摘要
物联网（IoT）的迅速发展增加了大规模分布式拒绝服务（DDoS）攻击的风险。在高可用性的物联网环境中，误报和漏报的运营成本是不对称的，而传统的深度学习模型通常优化的是基于静态准确性的目标。为了解决这个问题，我们提出了CDRL-QNN，这是一个考虑成本并受混沌驱动的强化学习量子神经网络框架，其中参数化的量子电路作为深度Q网络（DQN）代理中的动作价值函数近似器。该框架通过奖励函数和基于样本的加权贝尔曼优化来纳入不对称的运营惩罚，同时使用基于逻辑映射的确定性扰动机制来促进在受限量子电路训练条件下的探索。在计算资源受限的CIC-DDoS2019数据集的一个子集上进行评估，该框架将漏报率从49降低到33，而误报率没有增加，召回率从0.9673提高到了0.9780，F1分数从0.9738提高到了0.9793，同时降低了运营成本。这些发现表明，在受限的实验条件下，混合量子表示可以集成到考虑成本的物联网入侵检测强化学习流程中。
