无人机系统的量子机器学习用于网络-物理异常检测：基于代理审计特征集的无泄漏评估
密码学与安全
2026-05-20 v1 机器学习
量子物理
摘要
无人机（UAV）是具有网络航空系统和 onboard 传感器融合攻击面的网络-物理系统：被攻破的GPS或电池模块可以模拟良性任务片段，躲避粗糙的异常检测器。我们对量子机器学习在多传感器TLM:UAV基准数据集上的无人机异常检测进行了无泄漏评估。该研究支持三个贡献：（i）基于群组感知的时序协议（B2）将数据集划分为十个连续的 TimeUS 区块，并跨十个随机种子进行评估，消除随机分层划分混合相邻样本导致的虚高结果。（ii）三模式特征审计（完整/宽松/严格）量化了准确率来自瞬时物理信号还是上下文代理（累积能量、电池状态、GPS轨迹）的贡献。（iii）采用混合XGBoost + 数据重上传（DRU）分类器，对比五组匹配的非线性控制（原始数据、PCA、二次多项式、随机RBF核，以及未训练的DRU映射），在相同资源预算下进行评估。独立DRU模型在不同随机种子下未能持续匹配最强的经典基线；但训练后的DRU混合模型是唯一一个其平均F1宏指数从完整模式提升至严格模式（+0.05）的模型，其随机种子间的标准差防止将其解释为统计上显著的差异。训练后的DRU混合模型还记录了在代理无评估下的最小平均误报率，尽管报告了跨随机种子的方差。我们将此定义为渐进式、可重复的量子增强混合收益，并提供开放的Qiskit 2.x实现作为面向NISQ时代航空系统网络安全分析的基准。
引用
@article{arxiv.2605.19233,
title = {Quantum Machine Learning for Cyber-Physical Anomaly Detection in Unmanned Aerial Vehicles: A Leakage-Free Evaluation with Proxy-Audited Feature Sets},
author = {Carlos A. Durán Paredes and Javier E. León Calderón and Nicolás Sánchez Perea and German Darío Díaz and Camilo Segura Quintero},
journal= {arXiv preprint arXiv:2605.19233},
year = {2026}
}
备注
10 pages, 7 figures, 1 table; open Qiskit 2.x implementation available at https://github.com/Carlosandp/TLM-UAV-Quantum-Anomaly-Detection