Security Concerns in Quantum Machine Learning as a Service

量子机器学习（QML）是一类利用变分量子电路（VQC）处理机器学习任务的算法。最近的研究表明，QML模型可以有效地从有限的训练数据样本中进行泛化。这种能力引起了人们对将这些模型部署到实际的、现实世界的挑战中的兴趣，从而出现了量子机器学习作为服务（QMLaaS）。QMLaaS代表了一种混合模型，利用了经典和量子计算资源。在这种设置中，经典计算机起着至关重要的作用，处理数据的初始预处理和后续后处理，以弥补量子硬件目前的局限性。由于这是一个新领域，几乎没有工作来描绘在经典和量子机器学习领域已知的安全威胁背景下的QMLaaS的整个画面。本文旨在通过概述完整的QMLaaS工作流程，包括训练和推理阶段，并突出涉及不受信任的经典或量子提供商的重要安全问题，来弥补这个空白。QML模型包含几个敏感资产，如模型架构、训练/测试数据、编码技术和训练参数。对这些组件的未经授权访问可能会危及模型的完整性，并导致知识产权（IP）盗窃。我们指出必须考虑的关键安全问题，为安全的QMLaaS部署铺平道路。

本论文旨在探讨量子机器学习作为一种服务（QMLaaS）的安全性问题，特别是涉及未受信任的经典或量子计算机提供商的安全性问题。

本论文提出了一个完整的QMLaaS工作流程，包括训练和推理阶段，并突出了涉及未受信任的经典或量子提供商的重要安全问题。该论文强调了必须考虑的关键安全问题，以确保QMLaaS的安全部署。

本论文突出了QMLaaS的安全性问题，包括未经授权访问模型架构、训练/测试数据、编码技术和训练参数等敏感资产可能导致知识产权（IP）盗窃的风险。同时，本文还探讨了如何使用经典计算机来处理数据的预处理和后处理以解决当前量子硬件的限制问题。

最近的相关研究包括：1）量子机器学习算法和应用的研究；2）量子计算机的安全性和隐私保护问题；3）深度学习模型的安全性和隐私保护问题。相关论文包括《A Survey of Quantum Machine Learning》、《Quantum Computing for Cybersecurity》和《A Survey of Deep Learning Security》等。