// AI 新闻 · 2026-11-07 · Nature
ChGBO_QRNN模型用于IoT-SDN入侵检测
研究人员提出了一种基于 Chronological Gooseneck Barnacle Optimization 的量子递归神经网络（ChGBO_QRNN），用于在SDN-IoT环境中进行入侵检测。该系统分为三个阶段：数据包特征提取、基于量子递归神经网络的入侵检测以及攻击边界监测。在检测阶段，采用ChGBO算法对QRNN模型进行训练，当发现概念漂移时，系统可自动识别新型攻击。
原文发布 2026-11-07 08:00（北京时间）来源 Nature自动整理 · 已核对原文
01摘要
模型在多个评估指标上表现优异，包括加权准确率、加权真阳性率、加权真阴性率、加权F1分数和加权精确率，分别达到91.868%、90.134%、92.894%、92.072%和92.978%。该方法旨在应对IoT平台中因资源受限和缺乏标准化安全机制导致的通信安全隐患。
由开源模型根据原文自动整理，经数字/专名逐项核对（必须在原文中出现），以原文为准。
02要点
- 提出ChGBO_QRNN模型，结合量子递归神经网络与海胆优化算法用于IoT-SDN入侵检测
- 系统包含特征提取、检测与攻击边界监测三个阶段，具备概念漂移响应能力
- 在加权准确率、真阳性率、F1分数等指标上均达到90%以上，表现优于现有方法
- 研究未获得特定资金支持，作者声明无竞争利益
03原文出处
Nature · 发布于 2026-11-07 08:00（北京时间） · 上方为原标题
05相关新闻
出自智图 AI 新闻：从 1100 多个官方与媒体信源采集。摘要只转述原文内容，详情请看原文。 2026-11-07 全部新闻 · 按日期归档 · 全部 AI 新闻 · 今日