量子机器学习安全：统一的量子威胁链模型

量子机器学习（QML）系统继承了经典机器学习中的漏洞，同时引入了源自量子计算物理层和算法层的新攻击面。尽管关于单个攻击向量——从对抗性投毒和逃逸，到电路级后门、侧信道泄漏和模型提取——的研究日益增长，但这些威胁常在孤立中进行分析，关于攻击者能力和系统环境的假设往往不切实际。这一碎片化的做法阻碍了有效的整体防御策略的开发。本文认为，QML安全需要更结构化的攻击面建模，既要捕捉单个技术，也要捕捉它们之间的关系、先决条件和可能的影响，贯穿整个QML管道。我们提议适应“kill chain”模型，这在经典IT和网络安全中广泛使用，以量子机器学习语境下运行。此类模型允许就攻击者目标、能力及可能的多阶段攻击路径进行结构化推理——涵盖侦察、初始访问、操纵、持久化和数据 exfiltration。基于广泛的文献分析，我们呈现了QML攻击向量的详细分类，映射到量子意识kill chain框架中的相应阶段，该框架受MITRE ATLAS用于经典机器学习的框架启发。我们强调了物理层威胁（如侧信道泄漏和串扰故障）、数据和算法操纵（如投毒或电路后门）以及隐私攻击（如模型提取和训练数据推断）之间的相互依赖关系。这一工作为QML领域更真实的威胁建模和前瞄性安全设计深度打下了基础。