该论文研究量子分类器在已知读出查询访问（KRQA）模型下的认证对抗鲁棒性。量子分类器通过演化输入量子态并测量输出来分配标签，重复执行仅能揭示标签分布。在KRQA中，评估者可制备输入、知晓量子测量、观测有限次测量结果，但无法检查内部演化、参数或梯度。作者提出一种仅基于测量的框架，为每个输入返回两个互补的保证：一个下界，排除半径内的非目标错误；一个与攻击无关的上界，证明半径内存在对抗态。两者均可从已知读出测量和采样结果中估计，无需层析或电路描述，并具有有限样本保证。上界利用量子测量诱导的间隙算子；下界将状态空间搜索松弛为在算子谱约束下对结果分布的高效优化，所得证书不弱于先前仅基于概率的证书，当谱约束活跃时可严格更强。在多个量子分类器上的评估表明，下界在可处理实例上跟踪精确最优值，而上界在标准攻击失败时仍能提供信息。作者进一步在IBM Quantum硬件上验证了实际设备可行性：对两个8量子比特量子神经网络执行40次，方法即可计算两种证书，且每个测试输入上的下界与上界均符合预期顺序。总体而言，这些结果表明量子分类器的鲁棒性声明可以在KRQA下直接从可观测统计量中审计。

本文提出 QUASAR，据作者所知这是首个面向 X 波段合成孔径雷达（SAR）卫星物理层认证（PLA）的量子-经典混合架构。X 波段 SAR 卫星（8-12 GHz）在灾害响应、环境监测和军事侦察中至关重要，但缺乏与密码学机制正交的物理层认证。现有 PLA 系统通常基于射频指纹，多局限于 sub-6 GHz 频段，且依赖经典深度学习，难以充分拟合卫星硬件特有的 IQ 相位非线性特征。QUASAR 将 CNN 频谱图编码器与变分量子电路（VQC）融合，形成混合神经网络，用于 X 波段 SAR 信号的物理层认证。该方案有两个显著特点：（1）数据效率显著优于经典机器学习，仅需 10% 的训练数据即可达到经典基线的准确率——而数据收集恰是 PLA 中最耗时的环节；（2）在相同数据预算下，其分类准确率超过经典基线。作者在三种对抗场景下测试了 QUASAR：重放攻击、精心构造的 IQ 注入和星载欺骗。QUASAR 分别拒绝了 89.7%、94.1% 和 81.3% 的欺骗传输，建立了首个面向卫星星座的量子增强物理层分类器。论文详细描述了框架和支撑结果，展示了物理层认证的新研究方向。适合对卫星通信安全、量子机器学习与物理层安全交叉领域感兴趣的读者。

本论文针对电力系统网络攻击检测中的机器学习模型鲁棒性问题，系统评估了量子机器学习（QML）方案与传统经典模型在对抗环境下的表现，并提出一个关键方法论论点：评估者自身的选择会先于模型决定基准测试的结论。研究在公开的密西西比州立大学/ORNL 电力系统攻击数据集上，对 fidelity-kernel SVM 和变分分类器两种 QML 模型与六种调优后的经典模型进行了全面比较，覆盖白盒攻击、迁移攻击、基于决策的黑盒攻击和投毒攻击等场景。作者识别出八个评估者选择——其中六个属于评估协议，两个属于基准调优过程——每个选择都能在固定模型的情况下逆转或改变原有结论。最大的影响因素是数据分割方式：采用行级随机划分时，模型可取得 0.905 的宏 F1 分数；而按完整源文件留出时，分数骤降至 0.594；在限制维度匹配的设置下，QML 模型几乎接近随机猜测，经典模型也仅高出 0.024。此外，fidelity kernel 在未受直接攻击时看似鲁棒，但其保留率在直接攻击下从 0.886 跌至 0.064，暴露了表面稳健性的假象。错误拟合的替代模型可造成 10 倍的不对称性，未设置随机种子的黑盒攻击在不同重启间有 75% 的结果波动。通过阳性对照，作者证明准确性失效的根源在于标签本身，而非建模管道。论文最终提供了能够捕捉每个选择影响的控制方法，并发布了带种子的基准，以促进可复现、无偏见的未来比较。该研究适合安全研究人员、电力系统安全工程师以及量子机器学习开发者阅读，提醒社区在设计评估协议时必须谨慎，否则结论将失去可信度。

该论文提出了一种针对量子机器学习的新型攻击方法，名为 QNBAD（Quantum Noise-induced Backdoor Attack），专门攻击采用零噪声外推（ZNE）作为误差缓解技术的量子神经网络。研究背景是：ZNE 是当前量子计算中广泛使用的误差缓解手段，通过在噪声放大条件下运行电路并外推零噪声结果来提升模型可靠性。然而，作者发现 ZNE 的降噪过程本身存在安全漏洞，攻击者可以刻意将恶意设计的后门模式嵌入到量子噪声中，使模型在含噪环境下对正常输入表现正常，而一旦在推理阶段输入携带特定触发特征的数据，模型便会误分类为攻击者指定的目标标签，同时不影响 ZNE 对整体输出的修正效果。该攻击利用了 ZNE 对噪声模型的线性外推假设，通过调整噪声通道参数来隐藏后门触发条件。实验表明，QNBAD 在多个量子数据集和电路结构上均能保持较高的攻击成功率，同时能够规避现有的噪声感知防御机制。本研究的核心贡献在于首次揭示了量子误差缓解技术与模型安全性之间的冲突，提醒量子机器学习社区在设计防护策略时需将攻防对抗纳入考量。适合量子安全研究者、量子机器学习工程师以及关注新兴计算范式安全威胁的蓝队人员阅读。

本文探讨了量子机器学习（特别是量子生成对抗网络QGAN）在评估后量子密码（PQC）协议安全性方面的潜力。随着量子计算机的发展，传统密码学面临威胁，因此后量子密码标准正在推进。然而，当前量子计算机虽规模有限，但仍可能被用于寻找PQC协议的弱点。作者提出利用QGAN架构将哈希基数字签名的概率分布加载到量子计算机内存中，从而辅助分析协议的安全性。实验结果表明，近期的混合量子-经典方法具备此能力，可作为利用量子计算攻击后量子密码原语的第一步。该研究为量子辅助密码分析提供了新思路，但尚未实现实际攻击。

本文针对恶意软件家族分类这一网络安全关键挑战，提出了一种可扩展的基于量子核的机器学习（QKML）框架。传统机器学习模型在面对结构相似且混淆的恶意软件样本时，多分类准确率较低且难以大规模部署。该框架首先从可执行文件中提取结构特征，通过监督线性判别分析（LDA）投影生成紧凑且类别感知的表示，适合量子处理。随后，利用参数化量子电路构建基于保真度的量子核，捕捉恶意软件家族间的非线性关系。为降低计算开销，采用Nyström近似方法获得量子核的低秩近似，从而通过岭回归实现高效的多分类，避免完整核矩阵构造的二次计算成本。在包含18，836个样本、覆盖23个恶意软件家族的大规模数据集上进行实验，该模型达到80.88%的分类准确率，优于相同特征和数据划分下的经典机器学习基线。结果表明，可扩展的量子核机器学习在实际恶意软件家族分类任务中具有可测量的性能优势。

量子机器学习（QML）正从研究原型转向云服务部署，进入监管行业后面临两大实际挑战：一是重校准间的硬件噪声漂移，二是攻击者可能控制执行环境，用行为相似但数学上不同的量子通道替换声明的通道。现有QML验证工作（脉冲级噪声、输入漂移、输入扰动鲁棒性、设备身份）均未涵盖这些问题。本文提出QML-PipeGuard，一个基于合约的框架，通过统一的数学机制应对两类挑战。该框架在运行时通过行为指纹（在层析结构测量族下可观测量期望值的向量）表征QML管线，并运行两种模式：漂移感知监控（在标定容差内吸收良性校准变化）和对抗检测（将通道替换视为信息完备可观测量合约的违反）。框架贡献包括：编码器-ansatz-测量通道的管线组合处理（针对单量子比特Pauli族给出紧框架界C=sqrt(3)）、有限样本复杂度界、以及分离对抗与自然漂移贡献的容差分解。在IBM Heron r2处理器（ibm_fez）上的两量子比特QSVM管线端到端验证表明：约定的测量预算（约1.4万次）可在一个批处理作业内完成，恶意通道以宽安全裕度被检测到（同时规避弱合约），典型硬件漂移在容差范围内。本文适合量子信息安全、机器学习安全及云服务可靠性领域的研究人员阅读。