Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > quant-ph > arXiv:2507.00403

帮助 | 高级搜索

量子物理

arXiv:2507.00403 (quant-ph)
[提交于 2025年7月1日 ]

标题: 量子贝叶斯推理与支持向量状态用于入侵检测

标题: Quantum Bayesian inference with Suport vector states for intrusion detection

Authors:Nayema Mridha, Garrv Sipani, Eva R Gaarder, Shah Haque, Radhika Kuttala, Binay P Akhouri, Mohamad M Al Zein, Eric Howard
摘要: 我们提出一种用于入侵检测的量子贝叶斯推断方法,使用显式构建的量子电路和状态向量模拟。 先验概率和条件概率通过酉门进行编码,后验分布通过符号后选择提取。 应用于包含网络尖峰、系统漏洞和误报的情景中,该方法产生与因果结构一致的联合、边缘和条件概率。 我们的结果展示了量子原生推断在信息安全应用中的可行性和可解释性。
摘要: We present a quantum Bayesian inference method for intrusion detection, using explicitly constructed quantum circuits and statevector simulation. Prior and conditional probabilities are encoded via unitary gates, and posterior distributions are extracted through symbolic post-selection. Applied to a scenario with network spikes, system vulnerabilities, and false alarms, the method yields joint, marginal, and conditional probabilities aligned with causal structure. Our results demonstrate the feasibility and interpretability of quantum-native inference for information security applications
评论: 20页,10图
主题: 量子物理 (quant-ph)
引用方式: arXiv:2507.00403 [quant-ph]
  (或者 arXiv:2507.00403v1 [quant-ph] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.00403
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Eric M Howard PhD [查看电子邮件]
[v1] 星期二, 2025 年 7 月 1 日 03:41:04 UTC (196 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
quant-ph
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号