STIQ: 保护云端量子神经网络训练与推理

当前量子云提供商的高昂成本，以及日益增长的量子资源需求，可能激励更便宜的云端量子服务从潜在不可信提供商处涌现。将或主机 QNN（量子神经网络）部署到这些不可信平台会引入一系列安全问题，其中最关键的是模型盗窃。这种漏洞源于云提供商在训练和/或推理期间对这些电路拥有完全访问权限。本文引入了 STIQ，一项新颖的基于 ensemble 的策略，用于保护 QNN 免受云端对手的攻击。我们的方法创新性地同时训练两个不同的 QNN，在相同或不同的平台上部署，使得每个网络产生的输出被混淆，导致单个 QNN 对处于云端环境中的对手无效。然而，当这些输出在本地组合（使用聚合函数）时，即可揭示正确结果。通过对各种 QNN 和数据集进行大量实验，我们的技术有效地将单个托管模型的准确率和损失值混淆最多达到 76\%，尽管这以 ≤2 倍的总计算开销增加为代价。这一权衡尽管是小价值，但对于在面临不可信对手的云端环境中提升 QNN 的安全性和可信度具有重要意义。我们还在多个真实量子硬件上演示了 STIQ 的实际应用，表明 STIQ 能实现约 70\% 的混淆率，组合后的性能类似于未混淆模型。