量子科技中心_量科网

连续变量量子密钥分发（CV-QKD）是一种能提供无条件安全保障的量子通信技术。然而，CV-QKD系统的实际部署仍易受各类量子攻击影响。本工作提出了一种基于量子机器学习（QML）的攻击检测框架（QML-ADF），可保障高速率CV-QKD系统的安全性。该研究团队特别开发了两种可替代的QML模型——量子支持向量机（QSVM）与量子神经网络（QNN），用于在传统数据后处理前执行抗噪声且特征感知的攻击检测。通过利用高斯调制和零差检测产生的特征丰富量子数据，QML-ADF能有效检测包括已知及由这些特征定义的未知类型在内的量子攻击。结果表明，QSVM和QNN的12种不同QML变体在检测已知及新发现量子攻击时均表现卓越，其中性能最佳的QSVM变体优于表现最好的QNN模型。此外，研究人员系统评估了QML-ADF在不同物理可解释噪声后端下的性能，证实其具有强大鲁棒性和卓越检测性能。该团队预期QML-ADF不仅能实现实际部署条件下的量子攻击稳健检测，还将增强量子通信系统的实用安全性。