ترجمه فارسی مقاله نگرانی های امنیتی در یادگیری ماشین کوانتومی به عنوان یک سرویس

چکیده

Quantum machine learning (QML) is a category of algorithms that employ variational quantum circuits (VQCs) to tackle machine learning tasks. Recent discoveries have shown that QML models can effectively generalize from limited training data samples. This capability has sparked increased interest in deploying these models to address practical, real-world challenges, resulting in the emergence of Quantum Machine Learning as a Service (QMLaaS). QMLaaS represents a hybrid model that utilizes both classical and quantum computing resources. Classical computers play a crucial role in this setup, handling initial pre-processing and subsequent post-processing of data to compensate for the current limitations of quantum hardware. Since this is a new area, very little work exists to paint the whole picture of QMLaaS in the context of known security threats in the domain of classical and quantum machine learning. This SoK paper is aimed to bridge this gap by outlining the complete QMLaaS workflow, which encompasses both the training and inference phases and highlighting significant security concerns involving untrusted classical or quantum providers. QML models contain several sensitive assets, such as the model architecture, training/testing data, encoding techniques, and trained parameters. Unauthorized access to these components could compromise the model’s integrity and lead to intellectual property (IP) theft. We pinpoint the critical security issues that must be considered to pave the way for a secure QMLaaS deployment.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین کوانتومی (QML) دسته ای از الگوریتم هایی است که از مدارهای کوانتومی متغیر (VQC) برای مقابله با کارهای یادگیری ماشین استفاده می کنند.اکتشافات اخیر نشان داده است که مدل های QML می توانند به طور موثری از نمونه های داده آموزش محدود تعمیم دهند.این توانایی باعث افزایش علاقه به استقرار این مدل ها برای رفع چالش های عملی و در دنیای واقعی شده است و در نتیجه ظهور یادگیری ماشین کوانتومی به عنوان یک سرویس (QMLAAS) است.QMLAAS یک مدل ترکیبی را نشان می دهد که از منابع محاسباتی کلاسیک و کوانتومی استفاده می کند.رایانه های کلاسیک نقش مهمی در این مجموعه بازی می کنند و پیش از پردازش اولیه و پس از پردازش پس از داده ها برای جبران محدودیت های فعلی سخت افزار کوانتومی بازی می کنند.از آنجا که این یک منطقه جدید است ، کار بسیار کمی برای نقاشی کل تصویر QMLAAS در زمینه تهدیدهای امنیتی شناخته شده در حوزه یادگیری ماشین کلاسیک و کوانتومی وجود دارد.این مقاله SOK با هدف برطرف کردن این شکاف با تشریح گردش کار کامل QMLAAS ، که شامل مراحل آموزش و استنباط و برجسته کردن نگرانی های مهم امنیتی مربوط به ارائه دهندگان کلاسیک یا کوانتومی غیرقابل اعتماد است.مدل های QML حاوی چندین دارایی حساس مانند معماری مدل ، داده های آموزش/آزمایش ، تکنیک های رمزگذاری و پارامترهای آموزش دیده است.دسترسی غیرمجاز به این مؤلفه ها می تواند یکپارچگی مدل را به خطر بیاندازد و منجر به سرقت مالکیت معنوی (IP) شود.ما به مسائل مهم امنیتی که باید در نظر گرفته شود ، راه را برای استقرار ایمن QMLAAS در نظر گرفته است.