A Privacy-Preserving Framework for Efficient Network Intrusion Detection in Consumer Network Using Quantum Federated Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The proliferation of consumer networks has increased vulnerabilities to network intrusions, emphasizing the critical need for robust intrusion detection systems (IDS). The data-driven Artificial Intelligence (AI) approach has gained attention for enhancing IDS capabilities to deal with emerging security threats. However, these AI-based IDS face challenges in scalability and privacy preservation. More importantly, they are time-consuming and may perform poorly on high-dimensional and complex data due to the lack of computational resources. To address these shortcomings, in this paper, we introduce a novel framework, called Quantum Federated Learning IDS (QFL-IDS), that merges Quantum Computing (QC) with Federated Learning (FL) to allow for an efficient, robust, and privacy-preserving approach for detecting network intrusions in consumer networks. Leveraging the decentralized nature of FL, QFL-IDS enables multiple consumer devices to collaboratively train a global intrusion detection model while preserving the privacy of individual user data. Furthermore, we leverage the computational power of quantum computing to improve the efficiency of model training and inference processes. We demonstrate the efficacy of our framework through extensive experiments. The obtained results show significant improvements in detection accuracy and computational efficiency compared to the current traditional centralized and federated learning approaches. This makes QFL-IDS a promising framework to cope with the new emerging security threats in a timely and effective manner.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle