量子科技中心_量科网

无人机（UAV）是信息物理系统，其攻击面涵盖网络化航空电子设备和机载传感器融合：受篡改的GPS或电池模块可模拟良性任务片段，从而规避简单的异常检测器。本研究对基于多传感器TLM:UAV基准的无人机异常检测中的量子机器学习进行了无泄漏评估。三项贡献支撑了该研究：（i）一种群体感知时间协议（B2）将数据集划分为十个连续的TimeUS块，并在十个随机种子下进行评估，消除了因随机分层分割混合相邻样本而产生的膨胀效应；（ii）一种三模式特征审计（完整/松散/严格）量化了准确率在多大程度上源自瞬时物理信号，而非上下文代理（累积能量、电池状态、GPS轨迹）；（iii）在相同预算下，将混合XGBoost+数据重上传（DRU）分类器与五种配对的非线性控制方法（原始、PCA、多项式-2、随机RBF和未训练的DRU映射）进行基准测试。独立DRU在不同随机种子下并未持续达到最强经典基线的水平；然而，训练后的DRU混合模型是唯一一个平均F1宏指标从完整模式向严格模式上升（+0.05）的模型，这一方向性信号因各随机种子间的标准差而无法被解读为统计上已确立的差异。训练后的DRU混合模型在无代理评估下也记录了最低的平均误报率，但受所报告的种子间方差约束。本研究将此定位为一种增量式、可复现的量子增强混合优势，并提供了一个开源的Qiskit 2.x实现，作为NISQ时代航空航天系统中网络安全分析的基准。