Unified hybrid quantum classical neural network framework for detecting distributed denial of service and Android mobile malware attacks
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
Abstract The rise of advanced networking and mobile technologies has improved flexibility in Software Defined Networking (SDN) management and mobile ecosystems but it has also introduced vulnerabilities like Distributed Denial of Service (DDoS) attacks and Android malware. In this research, we propose a Hybrid Quantum Classical Neural Network (HQCNN) framework that operates with a Dressed Quantum Circuit (DQC) to achieve efficient detection and classification of threats. The input pipeline of the HQCNN integrates Wavelet Transforms based feature pre-processing, Convolutional Neural Network based feature extraction, Linear Discriminant Analysis (LDA) for dimensionality reduction, and quantum layers for enhanced classification with less computational complexity. Experiments were conducted on the SDN DDoS Attack Dataset and the CCCS-CIC-AndMal2020 Static Dataset. Two different model variants were devised for binary and multiclass classification problems addressing various cybersecurity issues. The binary HQCNN model for SDN-based DDoS detection was implemented on AWS Braket’s real Quantum Processing Unit (QPU), achieving 99.86% accuracy, 99.85% precision, 100% recall, and a 99.88% F1-score, thereby outperforming the classical Convolutional Neural Network (CNN). The multiclass HQCNN, on the other hand, attains accuracy of 93.56%, 94.38%, and 95.13% on the 15-class, 14-class, and 12-class versions of CCCS-CIC-AndMal2020 Static, respectively, hence outperforms all existing methods. These results show that HQCNN is efficient, scalable, and very much applicable in cybersecurity, validating its real-world use effectiveness applicability in threat detection.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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