HarmQ：针对量子神经网络的谐波后门攻击

量子神经网络（QNN）已成为含噪声中等规模量子（NISQ）时代量子机器学习的一种有前景的范式，它利用叠加和纠缠等量子现象在指数级大的希尔伯特空间中处理信息。然而，QNN 继承了经典神经网络的严重安全漏洞，尤其是容易受到后门攻击。由于量子特有的限制，为经典系统设计的现有攻击方法对 QNN 无效：有限量子比特资源所需的激进降采样会破坏传统触发器，而参数化量子电路（PQC）的谱学习偏差限制了可学习的模式。为了解决这个问题，我们提出了 HarmQ，一种量子原生的后门攻击，它通过谐波触发模式利用 PQC 固有的傅里叶分解偏差。我们的方法在具有块均匀结构的粗网格上采用正弦扰动，确保在降采样后得以存活，同时与 PQC 对低频分量的偏好保持一致。这使得在攻击者仅能访问训练数据的现实黑盒条件下，能够进行有效的后门注入。在 MNIST 和 Fashion-MNIST 上的实验表明，HarmQ 实现了超过 99% 的攻击成功率，同时保持了超过 90% 的干净准确率，显著优于现有方法，包括 BadNets（2.77% ASR）、Watermark（7.96% ASR）、Q-FGSM（44.32% ASR）和 QUAP（3.40% ASR）。量子态表示的参数化 t-SNE 可视化证实了谐波触发器能产生明显分离的簇，证明 HarmQ 是 QNN 的一个基本安全威胁。