量子机器学习中的对抗性威胁：攻击与防御综述

量子机器学习（QML）将量子计算与经典机器学习集成，主要用于解决分类、回归和生成任务。然而，其快速发展在噪声中间规模量子（NISQ）时代引发了关键安全挑战。本章节审查了QML系统特有的对抗性威胁，重点关注基于云的部署、混合架构和量子生成模型中的漏洞。关键攻击向量包括通过转换或输出提取实现模型盗窃，通过量子特定扰动进行数据投毒，逆向工程专有变分量子电路，以及后门攻击。对手方利用噪声易损的量子硬件和不充分安全的QML即服务（QMLaaS）工作流程，破坏模型的完整性、所有权和功能。防御机制利用量子特性来抵御这些威胁。训练硬件的噪声特征作为非侵入式水印，而硬件感知的混淆技术和集成策略则破坏克隆尝试。新兴解决方案也适应经典对抗训练和差分隐私适用于量子设置，解决量子神经网络和生成架构中的漏洞。然而，保障QML安全需要解决开放挑战，如在可靠性和安全性之间平衡噪声水平、缓解跨平台攻击以及开发量子-经典信任框架。本章节总结了近期进展，为研究人员和实践者提供了构建对抗化QML系统的路线图，以应对不断演变的对抗性威胁。