量子启发入侵检测没有通吃冠军：五个数据集上，第一名随流量环境换人
核心概要
量子启发的入侵检测常以单个高分示人，但换一个数据划分、预处理流程或部署预算，结论是否还成立并不清楚。Q-IDS Bench 在五个网络与物联网数据集上，用同一套防泄漏流程和五个随机种子评测九种量子启发配置，全部在经典硬件上运行。最佳加权 F1 落在 98.86% 至 99.95% 之间，但领先架构随数据集变化，按五数据集平均，第一名与第九名只差约 1.13 个百分点。
深度剖析
入侵检测模型的排名会随流量数据集改变，没有一个配置在五个数据集上同时领先。 此前这类量子启发检测器多以单个数据集上的最高分呈现，难以判断换一个划分或预处理流程后结论是否还成立。 在 CIC-IDS-2017 上 QRandomForest 以 99.01% 加权 F1 领先，NSL-KDD 上 QSVM 达到 99.95%，UNSW-NB15 上 QCNN Standalone 为 99.34%，CICIoT2023 与 CSE-CIC-IDS2018 上均由 QXGBoost 以 99.29% 和 98.86% 领先。
按五个数据集平均，九种配置的加权 F1 差距很小，模型选择更像工程取舍而非统计上的明显优胜。 单看某个数据集的高分，会掩盖各配置在跨数据集平均上的接近程度。 QSVM 以 98.38% 的平均加权 F1 排第一，Quantum LSTM+Attention 为 98.21%，QXGBoost 为 98.12%，QCNN Standalone 为 98.11%，第一名与第九名之间只差约 1.13 个百分点。
每个模型先在训练集上拟合预处理，再在留出测试集上评估，同一流程贯穿全部模型与数据集组合。 若在完整数据上拟合缩放、特征选择或 PCA，测试分布的信息会渗入学到的表示。 缺失值处理、类别编码、缩放、特征选择与 PCA 只在训练分区上拟合，随后原样用于验证与测试；每个实验用种子 42、123、2024、2025、777 重复五次，神经配置训练十个 epoch，并按验证集选择检查点或判定阈值。
预测分数最高的配置不一定在误报率和推理延迟上同样占优。 只按 F1 排序无法反映部署时对误报与响应时间的要求。 NSL-KDD 上最佳配置以 0.0802 毫秒/样本的模型侧延迟取得 99.95% 加权 F1，而 CICIoT2023 上最佳配置以 0.0046 毫秒/样本取得 99.29%；这些数值只是模型侧推理时间，不含端到端网络响应。
启示与展望
评测范围是五个网络与物联网数据集上的九种量子启发配置，全部在经典硬件上运行，不含量子比特、量子后端或硬件电路执行；报告的是模型侧推理延迟，不含数据采集、特征提取、传输与告警响应。
作者说明当前模型是量子启发的经典实现，真正的量子机器学习仍需单独评测并报告量子比特数、编码方式、线路深度、采样次数、后端与噪声模型；五个数据集在年代、生成过程、特征模式与划分策略上不同，数据集内的强结果不证明跨域迁移；循环类模型处理的是表格向量而非真实的主机或会话序列；混淆矩阵计数由汇总比率重建，而非直接来自保存的逐样本预测。