该论文针对车联网（IoV）动态、对抗性的安全环境，指出现有入侵检测系统依赖静态分类器，无法捕捉攻击者的自适应策略、序列决策过程以及不确定性。作者将IoV安全建模为攻击者与防御者之间的序贯博弈，并将防御问题视为部分可观测马尔可夫决策过程下的强化学习任务。为此，他们提出了量子信念集成强化防御（Q-BIRD）框架，核心创新是利用量子启发的信念表示——通过振幅状态编码防御者对隐藏攻击意图的不确定性，从而摆脱传统贝叶斯信念更新的限制。该信念表示被集成到基于近端策略优化（PPO）的防御智能体中，使其能够选择成本感知的缓解动作。在模拟环境中针对自适应、探测型攻击者的实验表明，Q-BIRD将累计平均伤害、伤害方差和攻击成功率分别降低了60.4%、90.2%和50.0%，同时将生存概率提升了46.4%。与经典的贝叶斯PPO相比，损伤方差降低和攻击成功率改善分别达到10.2倍和50%。消融实验和可解释性分析进一步证实，在经典信念崩溃的策略转换阶段，振幅信念成为主导决策信号，从而在不增加硬件开销的前提下提供了更优越的IoV安全性能。该工作为智能体驱动的网络安全防御提供了新思路，适合从事强化学习安全应用、车联网安全及量子机器学习交叉领域的研究人员阅读。