利用量子机器学习检测生理数据篡改攻击
量子物理
2025-02-11 v1 机器学习
摘要
基于云的医疗设备和可穿戴传感器的广泛使用使得生理数据容易受到篡改。这些攻击可能危及医疗保健系统的可靠性，这可能是关键且危及生命的。检测此类数据篡改是当务之急。机器学习已被用于检测数据集中的异常，但量子机器学习（QML）在生理传感器数据上的性能仍有待评估。因此，我们的研究比较了 QML 在检测生理数据篡改方面的有效性，重点关注两种白盒攻击：数据投毒和对抗性扰动。结果表明，QML 模型更擅长识别标签翻转攻击，根据数据和攻击严重程度，准确率达到 75%-95%。这种优越的性能归因于量子算法处理复杂和高维数据的能力。然而，QML 和经典模型都难以检测更复杂的对抗性扰动攻击，这种攻击在不改变数据统计特性的情况下微妙地改变数据。尽管 QML 对此类攻击的表现不佳，准确率约为 45%-65%，但在某些情况下仍优于经典算法。
引用
@article{arxiv.2502.05966,
title = {Detection of Physiological Data Tampering Attacks with Quantum Machine Learning},
author = {Md. Saif Hassan Onim and Himanshu Thapliyal},
journal= {arXiv preprint arXiv:2502.05966},
year = {2025}
}