目录
量子计算机通过利用量子原理——叠加、纠缠和量子并行性，革新了解计算领域，能够解决经典计算机难以处理的问题（例如整数分解、复杂模拟）。随着这些系统通过云平台（如 IBM Quantum Experience、Amazon Braket、Microsoft Azure Quantum）变得越来越普及，出现了一个紧迫的问题：量子计算机是否能抵御针对经典硬件的同类实现攻击？
不断增长的研究表明量子计算机并不能免疫于侧信道攻击。除了理论上的鲁棒性，实际的量子设备在其物理操作中会发出可测量的“泄漏”——包括信号、时序或能量痕迹，攻击者可以分析这些信息推断出秘密。这种量子工程与经典网络安全的交集为研究人员和攻击者开辟了新的战场。
侧信道攻击（SCAs） 利用加密系统物理实现中无意泄漏的信息（“侧信道”），而不是数学上的弱点。最初是为了攻击硬件加密系统（例如智能卡、嵌入式设备）而开发的，这些攻击监控以下元素：
经典范例： 智能卡上运行加密算法的功率分析攻击。每次操作所消耗的能量略有不同，攻击者能够通过这些差异重建出秘密密钥。
为什么侧信道对量子计算是个问题？
- 量子操作是通过经典电子设备（通常基于 FPGA），向量子比特发送精确的微波脉冲来控制的。这些脉冲及其相应的物理控制信号可以被外部监控或推断，提供了丰富的侧信道利用源。
量子硬件引入了新的物理过程——微波脉冲、激光控制、低温互连——这反过来又开启了新的信息泄漏方式。在云环境中，用户可能共享硬件或对量子硬件的可见性有限，侧信道攻击可能绕过抽象屏障并攻击底层实现，对租户的量子电路隐私和加密密钥材料构成严重风险。
最近的学术研究（包括arXiv:2304.03315）已经识别出五种主要的与功率相关的量子侧信道攻击。让我们详细探讨每一种攻击的机制及其潜在影响。
概念：
量子计算通过一系列与量子比特精确交互的经典控制脉冲（例如微波爆发）驱动。这些脉冲，当被观察时，会为每个量子电路或门序列创建“功率特征”。
示例：
如果特定的加密操作（比如 Shor 算法中的模幂运算）具有独特的功率特征，观察痕迹中的这一模式即可揭示其使用情况。
概念：
执行时间的变化——无论是在量子电路层面还是在脉冲层面——可能泄露以下信息：
攻击向量：
现实中的云示例：
许多量子云平台（如 IBM 或 AWS）暴露详细的作业执行日志，包括时间戳和脉冲计划。可以被动分析或主动检测以重构用户电路。
概念：
量子硬件使用物理控制的多维参数化——脉冲的频率、振幅和相位。这些通道中的波动或无意相关因素可能泄露信息。
攻击向量：
研究演示：
如PhysRevLett.134.130802所述，多维侧信道的微妙依赖性影响了量子通信系统（包括量子密钥分发，QKD）的实际安全性。
概念：
量子计算机在多个量子比特和电路之间共享控制电子设备。串扰——控制之间的无意交互——可能会导致信息从电路 A（用户 X）泄漏到电路 B（用户 Y）。
攻击向量：
概念：
每个量子电路可能产出一个准独特的“指纹”，包括其脉冲计划参数（长度、振幅、间隔）。通过组建这样的指纹数据库，攻击者能够对未知作业进行分类。
攻击向量：
量子泄漏：云量子计算机的时间侧信道攻击展示了一种对商业云量子计算机进行的实际时间侧信道攻击。
关键启示：
威胁模型： 恶意的云用户，“无声邻居”使用共享量子硬件，或被攻击的云服务管理员。
让我们用实际攻击情境与演示来落地理论，这些例子使用云量子硬件和可用 API。
假设 Alice 向云供应商提交量子作业。通过测量延迟（作业运行时间，量子比特测量时间），Bob 可以统计估算出 Alice 的量子电路的复杂性或功能类别（例如浅 QAOA 对深 Shor）。
攻击者拥有详细的脉冲日志访问权限（有时可用于调试或研究），解析日志寻找在其指纹数据库中匹配已知加密子电路的波形模式。
在多用户设置中，Bob 可以在 Alice 的作业在邻近的量子比特上运行时，通过时序自己的作业并观察系统延迟或噪声伪影，推断出 Alice 的活动。这种泄漏反复发生可能会升级到恢复门选择或关键相关的操作。
让我们通过代码示例演示简单侧信道分析工作流程，目标是量子云 API 或数据日志。
假设您的云平台（例如 IBMQ）提供一个 REST API 端点可用于检索您的作业历史。
curl -H "Authorization: Bearer $API_TOKEN" "https://quantum.api.provider/jobs?user=me" \
| jq '.jobs[] | {job_id, submitted_at, completed_at, status}'
import requests
import pandas as pd
from datetime import datetime
API_TOKEN = 'YOUR_API_TOKEN'
headers = {"Authorization": f"Bearer {API_TOKEN}"}
url = 'https://quantum.api.provider/jobs?user=me'
resp = requests.get(url, headers=headers)
data = resp.json()
jobs = data['jobs']
df = pd.DataFrame([{
'job_id': j['job_id'],
'submitted_at': datetime.fromisoformat(j['submitted_at']),
'completed_at': datetime.fromisoformat(j['completed_at']),
'status': j['status']
} for j in jobs if j['status'] == 'COMPLETED'])
df['duration_sec'] = (df['completed_at'] - df['submitted_at']).dt.total_seconds()
print(df[['job_id', 'duration_sec']])
# 简单异常值分析
mean = df['duration_sec'].mean()
std = df['duration_sec'].std()
outliers = df[df['duration_sec'] > mean + 2*std]
print("异常作业暗示复杂的电路或跨租户干扰:", outliers)
假设您下载了每个作业的 JSON 文件，包含脉冲计划（如 IBMQ 或 Azure Quantum 向高级用户提供的）：
import json
import matplotlib.pyplot as plt
with open('job_pulse_schedule.json') as f:
schedule = json.load(f)
for pulse in schedule['pulses']:
# 每个脉冲可能有 'start_time'，'duration'，'amplitude' 等。
print(f"Pulse at {pulse['start_time']} ns: amp={pulse['amplitude']}, dur={pulse['duration']} ns")
# 绘制脉冲振幅以得到功率轨迹
amplitudes = [p['amplitude'] for p in schedule['pulses']]
times = [p['start_time'] for p in schedule['pulses']]
plt.plot(times, amplitudes, marker='o')
plt.xlabel("时间 (ns)")
plt.ylabel("振幅")
plt.title("脉冲振幅轨迹（功率代理）")
plt.show()
# 假设您有公共门的参考“指纹”
GATE_FINGERPRINTS = {
'X': {'amp': 0.5, 'dur': 32},
'H': {'amp': 0.35, 'dur': 40},
# 等
}
def match_fingerprint(pulse, database):
for gate, ref in database.items():
if abs(pulse['amplitude'] - ref['amp']) < 0.05 and abs(pulse['duration'] - ref['dur']) < 5:
return gate
return None
for pulse in schedule['pulses']:
gate = match_fingerprint(pulse, GATE_FINGERPRINTS)
if gate:
print(f"匹配到在 {pulse['start_time']}ns 的门: {gate}")
虽然没有完美的防御手段，但工程、软件和操作策略的结合可以降低风险。
脉冲模糊化和随机化：
添加随机延迟、振幅或虚假脉冲，使脉冲痕迹与电路逻辑脱钩。
作业共同隔离：
物理和逻辑隔离属于不同租户/用户的电路。
脉冲级 API 访问控制：
限制对细粒度计划或时序数据的访问，提供给受信用户并限制作业日志。
脉冲级噪音注入：
像经典加密中的掩码一样，在功率侧信道中注入合成噪音。
硬件加固：
设计控制电子设备以最小化无意发射和串扰。
异常检测与监控：
使用基于 AI/ML 的行为分析对量子作业提交进行评估，以检测潜在探测攻击。
量子密钥分发（QKD）和其他量子协议：
共享云服务：
监管与合规影响：
量子硬件的自动化侧信道映射：
开发自动工具链以对各个硬件平台进行泄漏指纹识别和映射。
安全量子硬件设计：
量子控制工程将越来越多地加入侧信道抵抗原则，类似于常规系统中的 ARM TrustZone 或 Intel SGX。
量子电路模糊协议：
在控制脉冲和计算层面进行“电路隐藏”的正式研究。
AI/ML 用于攻击和防御：
使用机器学习进行对微妙侧信道的策略性利用以及在弱点被武器化之前进行检测/缓解。
标准化与基准测试：
促使量子云社区围绕评估和缓解物理泄漏的方法达成一致。
量子计算机在计算能力上代表了历史性的一大进步——，并将颠覆密码学、优化和仿真。然而，正如我们所见，它们无法免疫老对头通过新途径发起的攻击：其操作物理现实中内在的侧信道泄漏。
功率侧信道、脉冲时间、串扰和脉冲参数泄漏对量子计算隐私性和完整性构成了直接的、现实的威胁——尤其是在新兴的量子云环境中。正如多部当代研究和实验代码所展示的一样，攻击者今天可以通过公开的 API 或日志分析这些泄漏。
防御量子侧信道攻击是一项多层次挑战，结合了硬件工程、软件访问控制、操作流程和持续监控。随着量子设备的扩大，攻击者的复杂度也将与日俱增——对于强劲防御的需求愈加迫切。
最终，安全量子计算的未来同样依赖于侧信道抵御能力，如同对量子算法本身数学性的依赖。 保持领先意味着积极的研究、透明的风险管理和在硬件与软件前沿的快速迭代。
量子计算机功率侧信道的探索
arXiv:2304.03315
量子泄漏：云量子计算机的时间侧信道攻击
ACM 论文学
量子通信隐蔽的多维调制侧信道
Phys. Rev. Lett. 134, 130802 (2024)
IBM 量子 API 文档
IBM Quantum APIs
OpenQASM 和脉冲层 API
OpenQASM Documentation
Qiskit Pulse