論文の概要: Resisting Quantum Key Distribution Attacks Using Quantum Machine Learning

• arxiv url: http://arxiv.org/abs/2509.14282v1
• Date: Tue, 16 Sep 2025 14:22:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:52.913878
• Title: Resisting Quantum Key Distribution Attacks Using Quantum Machine Learning
• Title（参考訳）: 量子機械学習を用いた残留量子鍵分布攻撃
• Authors: Ali Al-kuwari, Noureldin Mohamed, Saif Al-kuwari, Ahmed Farouk, Bikash K. Behera,
• Abstract要約: 量子鍵分布(QKD)は、量子力学の原理を利用してセキュアな鍵を確立することで、有望なソリューションを提供する。 QKDの実装は、ハードウェアの欠陥やPhoton Number SplittingやTrojan-Horse攻撃といった高度な攻撃に弱いままである。 本稿では、一般的なQKD攻撃の検出を改善するために、QLSTM(Hybrid Quantum Long Short-Term Memory)モデルを提案する。
• 参考スコア（独自算出の注目度）: 2.9189969146057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The emergence of quantum computing poses significant risks to the security of modern communication networks as it breaks today's public-key cryptographic algorithms. Quantum Key Distribution (QKD) offers a promising solution by harnessing the principles of quantum mechanics to establish secure keys. However, practical QKD implementations remain vulnerable to hardware imperfections and advanced attacks such as Photon Number Splitting and Trojan-Horse attacks. In this work, we investigate the potential of using quantum machine learning (QML) to detect popular QKD attacks. In particular, we propose a Hybrid Quantum Long Short-Term Memory (QLSTM) model to improve the detection of common QKD attacks. By combining quantum-enhanced learning with classical deep learning, the model captures complex temporal patterns in QKD data, improving detection accuracy. To evaluate the proposed model, we introduce a realistic QKD dataset simulating normal QKD operations along with seven attack scenarios, Intercept-and-Resend, Photon-Number Splitting (PNS), Trojan-Horse attacks Random Number Generator (RNG), Detector Blinding, Wavelength-dependent Trojan Horse, and Combined attacks. The dataset includes quantum security metrics such as Quantum Bit Error Rate (QBER), measurement entropy, signal and decoy loss rates, and time-based metrics, ensuring an accurate representation of real-world conditions. Our results demonstrate promising performance of the quantum machine learning approach compared to traditional classical machine learning models, highlighting the potential of hybrid techniques to enhance the security of future quantum communication networks. The proposed Hybrid QLSTM model achieved an accuracy of 93.7.0\% after 50 training epochs, outperforming classical deep learning models such as LSTM, and CNN.
• Abstract（参考訳）: 量子コンピューティングの出現は、今日の公開鍵暗号アルゴリズムを破り、現代の通信ネットワークのセキュリティに重大なリスクをもたらす。 量子鍵分配(QKD)は、量子力学の原理を利用してセキュアな鍵を確立することで、有望なソリューションを提供する。 しかし、実際のQKD実装は、ハードウェアの欠陥やPhoton Number SplittingやTrojan-Horse攻撃といった高度な攻撃に弱いままである。 本研究では、量子機械学習(QML)を用いて、一般的なQKD攻撃を検出する可能性について検討する。 特に、一般的なQKD攻撃の検出を改善するために、Hybrid Quantum Long Short-Term Memory (QLSTM)モデルを提案する。 量子強化学習と古典的なディープラーニングを組み合わせることで、QKDデータの複雑な時間パターンをキャプチャし、検出精度を向上させる。 提案モデルを評価するために,通常のQKD操作をシミュレーションする現実的なQKDデータセットと,インターセプション・アンド・レセプション,フォトン・ノーベル・スプリッティング(PNS),トロイジャン・ホルス攻撃乱数発生器(RNG),ディテクタ・ブラディング,波長依存トロイの木馬,複合攻撃の7つのシナリオを紹介する。 このデータセットには、量子ビットエラーレート(QBER)、測定エントロピー、信号とデコイ損失率、時間ベースのメトリクスなどの量子セキュリティメトリクスが含まれており、実際の状態の正確な表現が保証されている。 本結果は,従来の機械学習モデルと比較して,量子機械学習アプローチの有望な性能を示し,将来の量子通信ネットワークのセキュリティを高めるためのハイブリッド技術の可能性を強調した。 提案したハイブリッドQLSTMモデルは、50の訓練期間を経て93.7.0\%の精度を達成し、LSTMやCNNのような古典的なディープラーニングモデルよりも優れていた。

関連論文リスト

• Toward Practical Quantum Machine Learning: A Novel Hybrid Quantum LSTM for Fraud Detection [0.1398098625978622]
  本稿では,不正検出のためのハイブリッド量子古典ニューラルネットワークアーキテクチャを提案する。 重畳や絡み合いなどの量子現象を活用することで、我々のモデルはシーケンシャルトランザクションデータの特徴表現を強化する。 その結果,従来のLSTMベースラインと比較して,精度,精度,リコール,F1スコアの競争力の向上が示された。
  論文  参考訳（メタデータ） (2025-04-30T19:09:12Z)
• Practical hybrid PQC-QKD protocols with enhanced security and performance [44.8840598334124]
  我々は,量子古典ネットワーク内でQKDとPQCが相互運用するハイブリッドプロトコルを開発した。 特に、それぞれのアプローチの個々の性能に対して、スピードと/またはセキュリティを向上する可能性のある、異なるハイブリッド設計について検討する。
  論文  参考訳（メタデータ） (2024-11-02T00:02:01Z)
• Towards Scalable Quantum Key Distribution: A Machine Learning-Based Cascade Protocol Approach [2.363573186878154]
  量子鍵分配(Quantum Key Distribution, QKD)はセキュア通信のための重要な技術である。 複雑な数学的モデルに依存する伝統的な鍵レート決定法は、しばしば効率と拡張性に欠ける。 本稿では,機械学習(ML)技術をカスケード誤り訂正プロトコルに統合する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-12T13:40:08Z)
• Deep-learning-based continuous attacks on quantum key distribution protocols [0.0]
  本稿では,深部再帰ニューラルネットワークのパターン認識能力と連続的な計測を併用した新たな個別攻撃方式を設計する。 我々の攻撃はノイズチャネルの量子ビット誤り率(QBER)をわずかに増加させ、スパイがシフされたキーのかなりの部分を推測することを可能にする。
  論文  参考訳（メタデータ） (2024-08-22T17:39:26Z)
• A Quantum-Classical Collaborative Training Architecture Based on Quantum State Fidelity [50.387179833629254]
  我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。 Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。 他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
  論文  参考訳（メタデータ） (2024-02-23T14:09:41Z)
• QKSAN: A Quantum Kernel Self-Attention Network [53.96779043113156]
  量子カーネル法(Quantum Kernel Methods, QKM)のデータ表現能力とSAMの効率的な情報抽出能力を組み合わせた量子カーネル自己認識機構(Quantum Kernel Self-Attention Mechanism, QKSAM)を導入する。 量子カーネル自己保持ネットワーク(QKSAN)フレームワークは,DMP(Dederred Measurement Principle)と条件測定技術を巧みに組み込んだQKSAMに基づいて提案されている。 4つのQKSANサブモデルはPennyLaneとIBM Qiskitプラットフォームにデプロイされ、MNISTとFashion MNISTのバイナリ分類を実行する。
  論文  参考訳（メタデータ） (2023-08-25T15:08:19Z)
• Quantum Imitation Learning [74.15588381240795]
  本稿では、量子優位性を利用してILを高速化する量子模倣学習(QIL)を提案する。 量子行動クローニング(Q-BC)と量子生成逆模倣学習(Q-GAIL)という2つのQILアルゴリズムを開発した。 実験結果から,Q-BCとQ-GAILの両者が,従来のものと同等の性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-04-04T12:47:35Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。