面向室内机器人的隐私敏感型鲁棒恶意软件检测框架：混合量子计算与深度神经网络
密码学与安全
2025-10-16 v1
摘要
室内机器人系统在网络-物理系统 (CPS) 中日益暴露于破坏定位、控制和遥测完整性的拒绝服务 (DoS) 攻击。我们提出了一个面向室内机器人系统的隐私感知型恶意软件检测框架，利用混合量子计算和深度神经网络来对抗 CPS 中的 DoS 威胁，同时保持隐私信息。通过将量子增强特征编码与 dropout 优化深度学习集成，我们的架构在隐私受限条件下实现了最高 95.2% 的检测准确率。该系统无需手工阈值或持久信标数据，使其在对抗环境中能够实现可扩展部署。基准测试显示该框架在鲁棒性、可解释性和抗训练不稳定性方面表现出优异的泛化能力。本工作推动了可信赖 AI 在安全自主 CPS 运行中的应用。
引用
@article{arxiv.2510.13136,
title = {Privacy-Aware Framework of Robust Malware Detection in Indoor Robots: Hybrid Quantum Computing and Deep Neural Networks},
author = {Tan Le and Van Le and Sachin Shetty},
journal= {arXiv preprint arXiv:2510.13136},
year = {2025}
}