基于DeepInsight和混合量子卷积神经网络的DDoS攻击检测方法

doi:10.11772/j.issn.1001-9081.2025091091

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (10): 3233-3241.DOI: 10.11772/j.issn.1001-9081.2025091091

• 网络空间安全 • 上一篇

基于DeepInsight和混合量子卷积神经网络的DDoS攻击检测方法

李怀金¹^,², 张仕斌¹^,², 杨敏¹^,²()

^1.成都信息工程大学人工智能学院，成都 610225
^2.先进密码技术与系统安全四川省重点实验室（成都信息工程大学），成都 610225

收稿日期:2025-09-23 修回日期:2025-12-02 接受日期:2025-12-05 发布日期:2025-12-22 出版日期:2026-10-10
通讯作者: 杨敏
作者简介:李怀金（2000—），男，河南信阳人，硕士研究生，主要研究方向：量子深度学习、网络流量检测
张仕斌（1970—），男，重庆人，教授，博士，CCF高级会员，主要研究方向：量子计算、人工智能、区块链安全
基金资助:
成都市产业链协同创新项目（重大专项）(2023-XT00-00002-GX);先进密码技术与系统安全四川省重点实验室开放课题(SKLACSS-202404)

DDoS attack detection method based on DeepInsight and hybrid quantum convolutional neural network

Huaijin LI¹^,², Shibin ZHANG¹^,², Min YANG¹^,²()

^1.College of Artificial Intelligence，Chengdu University of Information Technology，Chengdu Sichuan 610225，China
^2.Advanced Cryptography and System Security Key Laboratory of Sichuan Province （Chengdu University of Information Technology），Chengdu Sichuan 610225，China

Received:2025-09-23 Revised:2025-12-02 Accepted:2025-12-05 Online:2025-12-22 Published:2026-10-10
Contact: Min YANG
About author:LI Huaijin， born in 2000， M. S. candidate. His research interests include quantum deep learning， network traffic detection.
ZHANG Shibin， born in 1970， Ph. D.， professor. His research interests include quantum computing， artificial intelligence， blockchain security.
Supported by:
This work is partially supported by Chengdu Industrial Chain Collaborative Innovation Project （Major Special Project）(2023-XT00-00002-GX);Open Project of Advanced Cryptography and System Security Key Laboratory of Sichuan Province(SKLACSS-202404)

摘要/Abstract

摘要：

分布式拒绝服务（DDoS）攻击因隐蔽性强、形式多变，仍是现代网络面临的主要威胁之一。随着物联网与云计算的发展，DDoS流量呈现突发性、异构性和快速演化等特点，导致传统检测方法在复杂攻击识别与样本不均衡等方面面临挑战。为了克服这些局限性，提出一种基于DeepInsight与经典?量子卷积神经网络（DI-C2Q-CNN）的DDoS攻击检测方法。首先，利用DeepInsight技术将多维时间序列网络流量数据智能映射为结构化灰度图像，通过显式重构特征间的空间关系，有助于提升攻击模式的可识别性。其次，构建融合经典卷积神经网络（CNN）与量子卷积模块的经典?量子卷积神经网络（C2Q-CNN）混合架构，结合量子叠加态的表征能力与高维特征映射能力，增强对图像特征的高阶表征以及复杂模式的学习能力，从而提升识别复杂网络攻击模式的能力。此外，为了缓解小样本和类别不平衡造成的训练瓶颈，引入迁移学习策略，提高模型的适应性和鲁棒性。实验结果表明，所提方法在UNSW-NB15数据集上即使在极端样本压缩和类别失衡条件下，仍优于支持向量机（SVM）和CNN-LSTM等主流模型，在DDoS攻击检测任务中展现出良好的性能与应用潜力。

关键词: 分布式拒绝服务, DeepInsight, 量子卷积神经网络, 迁移学习, 类别失衡

Abstract:

Distributed Denial of Service （DDoS） attacks remain one of the primary threats faced by modern networks due to their high stealthiness and polymorphism. With the development of the Internet of Things （IoT） and cloud computing， DDoS traffic exhibits characteristics such as suddenness， heterogeneity， and rapid evolution， posing challenges for traditional detection methods in complex attack identification and sample imbalance. To overcome these limitations， a DDoS detection method combining DeepInsight and Classical-to-Quantum Convolutional Neural Network （DI-C2Q-CNN） was proposed. First， DeepInsight technology was utilized to map multi-dimensional time-series network traffic data into structured grayscale images intelligently， and by reconstructing spatial relationships between features explicitly， the identifiability of attack patterns was enhanced. Second， a Classical-to-Quantum Convolutional Neural Network （C2Q-CNN） hybrid architecture was constructed， integrating classical Convolutional Neural Network （CNN） with quantum convolution modules. By leveraging the representational capability of quantum superposition states and high-dimensional feature mapping， the higher-order representation of image features and the ability to learn complex patterns were enhanced， thereby improving the capability to identify complex network attack patterns. Additionally， to address training bottlenecks caused by small samples and class imbalance， multiple transfer learning solutions were introduced to enhance model adaptability and robustness. Experimental results demonstrate that the proposed method outperforms mainstream models such as Support Vector Machine （SVM） and CNN-LSTM on the UNSW-NB15 dataset， even under extreme sample compression and class imbalance conditions， showing good performance and application potential in DDoS attack detection tasks.

Key words: Distributed Denial of Service (DDoS), DeepInsight, Quantum Convolutional Neural Network (QCNN), transfer learning, class imbalance

中图分类号:

TP393.08

李怀金, 张仕斌, 杨敏. 基于DeepInsight和混合量子卷积神经网络的DDoS攻击检测方法[J]. 计算机应用, 2026, 46(10): 3233-3241.

Huaijin LI, Shibin ZHANG, Min YANG. DDoS attack detection method based on DeepInsight and hybrid quantum convolutional neural network[J]. Journal of Computer Applications, 2026, 46(10): 3233-3241.

图/表 15

图1 基于DI-C2Q-CNN模型的DDoS攻击检测方法的整体架构

Fig. 1 Overall architecture of DDoS attack detection method based on DI-C2Q-CNN model

图2 网络流量数据预处理与DeepInsight图像转换的流程

Fig. 2 Flow of network traffic data preprocessing and DeepInsight image transformation

图3 QCNN的框架

Fig. 3 Framework of QCNN

图4 量子卷积层电路图

Fig. 4 Quantum convolution layer circuit diagram

图 5 量子池化层电路图

Fig. 5 Quantum pooling layer circuit diagram

图6 3种迁移学习方案

Fig. 6 Three transfer learning solutions

表1 实验中使用的UNSW-NB15数据集

Tab. 1 UNSW-NB15 dataset used in experiments

类型	数据集A样本数		数据集B样本数
类型	训练集A	测试集A	训练集B	测试集B
总计	3 000	1 500	2 500	1 250
正常	2 000	1 000	2 000	1 000
攻击	1 000	500	500	250

表2 DI-C2Q-CNN模型的训练参数

Tab. 2 Training parameters for DI-C2Q-CNN model

参数	批量大小	训练轮数	学习率	参数量	优化器
预训练CNN	64	20	0.001	821 899	Adam
QCNN	64	100	0.01	51	Adam

表3 3种迁移学习方案的检测结果 (%)

Tab. 3 Test results for three transfer learning solutions

方案	准确率	召回率	精确率	F1分数
方案1	89.33	93.00	91.17	92.07
方案2	93.06	95.70	94.00	94.84
方案3	96.06	98.70	95.54	97.09

图7 3种迁移学习方案的准确率比较

Fig. 7 Accuracy comparison of three transfer learning solutions

图8 3种迁移学习方案的损失值比较

Fig. 8 Loss value comparison of three transfer learning solutions

表4 DI-C2Q-CNN在不同数据集上的性能比较 (%)

Tab. 4 Performance comparison of DI-C2Q-CNN on different datasets

数据集	准确率	召回率	精确率	F1分数
数据集A	96.06	98.70	95.54	97.09
数据集B	94.00	99.80	93.18	96.37

图9 数据集A和B的混淆矩阵

Fig. 9 Confusion matrices for datasets A and B

表5 模块对有限数据下DDoS检测的影响 (%)

Tab. 5 Impact of modules on DDoS detection with limited data

方法	准确率	召回率	精确率	F1分数
方法A	94.47	97.03	94.60	95.80
方法B	85.80	86.00	94.00	89.92
方法C	94.73	89.79	95.00	92.32
方法D	94.07	95.23	95.90	95.57
方法E	96.06	98.70	95.54	97.09

表6 不同DDoS攻击检测方法的性能比较 (%)

Tab. 6 Performance comparison of different DDoS attack detection methods

方法	准确率	召回率	精确率	F1分数
SVM	91.73	94.20	93.45	93.82
RF	93.60	96.10	94.40	95.24
KNN	93.73	94.50	96.04	95.26
CNN	94.40	95.00	96.54	95.77
XGBoost	95.20	97.50	95.40	96.44
DNN	95.33	96.40	96.59	96.50
CNN-LSTM	95.13	97.54	95.10	96.30
CNN-BiLSTM^［29］	94.80	98.90	94.01	96.38
MHHPN^［30］	95.02	95.50	96.20	95.85
DI-C2Q-CNN	96.06	98.70	95.54	97.09

参考文献 30

[1]	Setitra M A， Fan M， Benkhaddra I， et al. DoS/DDoS attacks in software defined networks： current situation， challenges and future directions［J］. Computer Communications， 2024， 222： 77-96.
[2]	Cloudflare. DDoS threat report for 2025 Q1［R/OL］. （2025-04-29）［2025-11-22］..
[3]	Pakmehr A， AßMuth A， Taheri N， et al. DDoS attack detection techniques in IoT networks： a survey［J］. Cluster Computing， 2024， 27（10）： 14637-14668.
[4]	Farooq M， Khan M H. Signature-based intrusion detection system in wireless 6G IoT networks［J］. Journal on Internet of Things， 2022， 4（3）： 155-168.
[5]	Yerriswamy T， Murtugudde G. Signature-based traffic classification for DDoS attack detection and analysis of mitigation for DDoS attacks using programmable commodity switches［J］. International Journal of Performability Engineering， 2022， 18（7）： 529-536.
[6]	Golduzian A. Predict and prevent DDoS attacks using machine learning and statistical algorithms［PP/OL］. arXiv （2023-08-30）［2025-11-22］..
[7]	Babbar H， Rani S， Driss M. Effective DDoS attack detection in software-defined vehicular networks using statistical flow analysis and machine learning［J］. PLoS ONE， 2024， 19（12）： No.e0314695.
[8]	Hassan A I， El Reheem E A， Guirguis S K. An entropy and machine learning based approach for DDoS attacks detection in software defined networks［J］. Scientific Reports， 2024， 14： No.18159.
[9]	Zhang L， Bai Y， Xue T， et al. EfficientSTNet： a deep learning approach for multi-class DDoS detection［J］. IEEE Access， 2025， 13： 157587-157599.
[10]	Aktar S， Nur A Y. Towards DDoS attack detection using deep learning approach［J］. Computers and Security， 2023， 129： No.103251.
[11]	Alfatemi A， Rahouti M， Amin R， et al. Advancing DDoS attack detection： a synergistic approach using deep residual neural networks and synthetic oversampling［PP/OL］. arXiv （2024-01-06）［2025-11-22］..
[12]	Sharma A， Vans E， Shigemizu D， et al. DeepInsight： a methodology to transform a non-image data to an image for convolution neural network architecture［J］. Scientific Reports， 2019， 9： No.11399.
[13]	Alchieri L， Badalotti D， Bonardi P， et al. An introduction to quantum machine learning： from quantum logic to quantum deep learning［J］. Quantum Machine Intelligence， 2021， 3： No.28.
[14]	Hdaib M， Rajasegarar S， Pan L， et al. Quantum deep learning-based anomaly detection for enhanced network security［J］. Quantum Machine Intelligence， 2024， 6： No.26.
[15]	Koutný D， Ginés L， Moczała-Dusanowska M， et al. Deep learning of quantum entanglement from incomplete measurements［J］. Science Advances， 2023， 9（29）： No.eadd7131.
[16]	Cong I， Choi S， Lukin M D， et al. Quantum convolutional neural networks［J］. Nature Physics， 2019， 15（12）： 1273-1278.
[17]	Mehedi S T， Anwar A， Rahman Z， et al. Dependable intrusion detection system for IoT： a deep transfer learning based approach［J］. IEEE Transactions on Industrial Informatics， 2023， 19（1）： 1006-1017.
[18]	Yang L， Shami A. A transfer learning and optimized CNN based intrusion detection system for Internet of Vehicles［C］// ICC 2022. Piscataway： IEEE， 2022： 2774-2779.
[19]	Wang S， Balarezo J F， Kandeepan S， et al. Machine learning in network anomaly detection： a survey［J］. IEEE Access， 2021， 9： 152379-152396.
[20]	Dong S， Sarem M. DDoS attack detection method based on improved KNN with the degree of DDoS attack in software-defined networks［J］. IEEE Access， 2020， 8： 5039-5048.
[21]	Cao Y， Jiang H， Deng Y， et al. Detecting and mitigating DDoS attacks in SDN using spatial-temporal graph convolutional network［J］. IEEE Transactions on Dependable and Secure Computing， 2022， 19（6）： 3855-3872.
[22]	Bårli E M， Yazidi A， Viedma E H， et al. DoS and DDoS mitigation using variational autoencoders［J］. Computer Networks， 2021， 199： No.108399.
[23]	Li C， Yan Y， Lin W， et al. Enhancing cancer subtype classification through convolutional neural networks： a DeepInsight analysis of TCGA gene expression data［J］. Health Information Science and Systems， 2025， 13： No.33.
[24]	Kawahara D， Kishi M， Kadooka Y， et al. Integrating radiomics and gene expression by mapping on the image with improved DeepInsight for clear cell renal cell carcinoma［J］. Cancer Genetics， 2025， 292/293： 100-105.
[25]	Latif S， Boulila W， Koubaa A， et al. DTL-IDS： an optimized intrusion detection framework using deep transfer learning and genetic algorithm［J］. Journal of Network and Computer Applications， 2024， 221： No.103784.
[26]	Hur T， Kim L， Park D K. Quantum convolutional neural network for classical data classification［J］. Quantum Machine Intelligence， 2022， 4： No.3.
[27]	LeCun Y， Bottou L， Bengio Y， et al. Gradient-based learning applied to document recognition［J］. Proceedings of the IEEE， 1998， 86（11）： 2278-2324.
[28]	Moustafa N， Slay J. UNSW-NB15： a comprehensive data set for network intrusion detection systems （UNSW-NB15 network data set）［C］// MilCIS 2015. Piscataway： IEEE， 2015： 1-6.
[29]	Ben Said R， Sabir Z， Askerzade I. CNN-BiLSTM： a hybrid deep learning approach for network intrusion detection system in software-defined networking with hybrid feature selection［J］. IEEE Access， 2023， 11： 138732-138747.
[30]	Al-Khayyat A T K， Ucan O N. A multi-branched hybrid perceptron network for DDoS attack detection using dynamic feature adaptation and multi-instance learning［J］. IEEE Access， 2024， 12： 192618-192638.

基于DeepInsight和混合量子卷积神经网络的DDoS攻击检测方法

DDoS attack detection method based on DeepInsight and hybrid quantum convolutional neural network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 30

相关文章 15

编辑推荐

Metrics

[1]	刘晶, 赵邵泽, 刘鑫刚, 牛浩哲, 季海鹏. 跨工况下基于改进CGAN的钛合金显微组织数据生成方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2373-2382.
[2]	何止戈, 刘畅, 吴俊锐, 罗昊然, 胡水松, 汪文勇. DDoS攻击防御技术综述[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1139-1157.
[3]	王芳, 胡静, 张睿, 范文婷. 内容引导下多角度特征融合医学图像分割网络[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 3017-3025.
[4]	张嘉祥, 李晓明, 张佳慧. 结合新类特征增强与度量机制的小样本目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2984-2992.
[5]	王闯, 俞璐, 陈健威, 潘成, 杜文博. 开集域适应综述[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2727-2736.
[6]	冯博, 于海征, 边红. 基于掩码增强自训练的域适应语义分割[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2132-2137.
[7]	孙雨阳, 张敏婕, 胡婕. 基于语义前缀微调的零样本对话状态跟踪领域迁移模型[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2221-2228.
[8]	丁美荣, 卓金鑫, 陆玉武, 刘庆龙, 郎济聪. 融合环境标签平滑与核范数差异的领域自适应[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1130-1138.
[9]	唐梅, 万武南, 张仕斌, 张金全. 基于区块链的DDoS防护研究综述[J]. 《计算机应用》唯一官方网站, 2025, 45(11): 3416-3423.
[10]	张红, 谢慷慷, 宁霞, 宋婉莹. 基于迁移学习的小样本绝缘子缺陷检测方法[J]. 《计算机应用》唯一官方网站, 2025, 45(10): 3363-3370.
[11]	谢丽霞, 王嘉敏, 杨宏宇, 胡泽, 成翔. 基于混合特征选择的低延时DDoS攻击检测[J]. 《计算机应用》唯一官方网站, 2025, 45(10): 3231-3240.
[12]	刘春霞, 徐晗颖, 高改梅, 党伟超, 李子路. 基于回声状态网络的智能合约漏洞检测方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 153-161.
[13]	翟飞宇, 马汉达. 基于DenseNet的经典-量子混合分类模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1905-1910.
[14]	时旺军, 王晶, 宁晓军, 林友芳. 小样本场景下的元迁移学习睡眠分期模型[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1445-1451.
[15]	李鸿天, 史鑫昊, 潘卫国, 徐成, 徐冰心, 袁家政. 融合多尺度和注意力机制的小样本目标检测[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1437-1444.