通过深度异常检测应对量子密钥分发中的侧信道威胁
量子密钥分发（QKD）系统中针对安全侧信道的传统防御措施往往存在三大缺陷：与已部署基础设施兼容性差、可能引入新漏洞、仅适用于特定攻击类型。该研究团队提出了一种基于单类机器学习算法的异常检测（AD）模型来解决这些问题。通过采集QKD系统运行状态数据构建训练集，该模型能学习安全条件下的正常行为特征。当攻击发生时，系统状态将偏离已学习的正常模式并被模型识别为异常。实验结果表明，该模型的曲线下面积（AUC）超过99%，可有效保障QKD系统安全运行。 与传统方法相比，该模型能以极低成本部署于现有QKD网络，无需额外光电器件，从而避免了新侧信道的引入。此外，不同于多分类机器学习算法，该方法不依赖特定攻击类型的先验知识，理论上具备检测未知攻击的能力。这种兼具通用性、易部署性、低成本和高精度的特性，使其成为防护QKD系统侧信道威胁的实用化工具。
