在过去的几十年里，网络攻击者越来越擅长破坏系统和规避安全措施。因此，检测和准确识别恶意软件是全球许多企业和个人面临的紧迫挑战。

网络安全专家最近一直在探索机器学习技术的潜力，用于对恶意软件进行分类，并确定应采取哪些措施来消除它。虽然其中一些技术取得了有希望的结果，但研究表明，其中许多技术可能会被愚弄或无法准确识别他们以前从未遇到过的恶意软件。

为了确定更可靠的恶意软件分类方法，Orange Innovation Inc.的研究人员最近进行了一项研究，评估了机器学习算法量子版本的潜力。他们的论文预先发表在arXiv上，对两种类型的量子机器学习模型的优势和局限性提供了一些初步见解，概述了未来网络安全研究中可以探索的方向。

“自2019年以来，我一直在努力使用人工智能进行恶意软件分析，”该论文的合著者Tony Quertier告诉Tech Xplore。“与Grégoire Barrué一起，他于十月份开始了他的博士后研究，我们想探索量子技术可以为这个问题带来什么。由于我们都在两个互补的领域拥有数学背景，我们希望能够利用我们的理论知识来理解这个主题。

Quertier和Barrué认为，量子机器学习可以让用户从更少的数据中提取更多信息。为了在恶意软件分类的背景下测试这一假设，到目前为止，他们评估了两种不同的量子机器学习模型(称为QSVM和QNN)的性能。

“我们测试的第一个算法是一个简单的QSVM，它是量子支持向量机算法的改编，”Quertier解释说。“然后我们还测试了一个QNN，一个经典神经网络的量子适应。我们发现结果非常令人鼓舞，因为我们在很少的数据上训练了它们，目前使用了两种相当简单的优化方法(SPSB和数据重新上传)。

在他们进行的初步评估中，Quertier和Barrué发现QSVM算法取得了非常有希望的结果，在几个参数上超过了该团队的一些经典SVM的恶意软件分类。另一方面，QNN仅通过数据重新上传和使用称为SPSB的技术进行了优化，可以对恶意软件进行分类，准确率为87%。考虑到它也在有限的数据量上进行了训练，这是相当不错的。

“显然，这种准确性不如我们的经典算法版本，但是我们的经典版本是在1万数据上训练的，而这里我们只使用了1个样本，”Quertier说。“对于第一种方法，这超出了我们的预期。对我来说，最有趣的是量子机器学习技术从有限的训练数据中学习的能力。我们已经变得过于依赖拥有大量的数据和计算资源。但是，在某些领域，拥有大量数据并不容易。

Quertier和Barrué正在进行的研究工作的首要目标是优化算法，以便他们能够有效地从有限的数据中提取更多的信息。在接下来的研究中，他们计划探索其他量子版本的机器学习算法的潜力，例如量子卷积网络(QCCN)，同时还使用数学来优化和更好地分析可用数据。

“例如，李理论可以让我们识别参数的数量以实现过度参数化(当模型具有足够多的参数，以便费舍尔信息矩阵达到其最大秩，从而具有最大容量时)，甚至识别数据中的对称性并调整我们使用的量子门，”Quertier补充道。“2023 年 <> 月，一篇关于这个主题的博士论文将开始，将由丹尼尔·朱托(Daniel Juteau)指导，他是这种[类型]数学的专家。”