量子机器学习即服务中的安全问题

量子机器学习（QML）是一类利用变分量子电路（VQC）来解决机器学习任务的算法。近期研究发现，QML模型能够从有限的训练数据样本中有效泛化。这一能力激发了将这些模型部署以解决实际现实挑战的更大兴趣，从而催生了量子机器学习即服务（QMLaaS）。QMLaaS代表一种利用经典和量子计算资源的混合模型。经典计算机在此设置中发挥关键作用，负责数据的初始预处理和后续后处理，以弥补当前量子硬件的局限性。由于这是一个新领域，在经典和量子机器学习领域已知安全威胁的背景下，几乎没有工作来描绘QMLaaS的全貌。这篇SoK论文旨在通过概述完整的QMLaaS工作流程来弥合这一差距，该工作流程涵盖训练和推理两个阶段，并突出涉及不受信任的经典或量子提供者的重大安全关切。QML模型包含若干敏感资产，如模型架构、训练/测试数据、编码技术和训练参数。对这些组件的非授权访问可能损害模型的完整性并导致知识产权（IP）盗窃。我们指出了为实现安全的QMLaaS部署必须考虑的关键安全问题。