模拟电路生成自注意力层，将所述位置编码向量输入至所述自注意力层，得到目标编码数据。
在本示例实施例中，当将入侵检测数据中的符号数据编码为位置编码向量之后，为了保证检测系统的安全性，可以构建输入量子模拟电路，并基于输入量子模拟电路生成自注意力层，参考图4所示，构建输入量子模拟电路，可以包括步骤S410-步骤S430：
步骤S410.在所述输入量子模拟电路中的每一条线路上增加位置编码向量的自旋操作；
步骤S420.获取预设线路差，基于所述预设线路差值，在线路之间建立门，并为所述每一条线路进行Z轴旋转，生成输入量子模拟电路；
步骤S430.通过所述输入量子模拟电路，初始化所述输入量子模拟电路的权重矩阵，其中，权重矩阵中包括：电路层数以及线路条数。
以下，将对步骤S410-步骤S430进行进一步的解释以及说明。具体的，设置输入量子模拟电路中的线路数q，该线路数q≥n；然后，在输入量子模拟电路中的每条线路上增加位置编码向量的自旋操作ROT，在对位置编码向量进行自旋操作之后，在(i,(i+r)mod q)的两条线路之间建立异或门，r为线路差，对进行过自旋操作的位置编码向量进行异或计算，通过异或计算之后，在每条线路上对进行完异或计算的位置编码向量在Z轴上旋转π，其中，该Z轴为球坐标系中的Z轴，至此生成输入量子模拟电路。当生成输入量子模拟电路之后，可以根据生成的输入量子模拟电路，初始化输入量子模拟电路的权重矩阵(l,q,3)，其中，l为输入量子模拟电路中的电路层数，q为线路条数，可以通过后续的训练，确定l、q的具体数值。其中，自旋操作可以参考等式(3)
当q＝4,l＝2,r＝[1,2]时，生成的输入量子模拟电路如图5中的电路，其中，线路条数为4，电路层数为2，即，图5所示的输入量子模拟电路是由2组电路构成，在第1组模拟电路中，线路差r＝1，在第2组模拟电路中，线路差r＝2，图5中在每条线路最后的<Z>，表示在Z轴方向进行旋转。
在本示例实施例中，当构建好输入量子模拟电路之后，可以基于该输入量子模拟电路生成自注意力层，参考图6所示，通过输入量子模拟电路生成自注意力层，将位置编码向量输入至自注意力层，得到目标编码数据，可以包括步骤S610-步骤S630：
步骤S610.通过多个所述输入量子模拟电路作为所述自注意力层的第一层，通过所述第一层，得到多个第一编码数据；
步骤S620.将融合层作为所述自注意力层的第二层，通过所述第二层对多个所述第一编码数据进行融合，得到第二编码数据；
步骤S630.在所述自注意力层的第三层中包括一个输入模拟电路，将所述第二编码数据输入至所述第三层的输入量子模拟电路中，得到所述目标编码数据。
以下，将对步骤S610-步骤S630进行进一步的解释以及说明。具体的，在自注意力模型中可以包括三层，第一层中包括多个输入量子模拟电路，输入为多个位置编码向量，输出为多个第一编码数据；第二层为融合层，主要对第一层输出的多个第一编码数据进行融合，输出一个第二编码数据；第三层中包括一个输入量子模拟电路，其输入为第二编码数据，输出为目标编码数据。在第二层中，对第一层输出的多个第一编码数据进行融合时，可以直接对多个第一编码数据在统一维度进行拼接，也可以为其他融合方式，在本示例实施例中对此不做具体限定。当得到目标编码数据，可以将目标编码输入作为目标检测网络的输入数据，将该目标编码数据输入至目标检测网络中，得到检测结果。参考图7所述，当第一层中包括3个输入量子模拟电路时，生成的自注意力层如图7所示，q1_layer，q2_layer，q3_layer，分别为第一层中的三个输入量子模拟电路，qc_layer为第三层中的输入量子模拟电路。
在步骤S130中，构建分类量子模拟电路，通过所述分类量子模拟电路生成检测网络，对所述检测网络进行训练，得到目标检测网络。
在本示例实施例中，为了实现对入侵检测数据的检测，需要构建检测模型，该检测模型主要是由分类量子模拟电路构成的，参考图8所示，构建分类量子模拟电路，可以包括步骤S810-步骤S830：
步骤S810.在所述分类量子模拟电路的每一条线路上增加角度编码以及X轴自旋操作；
步骤S820.获取第一预设线路差，基于所述第一预设线路差，在线路之间建立门，并对每一条线路进行Z轴旋转，生成所述分类量子模拟电路；
步骤S830.通过生成的所述分类量子模拟电路，初始化所述分类量子模拟电路的权重矩阵。
以下，将对步骤S810-步骤S830进行进一步的解释以及说明。具体的，首先，设置分类量子模拟电路中的线路数q；然后，在分类量子模拟电路中的每一条线路上先设置角度编码，对进行完角度编码的数据进行X轴自旋操作；接着，根据线路差，在不同的线路之间建立异或门；最后，对于每一条线路上的数据进行Z轴旋转，可以在Z轴上旋转π，以生成分类量子模拟电路。在生成分类量子模拟电路之后，可以根据生成的分类量子模拟电路，初始化分类量子模拟电路的权重矩阵(l′,q)，其中，l′为分类量子模拟电路中的电路层数。其中，自选操作可以参考等式(4)
当l′＝1,q＝4,r＝1时，生成的分类量子模拟电路如图9中的电路，其中，线路条数为4，电路层数为1，线路差r＝1，在每条线路最后的<Z>，表示在Z轴方向进行旋转。
在本示例实施例中，当构建完分类量子模拟电路之后，可以根据分类量子模拟电路生成检测网络。参考图10所示，通过分类量子模拟电路生成检测网络，对检测网络进行训练，得到目标检测网络，可以包括步骤S1010-步骤S1030：
步骤S1010.通过线性激活层以及所述分类量子模拟电路，生成所述检测网络；
步骤S1020.利用训练数据对所述检测网络进行训练，在确定所述检测网络收敛时，获取对应的参数；
步骤S1030.通过所述参数，得到所述目标检测网络。
以下，将对步骤S1010-步骤S1030进行进一步的解释以及说明。具体的，当得到分类量子模拟电路之后，可以利用线性激活层以及构建得到的分类量子模拟电路生成检测网络，即，在该检测网络中，参考图11所示，首先，是第一线性激活层，对输入的目标编码数据进行线性变换，然后，将经过线性变换的目标编码数据输入至分类量子模拟电路中，将该分类量子模拟电路中的输出，输入至第二线性激活层，再次进行线性变换。当根据分类量子模拟电路生成检测网络后，可以对该检测网络进行训练，其中，可以将二分类的损失函数作为该检测网络的损失函数，该损失函数可以为二值交叉熵损失，也可以为二值交叉对数损失，在本示例实施例中对损失函数不做具体限定。当检测模型收敛时，可以得到输入量子模拟电路以及分类量子模拟电路中的参数，通过得到的参数，得到目标检测网络。
在步骤S140中，将所述目标输入数据输入至所述目标检测网络，得到所述入侵检测数据的检测结果。
在本示例实施例中，当得到目标检测网络之后，可以将自注意力层生成的目标编码数据输入至该目标检测网络中，得到检测结果，并根据该检测结果判断入侵检测数据是否为入侵数据。
本公开示例实施例提供的网络入侵检测方法至少具有以下优点：一方面，当获取到入侵检测数据之后，对入侵检测数据进行编码，得到位置编码向量，然后，构建输入量子模拟电路以及分类量子模拟电路，通过输入量子模拟电路生成自注意力层，通过分类量子模拟电路生成目标检测网络，通过该自注意力层得到目标输入数据，将该目标输入数据输入至目标检测网络中，得到检测结果，解决了相关技术中通过传统神经网络进行检测时，需要大量的神经元导致网络规模较大的问题，简化了网络规模，提高了网络入侵检测的效率；另一方面，基于分类量子模拟电路生成的目标检测网络，在保证安全性的前提下，提高了数据处理量，同时提高了系统的可扩展性以及鲁棒性。
本公开示例实施例还提供了一种网络入侵检测装置，参考图12所示，可以包括：符号数据编码模块1210、目标编码数据生成模块1220、检测网络构建模块1230以及检测结果获取模块1240。其中：
符号数据编码模块1210，用于获取入侵检测数据，确定所述入侵检测数据中包括的符号数据，对所述符号数据进行第一编码，得到初始编码数据，对所述初始编码数据进行第二编码，得到位置编码向量；
目标编码数据生成模块1220，用于构建输入量子模拟电路，通过所述输入量子模拟电路生成自注意力层，将所述位置编码向量输入至所述自注意力层，得到目标编码数据；
检测网络构建模块1230，用于构建分类量子模拟电路，通过所述分类量子模拟电路生成检测网络，对所述检测网络进行训练，得到目标检测网络；
检测结果获取模块1240，用于将所述目标编码数据输入至所述目标检测网络，得到所述入侵检测数据的检测结果。
上述网络入侵检测装置中各模块的具体细节已经在对应的网络入侵检测方法中进行了详细的描述，因此此处不再赘述。
在本公开的一种示例性实施例中，对所述符号数据进行第一编码，得到初始编码数据，包括：
获取所述入侵检测数据的最大长度以及量子个数；
根据所述入侵检测数据的最大长度以及所述量子个数，对所述符号数据进行第一编码，得到初始编码数据。
在本公开的一种示例性实施例中，对所述初始编码数据进行第二编码，得到位置编码向量，包括：
对所述初始编码数据在X轴方向上进行角度编码，得到角度编码向量；
对所述角度编码向量进行位置编码，得到所述位置编码向量。
在本公开的一种示例性实施例中，构建输入量子模拟电路，包括：
在所述输入量子模拟电路中的每一条线路上增加位置编码向量的自旋操作；
获取预设线路差，基于所述预设线路差值，在线路之间建立门，并为所述每一条线路进行Z轴旋转，生成输入量子模拟电路；
通过所述输入量子模拟电路，初始化所述输入量子模拟电路的权重矩阵，其中，权重矩阵中包括：电路层数以及线路条数。
在本公开的一种示例性实施例中，通过所述输入量子模拟电路生成自注意力层，将所述位置编码向量输入至所述自注意力层，得到目标编码数据，包括：
通过多个所述输入量子模拟电路作为所述自注意力层的第一层，通过所述第一层，得到多个第一编码数据；
将融合层作为所述自注意力层的第二层，通过所述第二层对多个所述第一编码数据进行融合，得到第二编码数据；
在所述自注意力层的第三层中包括一个输入模拟电路，将所述第二编码数据输入至所述第三层的输入量子模拟电路中，得到所述目标编码数据。
在本公开的一种示例性实施例中，构建分类量子模拟电路，包括：
在所述分类量子模拟电路的每一条线路上增加角度编码以及X轴自旋操作；
获取第一预设线路差，基于所述第一预设线路差，在线路之间建立门，并对每一条线路进行Z轴旋转，生成所述分类量子模拟电路；
通过生成的所述分类量子模拟电路，初始化所述分类量子模拟电路的权重矩阵。
在本公开的一种示例性实施例中，通过所述分类量子模拟电路生成检测网络，对所述检测网络进行训练，得到目标检测网络，包括：
通过线性激活层以及所述分类量子模拟电路，生成所述检测网络；
利用训练数据对所述检测网络进行训练，在确定所述检测网络收敛时，获取对应的参数；
通过所述参数，得到所述目标检测网络。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图13来描述根据本公开的这种实施方式的电子设备1300。图13显示的电子设备1300仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图13所示，电子设备1300以通用计算设备的形式表现。电子设备1200的组件可以包括但不限于：上述至少一个处理单元1310、上述至少一个存储单元1320、连接不同系统组件(包括存储单元1320和处理单元1310)的总线1330以及显示单元1340。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1310执行，使得所述处理单元1310执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元1310可以执行如图1中所示的步骤S110：获取入侵检测数据，确定所述入侵检测数据中包括的符号数据，对所述符号数据进行第一编码，得到初始编码数据，对所述初始编码数据进行第二编码，得到位置编码向量；S120：构建输入量子模拟电路，通过所述输入量子模拟电路生成自注意力层，将所述位置编码向量输入至所述自注意力层，得到目标编码数据；S130：构建分类量子模拟电路，通过所述分类量子模拟电路生成检测网络，对所述检测网络进行训练，得到目标检测网络；S140：将所述目标编码数据输入至所述目标检测网络，得到所述入侵检测数据的检测结果。
存储单元1320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)13201和/或高速缓存存储单元13202，还可以进一步包括只读存储单元(ROM)13203。
存储单元1320还可以包括具有一组(至少一个)程序模块13205的程序/实用工具13204，这样的程序模块13205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1300也可以与一个或多个外部设备1400(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1300交互的设备通信，和/或与使得该电子设备1300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1350进行。并且，电子设备1300还可以通过网络适配器1360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1360通过总线1330与电子设备1300的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
根据本公开的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种网络入侵检测方法，其特征在于，包括：
获取入侵检测数据，确定所述入侵检测数据中包括的符号数据，对所述符号数据进行第一编码，得到初始编码数据，对所述初始编码数据进行角度编码以及位置编码，得到位置编码向量；
在输入量子模拟电路中的每一条线路上增加所述位置编码向量的自旋操作；获取预设线路差，基于所述预设线路差值，在线路之间建立门，并为所述每一条线路进行Z轴旋转，生成所述输入量子模拟电路，通过所述输入量子模拟电路生成自注意力层，将所述位置编码向量输入至所述自注意力层，得到目标编码数据；
在分类量子模拟电路的每一条线路上增加角度编码以及X轴自旋操作；获取第一预设线路差，基于所述第一预设线路差，在线路之间建立门，并对每一条线路进行Z轴旋转，生成所述分类量子模拟电路，通过所述分类量子模拟电路生成检测网络，对所述检测网络进行训练，得到目标检测网络；
将所述目标编码数据输入至所述目标检测网络，得到所述入侵检测数据的检测结果。
2.根据权利要求1所述的网络入侵检测方法，其特征在于，对所述符号数据进行第一编码，得到初始编码数据，包括：
获取所述入侵检测数据的最大长度以及量子个数；
根据所述入侵检测数据的最大长度以及所述量子个数，对所述符号数据进行第一编码，得到初始编码数据。
3.根据权利要求1所述的网络入侵检测方法，其特征在于，对所述初始编码数据进行角度编码以及位置编码，得到位置编码向量，包括：
对所述初始编码数据在X轴方向上进行角度编码，得到角度编码向量；
对所述角度编码向量进行位置编码，得到所述位置编码向量。
4.根据权利要求1所述的网络入侵检测方法，其特征在于，在生成所述输入量子模拟电路之后，所述方法还包括：
通过所述输入量子模拟电路，初始化所述输入量子模拟电路的权重矩阵，其中，权重矩阵中包括：电路层数以及线路条数。
5.根据权利要求4所述的网络入侵检测方法，其特征在于，通过所述输入量子模拟电路生成自注意力层，将所述位置编码向量输入至所述自注意力层，得到目标编码数据，包括：
通过多个所述输入量子模拟电路作为所述自注意力层的第一层，通过所述第一层，得到多个第一编码数据；
将融合层作为所述自注意力层的第二层，通过所述第二层对多个所述第一编码数据进行融合，得到第二编码数据；
在所述自注意力层的第三层中包括一个输入模拟电路，将所述第二编码数据输入至所述第三层的输入量子模拟电路中，得到所述目标编码数据。
6.根据权利要求1所述的网络入侵检测方法，其特征在于，在生成所述分类量子模拟电路之后，所述方法还包括：
通过生成的所述分类量子模拟电路，初始化所述分类量子模拟电路的权重矩阵。
7.根据权利要求6所述的网络入侵检测方法，其特征在于，通过所述分类量子模拟电路生成检测网络，对所述检测网络进行训练，得到目标检测网络，包括：
通过线性激活层以及所述分类量子模拟电路，生成所述检测网络；
利用训练数据对所述检测网络进行训练，在确定所述检测网络收敛时，获取对应的参数；
通过所述参数，得到所述目标检测网络。
8.一种网络入侵检测装置，其特征在于，包括：
符号数据编码模块，用于获取入侵检测数据，确定所述入侵检测数据中包括的符号数据，对所述符号数据进行第一编码，得到初始编码数据，对所述初始编码数据进行角度编码以及位置编码，得到位置编码向量；
目标编码数据生成模块，用于在输入量子模拟电路中的每一条线路上增加所述位置编码向量的自旋操作；获取预设线路差，基于所述预设线路差值，在线路之间建立门，并为所述每一条线路进行Z轴旋转，生成所述输入量子模拟电路，通过所述输入量子模拟电路生成自注意力层，将所述位置编码向量输入至所述自注意力层，得到目标编码数据；
检测网络构建模块，用于在分类量子模拟电路的每一条线路上增加角度编码以及X轴自旋操作；获取第一预设线路差，基于所述第一预设线路差，在线路之间建立门，并对每一条线路进行Z轴旋转，生成所述分类量子模拟电路，通过所述分类量子模拟电路生成检测网络，对所述检测网络进行训练，得到目标检测网络；
检测结果获取模块，用于将所述目标编码数据输入至所述目标检测网络，得到所述入侵检测数据的检测结果。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的网络入侵检测方法。
10.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的网络入侵检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210774834.2A CN115062721B (zh) | 2022-07-01 | 2022-07-01 | 网络入侵检测方法和装置、计算机可读介质、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210774834.2A CN115062721B (zh) | 2022-07-01 | 2022-07-01 | 网络入侵检测方法和装置、计算机可读介质、电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115062721A CN115062721A (zh) | 2022-09-16 |
| CN115062721B true CN115062721B (zh) | 2023-10-31 |
Family
ID=83203513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210774834.2A Active CN115062721B (zh) | 2022-07-01 | 2022-07-01 | 网络入侵检测方法和装置、计算机可读介质、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115062721B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256651A (zh) * | 2013-06-28 | 2018-07-06 | D-波系统公司 | 用于对数据进行量子处理的方法 |
| CN108734299A (zh) * | 2017-04-19 | 2018-11-02 | 埃森哲环球解决方案有限公司 | 量子计算机器学习模块 |
| CN111524118A (zh) * | 2020-04-22 | 2020-08-11 | 广东电网有限责任公司东莞供电局 | 变压器的运行状态检测方法、装置、计算机设备和存储介质 |
| CN112087442A (zh) * | 2020-09-03 | 2020-12-15 | 北京交通大学 | 基于注意力机制的时序相关网络入侵检测方法 |
| CN114048468A (zh) * | 2021-11-19 | 2022-02-15 | 北京天融信网络安全技术有限公司 | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 |
| CN114219076A (zh) * | 2021-12-15 | 2022-03-22 | 北京百度网讯科技有限公司 | 量子神经网络训练方法及装置、电子设备和介质 |
| CN114330544A (zh) * | 2021-12-28 | 2022-04-12 | 国网冀北电力有限公司信息通信分公司 | 一种业务流量异常检测模型建立方法及异常检测方法 |
| CN114445909A (zh) * | 2021-12-24 | 2022-05-06 | 深圳市大数据研究院 | 线索语自动识别模型训练方法、装置、存储介质及设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220059200A1 (en) * | 2020-08-21 | 2022-02-24 | Washington University | Deep-learning systems and methods for medical report generation and anomaly detection |
| EP4244767A1 (en) * | 2020-11-16 | 2023-09-20 | Umnai Limited | Method for an explainable autoencoder and an explainable generative adversarial network |
-
2022
- 2022-07-01 CN CN202210774834.2A patent/CN115062721B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256651A (zh) * | 2013-06-28 | 2018-07-06 | D-波系统公司 | 用于对数据进行量子处理的方法 |
| CN108734299A (zh) * | 2017-04-19 | 2018-11-02 | 埃森哲环球解决方案有限公司 | 量子计算机器学习模块 |
| CN111524118A (zh) * | 2020-04-22 | 2020-08-11 | 广东电网有限责任公司东莞供电局 | 变压器的运行状态检测方法、装置、计算机设备和存储介质 |
| CN112087442A (zh) * | 2020-09-03 | 2020-12-15 | 北京交通大学 | 基于注意力机制的时序相关网络入侵检测方法 |
| CN114048468A (zh) * | 2021-11-19 | 2022-02-15 | 北京天融信网络安全技术有限公司 | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 |
| CN114219076A (zh) * | 2021-12-15 | 2022-03-22 | 北京百度网讯科技有限公司 | 量子神经网络训练方法及装置、电子设备和介质 |
| CN114445909A (zh) * | 2021-12-24 | 2022-05-06 | 深圳市大数据研究院 | 线索语自动识别模型训练方法、装置、存储介质及设备 |
| CN114330544A (zh) * | 2021-12-28 | 2022-04-12 | 国网冀北电力有限公司信息通信分公司 | 一种业务流量异常检测模型建立方法及异常检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| IP测控网流量监控与分析系统的设计与实现;谢文杰;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第4期);I139-32 * |
| Quantum-inspired ant lion optimized hybrid k-means for cluster analysis and intrusion detection;Chen J等;《Knowledge-Based Systems》;第203卷(第1期);1-10 * |
| 变分自编码器和注意力机制的异常入侵检测方法;施媛波;《重庆邮电大学学报(自然科学版)》;第34卷(第6期);1071-1078 * |
| 基于北斗RDSS的核辐射监测应急通讯方法;王廷银等;《计算机系统应用》(第12期);252-256 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115062721A (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200349052A1 (en) | Representing source code in vector space to detect errors | |
| CN110119643A (zh) | 二维码生成方法及装置、二维码识别方法及装置 | |
| US10599975B2 (en) | Scalable parameter encoding of artificial neural networks obtained via an evolutionary process | |
| CN112232513A (zh) | 一种量子态的制备方法及装置 | |
| CN112633507A (zh) | 一种将复向量编码到量子线路的方法及装置 | |
| US20230014105A1 (en) | Image description generation method, apparatus and system, and medium and electronic device | |
| CN116578684A (zh) | 基于知识图谱的问答方法、装置以及相关设备 | |
| CN113922968A (zh) | 访问令牌的生成及校验方法、装置、电子设备和存储介质 | |
| CN113222161A (zh) | 一种自定义量子逻辑门的实现方法、装置 | |
| CN114819163A (zh) | 量子生成对抗网络的训练方法、装置、介质及电子装置 | |
| CN115062721B (zh) | 网络入侵检测方法和装置、计算机可读介质、电子设备 | |
| CN116991621A (zh) | 故障原因提取方法及装置、存储介质及电子设备 | |
| CN116136970B (zh) | 稳定子校验线路构建方法、量子纠错解码方法及相关设备 | |
| CN114745104A (zh) | 基于多维量子纠错的消除噪声干扰的信息传输方法 | |
| CN114443824A (zh) | 数据处理方法、装置、电子设备及计算机存储介质 | |
| CN115983392A (zh) | 量子程序映射关系的确定方法、装置、介质及电子装置 | |
| CN117409486B (zh) | 基于视觉的动作生成方法、装置、电子设备及存储介质 | |
| Kim et al. | [Retracted] Method for Quantum Denoisers Using Convolutional Neural Network | |
| CN115545110B (zh) | 生成对抗网络的高分辨率数据重构方法及相关方法和设备 | |
| CN115600216B (zh) | 检测方法、装置、设备及存储介质 | |
| CN115063536B (zh) | 图像生成方法、装置、电子设备及计算机可读存储介质 | |
| CN116136971B (zh) | 量子纠错解码方法及相关设备 | |
| CN116137536B (zh) | 稳定子校验线路构建方法、量子纠错解码方法及相关设备 | |
| CN117131424B (zh) | 一种训练方法、流量检测方法、装置、设备及介质 | |
| CN113780518B (zh) | 网络架构优化方法、终端设备及计算机可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |