CopyQNN：基于可变量子噪声的量子神经网络提取攻击
量子物理
2025-04-02 v1 密码学与安全
机器学习
摘要
量子神经网络(QNN)在多个领域展现出显著价值，经过训练的 QNN 代表着关键的知识产权，常通过基于云端的 QNN即服务(QNNaaS)平台进行部署。近期研究考察了使用经典和新兴量子策略对 QNN 模型提取攻击。这些攻击涉及对手方查询 QNNaaS 平台以获取带标签数据，用于训练本地替代 QNN 以复制云端模型的功能。然而，现有方法基本忽视了噪声中间 scale 量子计算机中固有的可变量子噪声的影响，限制了其在实际场景中的有效性。为此，我们提出 CopyQNN 框架，该框架采用三步骤数据清洗方法消除噪声敏感的数据，然后在量子域内集成对比学习和迁移学习，实现了使用有限但清洗后的查询数据高效训练替代 QNN。实验结果表明，在 NISQ 计算机上，CopyQNN 的实际实现在所有任务上的平均性能提升 8.73%，同时将所需查询次数降低 90 倍，仅增加有限的硬件开销。
引用
@article{arxiv.2504.00366,
title = {CopyQNN: Quantum Neural Network Extraction Attack under Varying Quantum Noise},
author = {Zhenxiao Fu and Leyi Zhao and Xuhong Zhang and Yilun Xu and Gang Huang and Fan Chen},
journal= {arXiv preprint arXiv:2504.00366},
year = {2025}
}