← 返回 PaperDaily 前沿研究

田纳西理工最新实验：10%光抽头以96%精度破解量子身份认证

这篇论文用实打实的实验告诉你，量子身份认证在物理层面前就是个"裸奔"。只要在光纤上悄悄分出一束光（10%~30%），观察光子到达时间和光功率的波动，机器学习模型就能以96%~98%的精度区分出当前是在传数据还是在做认证。一旦摸清协议时间表，中间人就能绕过认证比特、只偷数据，整套认证体系瞬间失效。文章实验设计严谨，结果可信，是量子网络安全领域必须关注的一课。

龙哥读论文发布于 2026-09-05 00:31:11 阅读 3 查看原文

#量子计算AI

原论文信息如下：

论文标题:
Experimental Side Channel Analysis of Protocol Stages in Quantum Identity Authentication

发表日期:
2026年07月
发表单位:
Cybersecurity Education, Research, and Outreach Center (CEROC) and Department of Computer Science, Tennessee Tech University, Cookeville, TN, USA.
原文链接:
https://arxiv.org/pdf/2607.24744v1.pdf

引言

量子网络被寄予厚望，能实现分布式计算、量子密钥分发、远距离传感等超越经典通信的能力。但在这些愿景落地之前，必须先解决一个基础问题：怎么保证跟你通信的真的是"对方"，而不是一个恶意的量子中继器？

量子身份认证（QIA）协议就是为此设计的。它把认证量子比特（authentication qubits）巧妙地嵌入到数据量子比特（data qubits）中，通过预先共享的秘密密钥决定认证比特的位置和基矢。接收方通过检查认证比特的正确性，就能发现是否存在中间人攻击（MitM）。这套机制在协议层面看着很严密——认证和数据的交替时间由密钥控制，按理说攻击者猜不到什么时候在认证、什么时候在传数据。

但问题来了：协议层面的安全假设，在物理层还成立吗？如果不同协议阶段（数据传输 vs. 认证）在光子发射时序、光功率波动等物理特性上留下可观测的"指纹"，那被动监听者根本不需要动量子比特，只需在旁路悄悄抽头看信号，就能把协议阶段猜个八九不离十。一旦知道当前是数据传输阶段，攻击者就可以只偷数据、避开认证比特，让整个认证机制形同虚设。

田纳西理工大学的团队正是抓住了这个被忽视的漏洞。他们在真实量子通信测试平台上搭建了极化纠缠光子实验，用分束器抽出10%或30%的光信号，收集光子到达时间戳和光功率，然后训练随机森林、LSTM、GRU等机器学习模型来分类当前是"数据传输"还是"认证"阶段。结果让人倒吸一口凉气：30%抽头下准确率98%，F1分数97%；即使只抽10%的光，准确率依然高达96%，F1分数94%。

换句话说，一个被动窃听者只需在光纤上"蹭"一小部分光，就能以近乎完美的精度判断协议进行到哪一步，从而精准避开认证。这篇论文的标题听起来很学术——"Experimental Side Channel Analysis of Protocol Stages in Quantum Identity Authentication"——但它的含义非常实际：量子身份认证协议在物理层面上并不安全，物理层泄漏必须纳入协议设计考量。

威胁模型与实验平台

在正式讲实验之前，先澄清一下威胁模型。攻击者是一个被动外部观测者，没有访问预先共享密钥、不知道传输长度、不了解协议参数，更不执行任何直接量子测量——它只是沿着通信链路放置一个分束器，把一小部分光信号引导到自己的探测器上。攻击者收集的数据只有两类：光子到达时间（通过单光子雪崩光电二极管SPAD+时间标签器）和光学功率（通过功率计）。这些测量不影响Alice和Bob之间的正常通信，不会引入可检测的扰动，连纠缠态的特性都能保持（CHSH贝尔参数始终大于2）。

实验平台基于自发参量下转换（SPDC）产生的极化纠缠光子对。405nm连续激光泵浦穿过BBO晶体，产生最大纠缠贝尔态 |ψ> = (|HH> + e^iφ |VV>) / √2。光子对被分成两路：一路作为"触发"信号用于同步，另一路用于状态制备和测量。Alice通过一个808nm半波片制备基矢选择（Z基或X基），Bob通过线性偏振器和SPAD做测量。攻击者用的分束器就插在Alice和Bob之间。

协议实现上，论文采用了参考文献[19]的QIA方案：认证阶段穿插在数据传输阶段之间，具体时机由预先共享密钥决定。数据传输时随机发送H和V偏振态（代表0和1）；认证时则根据密钥的一部分选择基矢和编码值，在Z基或X基上制备四个态之一。攻击者完全不知道这些内部信息，它只能看到经过分束器之后的光信号。

特征工程与学习框架

从分束器偷出来的原始数据是连续的时间戳和功率读数，不能直接扔给分类器。需要先做预处理：把连续数据按照协议执行序列重新组织成"数据传输段"和"认证段"的有标签片段，然后进行归一化（min-max归一化，映射到 [0,1]），并用百分位数截断离群值（抑制暗计数、后脉冲和背景光波动带来的噪声）。由于认证阶段比数据传输阶段短得多，存在类别不平衡，论文使用了SMOTE过采样、平衡类别权重、分层交叉验证等技术来缓解。

量子通信的“隐形窃听”：被动光学抽头如何暴露身份认证阶段？

想象一下，你有一扇号称“量子级别安全”的防盗门。门锁的密码只有你和家人知道，而且它会随机更换密码的位置——今天在门把手上，明天在猫眼里。理论上，小偷根本不可能猜对。但如果这个小偷并不去猜密码，而是躲在旁边观察：你开门的动作、你掏钥匙的声音、你甚至因为紧张而多喘的一口气……这些“物理层面的行为模式”反而暴露了你正在做什么。

田纳西理工大学（Tennessee Tech University）团队的最新研究，正是用这个思路，把量子身份认证（QIA）协议扒了个底朝天。他们发现，被动窃听者根本不需要去碰那些量子比特——只需要在光纤上偷偷“蹭”一小点光信号（10%~30%），通过分析光子到达时间的波动、光功率的微小变化，就能以96%~98%的准确率判断出当前是在“传数据”还是“做认证”。一旦摸清了协议的时间表，窃听者就可以精准地只偷数据，绕开认证，让整个量子安全体系形同虚设。

这就像是你家的量子防盗门，锁是足够强，但小偷通过观察你掏钥匙时口袋发出的响声，就知道你在开门了。然后，他趁你开门的一瞬间，绕过你，直接溜进了屋里，而你还在检查门锁有没有被撬过。

这个发现让整个量子身份认证领域都惊出一身冷汗。因为在此之前，所有人都默认“认证阶段”和“数据传输阶段”在物理层是无法区分的，这是协议安全性的重要基石。而现在，这个基石被一块小小的分束器（beam splitter）和一台普通的机器学习模型给击碎了。

实验设计：从极化纠缠光子平台到侧信道数据收集

这项研究的实验设计非常扎实。团队并没有停留在理论推演或仿真模拟上，而是搭建了一个真实的量子通信测试平台。这个平台的核心是使用自发参量下转换（SPDC）来产生极化纠缠光子对。

“自发参量下转换”可以通俗理解为：一个高能量的光子（比如蓝光）穿过一种特殊晶体后，有一定概率“分裂”成两个能量较低、但相互关联（纠缠）的光子（比如红外光）。这两个纠缠光子的状态紧密相关，测量其中一个，就能瞬间知道另一个的状态，无论它们相隔多远。

整个实验的架构可以用下面这张图来概括，它清楚地展示了Alice（发送方）、Bob（接收方）和“被动观测者”（Eve）三者的位置关系，以及光学元器件的布局。

图1：量子通信测试平台示意图，展示了激光驱动、泵浦激光源、BBO晶体、Alice（半波片）、分束器、Bob（线性偏振器+SPAD）、观测者（SPAD+功率计）及时间标签器等核心组件

简单来说，平台的核心流程如下：

1. 光子生成： 405nm的泵浦激光穿过BBO晶体，生成一对对的极化纠缠光子。这些光子对的状态可以表示为：|ψ> = (|HH> + e^iφ |VV>) / √2，这是一个最大纠缠贝尔态。

2. 协议执行： Alice（通过一个808nm的半波片）根据共享密钥，准备量子态。在数据传输阶段，她随机发送 H（水平偏振）或 V（垂直偏振）态的量子比特。在认证阶段，她根据密钥将认证比特编码到 Z基（|0>, |1>）或 X基（|+>, |->）中的四种状态之一。Bob（线性偏振器+单光子雪崩光电二极管 SPAD）负责测量并验证。

3. 被动窃听： 就在传输光路上，“观测者”悄无声息地插入了一个分束器。这个分束器把一小部分光（实验中设置了30%和10%两种情况）从主光路中“抽头”出来，引导到观测者的探测器上。关键是，这个操作是不破坏量子纠缠状态的——实验测量结果表明，即使抽走了30%的光，纠缠态依然存在（CHSH贝尔参数S>2），这意味着合法通信者Alice和Bob完全察觉不到自己已经被“监听”了。

下面这个图展示了不同抽头比例对光子计数率和符合计数率的影响，可以看出抽头确实影响了信号强度，但量子纠缠特性并没有被破坏。

图2：被动抽头对信号光子计数率和符合计数率的影响。30:70配置（30%抽头）导致光子计数率和符合计数率的降低幅度远大于10:90配置（10%抽头）。

这个实验设计最精彩的地方在于，它完美地复现了一个真实的、具有实战意义的安全漏洞场景：一个攻击者不需要拥有复杂的量子计算机，只需要一个廉价的分束器 (beam splitter)、一个单光子雪崩光电二极管 (SPAD)和一个时间标签器 (time tagger)，就能悄无声息地收集关键信息。而且，攻击者不需要知道与Alice和Bob通信的任何内部参数，完全是“盲打”状态。

特征工程：光子时序与光功率的“指纹”提取

从分束器“偷”出来的原始数据，只是连续的时间戳和功率读数，杂乱无章，不能直接喂给机器学习模型。关键的一步，是特征工程（Feature Engineering），即从原始数据中提取出最能反映“数据传输”和“认证”差异的“指纹”。

研究人员巧妙地设计了两大类特征，分别对应两种不同的观测模态：

1. 时间标签器特征（Photon Timing Features）

这是核心特征集。攻击者使用一个高精度的时间标签器来记录单光子探测器的每一次“咔哒”声（即每个光子的到达时间）。从这些时间戳中，提取了以下特征：

- 光子计数率： 单位时间内检测到的光子数量。

- 到达间隔时间（IAT, Inter-Arrival Time）统计量： 计算连续两个光子到达时间之间的间隔，并提取其均值、标准差、最大值和变异系数。这些特征可以捕捉到不同协议阶段光子到达模式是“均匀”还是“突增突减”。

- IAT规律性（IAT Regularity）： 为了更好地描述光子的到达模式，他们设计了一个复合特征，即 IAT变异系数的倒数。数值越高，代表光子到达越规律，反之则越混乱。

想象一下，数据传输阶段可能像“嘀—嗒—嘀—嗒”一样规律，而认证阶段由于Alice需要根据密钥准备不同的量子态（选择基矢和编码值），其操作可能引入更复杂的时间模式，光子到达的间隔会变得不规则。这些细微差别，就被时间标签器特征完美地捕捉到了。

2. 光功率计特征（Power Meter Features）

这是一个辅助但同样有效的特征集。攻击者用一个高灵敏度的光功率计来测量抽头过来的光信号的强度。包括：

- 光学功率（毫瓦和dBm）： 直接的强度读数。

- 辐照度（Irradiance）： 单位面积上的功率。

由于状态制备（如HWP的旋转角度）或发送频率的微小变化，不同协议阶段可能会在光路上产生极其微弱的功率波动。虽然这些波动可能比时间特征更隐蔽，但在强大的特征工程下，它们依然能提供有价值的区分信息。

研究人员还进一步做了高阶特征工程，比如构建交互特征（例如“功率-时间标准差交互”）、非线性变换（如对数、平方根）、滚动统计特征（捕捉局部趋势）等，将原始数据的信息潜力挖掘到了极致。

机器学习分类：随机森林完胜LSTM/GRU

有了精心设计的特征，下一步就是训练分类器。研究人员构建了一个非常全面的对比实验，测试了三种主流的机器学习模型，分别用于处理三种不同的特征组合（仅时间特征、仅功率特征、两者结合）：

- 随机森林（Random Forest）[21]： 一种集成学习模型，基于决策树。它强大的非线性拟合能力和对噪声的鲁棒性，使其成为很多表格数据分类问题的首选。

- 长短期记忆网络（LSTM）[22]： 一种特殊的循环神经网络（RNN），专门设计用来解决长序列数据的长期依赖问题，非常擅长处理时间序列数据。

- 门控循环单元（GRU）[23]： LSTM的简化变体，结构更简单，参数更少，训练效率更高，同样擅长捕获序列中的时序依赖。

实验数据的准备也考虑得非常周全。研究人员收集了9,000个样本，并使用了SMOTE (合成少数类过采样技术) [20]来处理认证阶段样本数量少的问题（因为认证是穿插在数据传输中的，发生的频率低），确保模型不会因为类别不平衡而偏向于预测“数据传输”。

结果让人大跌眼镜：在绝大多数情况下，看似更“古典”的随机森林，表现竟然全面碾压了专门为时间序列设计的LSTM和GRU！

结果揭示：10%的抽头也能达到96%准确率

最核心的实验结果如下表所示。这张表清晰地揭示了不同配置下的分类性能。

表I：不同模型、抽头比例和观测模态下的分类准确率（%）

我们对表格中的关键数据逐一解读：

1. 随机森林（Random Forest）表现卓越： 在30%抽头比例下，无论使用哪种模态特征（时间、功率或组合），其准确率都稳定在97%~99%。即使在10%这种极低的抽头比例下，使用时间标签器特征和组合特征，准确率依然高达96%和97%。

2. LSTM和GRU表现平平： 在30%抽头下，它们的准确率普遍在91%~96%，低于随机森林。在10%抽头下，它们的性能尤其不稳定，用光功率特征时准确率掉到88%，但组合特征又能回升到94%左右。这说明，对于这个特定的“协议阶段分类”问题，精心设计的特征工程比复杂的时序模型本身更重要。随机森林这种基于决策树的模型，能更好地利用这些经过提炼的统计特征进行分类。

3. 时间标签器特征（Photon Timing）是主角： 在所有配置下，基于时间戳的特征都取得了比光功率特征更好的效果。这表明，协议阶段转换引起的物理层变化，最主要的是表现为光子发射和探测的“时间模式”的改变，而不仅仅是光强度的变化。

为了更严谨地评估，研究人员还计算了F1分数（它是精确率和召回率的调和平均值，是衡量模型在正类（即“认证阶段”）上表现的关键指标）。最惊艳的结果是：在30%抽头下，随机森林和组合特征的F1分数达到了97%！这意味着模型不仅在总体上分类准确，而且对数量稀少的“认证阶段”的识别也异常精准，基本没有漏报。即使是在10%的极低抽头下，F1分数依然高达94%。

这个结果传递了一个信号：即使攻击者只能“挤”到光纤中极其微弱的一束光（10%），也足以高精度地窥探协议的内部运作。

安全启示：物理层泄漏必须纳入量子协议设计

这项研究就像给整个量子身份认证领域敲响了一记警钟。之前的很多研究，包括提出该QIA协议的原始论文[19]，都倾向于在“协议层”谈安全，默认物理层的实现是无懈可击的。但这篇论文用实打实的实验证明，现实世界远比理想模型复杂。

它所揭示的安全启示非常具体：

- 物理层泄漏是真实存在的： 量子态制备、测量等操作在硬件层面的微小差异，都会在物理信道上留下“指纹”。攻击者不需要理解量子力学，只需要一个分束器和数据分析工具，就能“看到”这些指纹。

- 破坏比想象中容易： 掌握了协议阶段信息后，攻击者就能发起“选择性攻击”。他可以在数据传输阶段只管“偷听”，而在认证阶段（此时信道中有用于验证安全的认证比特）就切断自己的探测器，保持静默。这样，他既获取了数据，又完美地绕过了通信双方的认证机制，实现了“隐身”窃听。

- 协议需要“硬化”： 未来的量子身份认证协议设计，必须将对抗物理层侧信道攻击作为核心需求。可能的方向包括：设计物理操作上完全无差异的协议阶段（让数据发射和认证阶段的时序和功率特征一模一样），或者引入随机性来扰乱攻击者收集到的物理信号模式。

总的来说，这是一篇非常具有实际意义和警醒作用的好文章。它用最直观的实验和最先进的数据分析方法，暴露了量子通信中一个被长期忽视的致命软肋。对于所有从事量子网络安全研究的人来说，这篇论文不仅是一个警示，更是一个新的起点：安全，必须从物理层开始。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文解决什么问题？这篇论文主要解决的是一个安全问题：量子身份认证（QIA）协议在协议层面是安全的，但在物理层很可能因为操作模式的差异而泄露信息。作者通过实验证明了被动观测者可以通过侧信道（光信号抽头）收集数据，并成功高精度地区分了“数据传输”和“认证”阶段，从而破坏QIA的安全基础。

SPAD 是什么？它在这篇论文中扮演什么角色？SPAD 是“单光子雪崩光电二极管” (Single Photon Avalanche Photodiode) 的缩写。它是一种极灵敏的光电探测器，能够检测到单个光子。在本研究中，SPAD被用于在合法接收端（Bob）和被动观测者（Eve）处捕获单个光子。对于观测者来说，它是收集“光子到达时间”信息的核心工具，Eve把SPAD的输出连接到时间标签器，从而记录每个光子的到达时刻。

SMOTE 在这里是做什么用的？SMOTE 是“合成少数类过采样技术” (Synthetic Minority Over-sampling Technique) 的缩写。在数据集中，“认证阶段”的样本数量远少于“数据传输阶段”（因为认证是穿插进行的，不连续）。如果不做处理，模型可能会倾向于学习占多数的“数据传输”模式，导致把很难看到“认证”样本。SMOTE通过在特征空间中对少数类样本进行插值，生成新的、虚拟的“认证阶段”样本，有效平衡了类别比例，使模型能更好地学习如何识别少数类。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

论文发现了一个新颖且被严重高估的安全漏洞。虽然通过侧信道分析量子系统不是全新领域，但将其系统地应用到QIA协议阶段识别上，并给出了扎实的实验证据，是重大贡献。

实验合理度：★★★★★

实验设计非常严谨。从威胁模型、实验台搭建、到特征工程和开源的机器学习对比，每个环节都考虑周全。对比了不同抽头比例、不同模态特征和不同模型，结论非常可信。

学术研究价值：★★★★★

研究价值极高。它强迫量子通信领域的学者和工程师们重新思考安全模型，不能再忽视物理层泄露。为后续设计抗侧信道攻击的QIA协议指明了新方向。

稳定性：★★★☆☆

在受控的实验室环境下表现稳定，但如果部署到复杂的、动态变化的真实光纤网络中，其性能会受到背景噪声、设备老化等因素影响，稳定性有待进一步验证。

适应性以及泛化能力：★★★☆☆

文章只测试了一种基于SPDC的QIA实现。对于其他不同类型的QIA协议（例如基于单光子、基于纠缠互换），或不同的量子硬件平台，其物理特征可能完全不同，特征和模型的泛化能力还需要更多实验证实。

硬件需求及成本：★★★★★

对攻击者来说，硬件成本极低。仅需一个廉价的分束器和一个单光子探测器+时间标签器（甚至用高性能光电二极管+示波器替代），就能实现攻击。这正说明了该漏洞的严重性和现实威胁。

复现难度：★★☆☆☆

论文依赖特定的量子光学实验设备和专业的操作环境，普通研究者复现门槛较高。但是，数据集和特征工程方法描述详尽，实验逻辑清晰，对于有量子通信实验室的团队来说，应该不难复现。

产品化成熟度：★★★☆☆

其攻击方法本身具有很强的阶段性，但产品化做防御工具的需求很迫切。研究提出的概念验证可以立即转化为对量子网络进行渗透测试的工具原型。但距离成为一个成熟的产品级安全检测工具还有距离。

可能的问题：

虽然论文实验很扎实，但仅针对了光子到达时间和光功率两种侧信道。另外，实验中假设Bob使用的是线性偏振器和SPAD，可能会遗漏一些近端硬件的细微泄露（如控制电路的电磁辐射）。另外，论文提到多种激光器电流（38mA和43mA），但没有分析激光器电流本身对结果的影响，这点是实验设计的瑕疵。

主要参考文献

[19] S. Pirandola, L. Andersen, et al. Continuous-variable quantum identity authentication protocol with Gaussian states. 2017.

[20] N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer. SMOTE: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16:321–357, 2002.

[21] L. Breiman. Random forests. Machine Learning, 45(1):5–32, 2001.

[22] S. Hochreiter and J. Schmidhuber. Long short-term memory. Neural Computation, 9(8):1735–1780, 1997.

[23] K. Cho, B. van Merriënboer, D. Bahdanau, and Y. Bengio. On the properties of neural machine translation: Encoder-decoder approaches. arXiv preprint arXiv:1409.1259, 2014.

[原文链接] https://arxiv.org/pdf/2607.24744v1.pdf

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！