触觉互联网将网络事件与物理执行直接耦合，因此安全决策必须在提升风险识别精度的同时不干扰控制链路。本文提出 VQC-ZTI（Variational Quantum Control for Zero Trust Protection of the Tactile Internet），一种面向触觉互联网零信任保护的分裂平面变分量子分类器框架。其核心思想是将网络划分为两个平面：离路径（off-path）的 VQC 负责分析加密流量遥测数据，进行异常评分；路径上（on-path）的策略引擎依据缓存好的确定性动作（授予、限制、升级、拒绝）执行访问控制。这种解耦设计使得异常评分与策略执行相互独立，可分别调整检测器灵敏度和策略攻击性，既保证了控制行为的可预测性，又提升了风险识别能力。在评估中，作者使用 CESNET 数据集的聚合流量，分别采用随机划分、实体组划分和时间划分三种数据分离策略，并基于 PyTorch 与 PennyLane 实现了混合量子-经典神经网络。实验结果显示，全混合量子神经网络在三种划分方式下的平均 ROC AUC 分别达到 0.9981、0.9974 和 0.9941，相比 ExtraTrees，假阳性率分别降低了 44.6%、49.6% 和 67.9%。此外，组件级时序分解表明，批处理 VQC 评分位于异步证据路径中，而不是直接干扰即时强制路径。该研究的主要贡献在于首次将变分量子分类器应用于触觉互联网的零信任保护，通过分裂平面架构实现了可调的安全-性能权衡，并展示了量子模型在此类实时、高可靠性场景中的潜力。适合对量子机器学习、零信任架构、加密流量分析以及关键基础设施保护感兴趣的安全研究人员阅读。

该论文研究了量子分类器在对抗性扰动下的安全性问题，特别关注基于梯度的测试时攻击在量子场景下的实际成本。传统上，攻击者可以通过自动微分廉价获取梯度（便宜梯度原理），但在变分量子分类器中，由于量子测量存在有限统计噪声（shot noise），每个梯度分量必须通过重复执行量子电路来估算，导致攻击者需要消耗与输入维度相关的测量预算。理论分析表明，在无偏梯度估计规则下，单步攻击至少需要与输入维度d的平方成正比的测量次数（具体为d^{5/2}量级），而迭代攻击的成本更高。仿真实验在高达784维的输入上验证了这一规律：对于缓解了贫瘠高原效应的模型，实际总测量次数遵循d^{5/2}几何下限；对于深度电路（未缓解贫瘠高原），梯度范数随维度衰减，但考虑测量梯度范数后，恢复出d^{3/2}的shot噪声几何。与经典基线（其攻击开销与维度无关）相比，量子梯度成本比随维度增长为d^{3.00}，因此攻击者的相对成本随模型规模发散。在IBM量子处理器（ibm_boston，4量子比特电路，d=12）上的实验复现了这一效应：在匹配预算下，设备上的攻击结果与理想模拟相差仅几个百分点，高测量次数的梯度忠实于精确梯度。该防御机制仅在正向映射经典难以模拟时有效，此时白盒攻击者无法利用“模拟并反向传播”的捷径，必须支付论文所量化的测量成本。适合对量子机器学习安全感兴趣的读者，以及关注量子优势实际应用的研究人员。