1.一种基于量子卷积神经网络的内部用户异常行为检测方法,其特征是:包括如下步骤:(1)数据预处理:从原始用户数据集中获取数据源,对其进行特征提取,根据行为域的指标体系筛选出定量和定性的指标数据,并对筛选出的指标数据进行归一化处理,得到训练样本;
(2)基于量子卷积神经网络构建内部用户异常行为检测建模:利用QCCNN将通常表示为多维数组的经典数据转化成量子状态,使用核函数将数组中的每个元素映射到单量子比特状态中,作为量子编码,其中核函数为:θ
输入一个大小为v×h矩阵A,设定的窗口大小为m×n,则第一个窗口位于A的左上角,即A然后下一个窗口向右滑动一个步幅值s,通常s选择为1,直到到达右边缘;接着,以相同的步幅值s向下跳到左侧样本的开头,并重复此过程,直到遍历整个样本;在卷积操作完成后,输出将是大小为量子卷积核使用公式(1)将形状为m×n的窗口映射到由N=m×n个量子比特组成的量子态|ψ计算后,使用可观察量
公式(4)是非线性的,因此在量子卷积层中,不需要像ReLU函数这样的附加非线性函数来显式引入非线性;从公式(4)中也可以清楚地看出,所需的最小量子比特数等于窗口大小;对于量子卷积层的下一个窗口,这些量子比特可以被重复使用;因此,只需要很少的量子比特便能够实现量子卷积操作;
使用参数化量子线路包含交错的单量子比特层和双量子比特层,参数化量子线路的总门操作数记为L,它与量子比特数N仅呈多项式关系,即L~poly(N)个门操作;双量子比特层由CNOT门组成,而单量子比特层由旋转Y门R使用R
(3)参数优化:采用的是PennyLane框架,通过不断的调整模型参数变量,使得模型的输出结果和实际的数据之间达到最佳的拟合程度,使用混合量子经典计算机自动导出混合量子-经典损失函数的梯度。
2.根据权利要求1所述的基于量子卷积神经网络的内部用户异常行为检测方法,其特征是:步骤(1)所述原始用户数据集中的数据包括多个不同的日志文件。
3.根据权利要求1所述的基于量子卷积神经网络的内部用户异常行为检测方法,其特征是:步骤(1)所述定量指标数据为数值化数据,以天为时间单位计算并统计频次特征。
4.根据权利要求1所述的基于量子卷积神经网络的内部用户异常行为检测方法,其特征是:步骤(1)所述定性指标数据为非数值化数据。
5.根据权利要求1所述的基于量子卷积神经网络的内部用户异常行为检测方法,其特征是:步骤(2)所述QCCNN,是先将样本数据进行量子卷积操作,并将计算结果保存;然后将量子卷积后的数据划分为训练集和测试集:
1)训练集:假设有一个样本集S={(x
2)测试集:与训练集相对应的也是K-way N-shot的数据量,测试集用来检验最终选择最优的模型的性能;
将数据集划分出训练集与测试集之后,经过一个全连接网络,然后通过一个激活函数,输出最终的分类结果;采用Sigmoid函数作为最后的激活函数,Sigmoid函数的表达式为:其中,S(z)的取值范围为(0,1)。