Quantum Vanguard：面向未来车辆的服务器优化隐私强化联邦智能
密码学与安全
2025-12-03 v1
摘要
本 work 提出了 vQFL（vehicular Quantum Federated Learning，车辆量子联邦学习），这是一种新型框架，利用量子机器学习技术来解决自动驾驶网络中的关键隐私和安全问题。此外，我们提出了一种服务器端适应性微调方法 ft-VQFL，以实现更高且更韧性的性能。通过将量子联邦学习与差分隐私和量子密钥分发（QKD）集成，我们的量子 vanguard 方法构建了一种针对经典和量子威胁的多层防御，同时保持模型实用性。在使用行业标准数据集（KITTI、Waymo 和 nuScenes）进行大规模实验后，结果显示 vQFL 在保持与标准 QFL 相当的准确率的同时，显著提升了隐私保障和通信安全性。我们的实现使用各种量子模型（VQC、QCNN 和 SamplerQNN），显示尽管增加了安全措施，仍仅引入了最小的性能开销。这项工作为在后量子时代安全运行的自动驾驶车辆系统奠定了关键基础，能够高效处理由现代自动驾驶车队（每辆车 20-40TB/天）产生的海量数据。该框架的模块化设计允许无缝集成到现有车辆网络中，将 vQFL 定位为未来智能交通基础设施的 essential 组件。
引用
@article{arxiv.2512.02301,
title = {Quantum Vanguard: Server Optimized Privacy Fortified Federated Intelligence for Future Vehicles},
author = {Dev Gurung and Shiva Raj Pokhrel},
journal= {arXiv preprint arXiv:2512.02301},
year = {2025}
}
备注
Under Review