量子困惑：解开量子神经网络编码漏洞

量子计算 (QC) 有潜力在机器学习、安保和医疗保健等领域实现革命性变革。量子机器学习 (QML) 已成为一个引人注目的领域，通过量子计算机增强学习算法。然而，QML 模型因其高昂的训练成本和长时间的训练时间而成为有利可图的目标。稀缺的量子资源和长时间等待进一步恶化了这一挑战。此外，QML 提供者可能依赖第三方量子云托管模型，将其及其训练数据暴露于潜在威胁之下。随着 QML 即服务 (QMLaaS) 的流行，依赖第三方量子云对安全构成重大风险。本工作演示了在量子云环境中，敌人可利用对 QML 模型的白盒访问，通过分析电路转编译痕迹来推断用户的编码方案。提取的数据可用于训练克隆模型或出售获取利润。我们通过仿真验证了所提出的攻击，实现对编码方案的高准确率区分。我们报告在 95% 的情况下可以正确预测编码。为缓解这一威胁，我们提出一种瞬时混淆层，使用随机旋转和纠缠来掩码编码指纹，将对抗检测降低至接近随机机会的 42%，对于 5 层 QNN 设计的深度开销为 8.5%。