基于量子机器学习的噪声抗特征感知攻击检测
量子物理
2026-01-13 v1
摘要
连续变量量子密钥分发（CV-QKD）是一种提供不可条件安全保证的量子通信技术。然而，CV-QKD 系统在实际部署中仍面临多种量子攻击的威胁。本文提出一种基于量子机器学习（QML）的攻击检测框架（QML-ADF），旨 at 保护高速率 CV-QKD 系统的安全性。具体而言，开发了两种替代 QML 模型——量子支持向量机（QSVM）和量子神经网络（QNN），用于在常规数据后处理之前进行噪声抗且特征感知的攻击检测。利用来自高斯调制和同位检测的特征丰富的量子数据，QML-ADF 能够有效检测包括由这些独特特征定义的已知和未知类型量子攻击。结果表明，两种 QML 模型的十二个不同变体在检测已知和此前未发现的量子攻击方面均表现出卓越的性能，其中最佳 QSVM 变体的性能优于最佳 QNN 曼 counterpart。此外，我们系统评估了 QML-ADF 在各种可解释噪声后端下的性能，证明其强大的鲁棒性和卓越的检测性能。我们预计 QML-ADF 不仅能够在实际部署条件下实现对量子攻击的稳健检测，还能增强量子通信系统的实际安全性。
引用
@article{arxiv.2601.06762,
title = {Noise-Resistant Feature-Aware Attack Detection Using Quantum Machine Learning},
author = {Chao Ding and Shi Wang and Jingtao Sun and Yaonan Wang and Daoyi Dong and Weibo Gao},
journal= {arXiv preprint arXiv:2601.06762},
year = {2026}
}
备注
14 pages, 12 figures