利用量子机器学习抵御量子密钥分发攻击
量子计算的出现对现代通信网络的安全构成重大威胁，因为其能破解当前公钥加密算法。量子密钥分发（QKD）通过利用量子力学原理建立安全密钥，提供了一种有前景的解决方案。然而，实际QKD部署仍易受硬件缺陷和光子数分离、木马攻击等高级攻击的影响。该工作研究了利用量子机器学习（QML）检测常见QKD攻击的潜力，特别提出一种混合量子长短期记忆（QLSTM）模型以提升攻击检测能力。通过将量子增强学习与经典深度学习相结合，该模型能捕捉QKD数据中的复杂时序特征，从而提高检测准确率。 为评估模型性能，该团队构建了一个模拟正常QKD操作及七类攻击场景（拦截重发、光子数分离、木马攻击、随机数生成器攻击、探测器致盲、波长相关木马攻击及组合攻击）的真实数据集。数据集包含量子比特误码率（QBER）、测量熵、信号与诱骗态丢失率等量子安全指标及时间序列指标，确保真实场景的精确复现。实验结果表明，与传统经典机器学习模型（如LSTM和CNN）相比，该量子机器学习方法展现出显著优势——混合QLSTM模型在经过50轮训练后达到93.7%的准确率，验证了混合技术在增强未来量子通信网络安全方面的潜力。
