大家读完觉得有帮助记得关注和点赞摘要X波段8–12 GHzSAR卫星在灾害响应、环境监测和军事情报中发挥着关键作用。然而它们缺乏鲁棒的物理层认证PLA——一种独立于加密解决方案的安全层。现有的PLA系统通常基于射频指纹识别往往局限于6 GHz以下频率并依赖经典深度学习。然而这种方法对区分卫星硬件的IQ相位非线性拟合不足。在本文中我们提出了QuaSAR——据我们所知第一个将CNN频谱图编码器与变分量子电路VQC融合的量子-经典混合架构为X波段SAR信号提供PLA。我们的解决方案具有两个显著特点i它比经典机器学习明显更数据高效仅需10%的训练数据即可达到经典基线的准确率——数据收集众所周知是PLA中最耗时的阶段ii在相同数据预算下它提高了相对于这些基线的分类准确率。具体而言我们在三种对抗场景下测试了我们的解决方案重放、精心构造的IQ注入和星载欺骗。QuaSAR分别拒绝了89.7%、94.1%和81.3%的欺骗传输尝试建立了首个用于卫星星座的量子增强物理层分类器。完整的框架和支持结果除了本身有趣之外也为物理层认证开辟了新的研究方向。I. 引言合成孔径雷达SAR卫星是主动发射微波信号的对地观测平台能够在任何天气或光照条件下实现高分辨率地表成像。X波段8–12 GHzSAR星座的商业扩张显著加速ICEYE——一家拥有全球最大合成孔径成像雷达星座的芬兰私营公司——现运营超过60颗在轨卫星。其竞争对手Capella Space和北京智慧卫星科技有限公司也在进行类似规模的部署。这些系统用于灾害管理、环境监测、农业监测和国家安全情报等时间关键型决策[41, 12, 18, 24]。然而其战略重要性使其成为对手伪造SAR图像或干扰观测服务的诱人目标。然而卫星网络并非普遍强制执行认证机制[13]。即使存在加密保护它们仍然容易受到密钥泄露、传统硬件无法进行软件更新以及在长达十年的任务寿命中加密体系最终被攻破的威胁[27]。物理层安全PLS通过一种独立机制应对此脆弱性硬件引起的信号损伤使每个无线电发射器在物理上具有唯一性且极难复制[36]。虽然这些物理损伤提供了鲁棒的认证锚点但由于恶劣的太空环境它们可能在长时间内发生漂移需要通过迁移学习定期更新模型以保持指纹精度。尽管在6 GHz以下卫星通信如IRIDIUM [30, 40]的RF指纹识别方面已有进展X波段相对而言受到的关注较少。商用SDR的上限约为6–7 GHz需要中间下变频级这会引入额外的相位噪声、混频器非线性和杂散频谱产物[43]。X波段SAR信号中的硬件损伤表现为IQ不平衡和相位微扰动这些反映在高噪声雷达脉冲中。深度卷积架构擅长粗粒度频谱模式提取但对区分共享硬件代的卫星的非线性交互拟合不足。变分量子电路VQC提供了一个有理论依据的替代方案在具有多项式参数数量的指数大希尔伯特空间中运行VQC可以实现浅层经典层可能无法实现的高维非线性变换在经典梯度下降无法达到的方向上放大指纹可分性[6]。贡献。 本文为卫星认证提供了一种新颖的PLA机制融合了量子与经典ML技术。具体而言我们做出以下贡献• 我们设计并部署了一个基于可编程下变频混频器和USRP X310 SDR的X波段SAR卫星RF指纹识别测试平台。为验证我们的框架我们使用两个独立的SDR单元在28天内从37颗在轨ICEYE卫星收集了3.76 TB的原始IQ数据——后者用于评估跨接收器可迁移性。• 我们提出了QuaSAR一种量子-经典混合架构结合了深度CNN频谱图编码器、在8量子比特寄存器上运行的四层VQC以及通过后期拼接融合的经典跳跃连接。VQC由一种IQ原生编码驱动该编码将每个投影特征的幅度和相位映射到量子比特的极角和方位角利用复样本与单量子比特纯态之间的几何同构。• 我们仅使用收集语料库的10%就演示了二元卫星认证中97.3%的验证准确率和宏F10.973——在注册成本的一小部分下达到经典基线准确率——并超过纯经典基线7.5个百分点。此外通过基于梯度显著性图和潜在空间聚类的专门可解释性分析我们确立了QuaSAR决策的物理基础确认了量子分支放大微小硬件指纹的能力并将决策定位到原始IQ域中的亚毫秒窗口。• 我们定义并测试了三种攻击场景重放攻击精心构造的IQ注入以及欺骗——分别实现了89.7%、94.1%和81.3%的检测率。II. 背景本节介绍我们提出方法所依据的原理具体包括SAR卫星成像、用于RF指纹识别的软件定义无线电、时频信号表示以及变分量子电路。我们还将IQ样本与量子比特联系起来以进一步论证在PLA中使用量子机器学习的合理性。II-A SAR成像卫星合成孔径雷达SAR是一种主动微波遥感技术。SAR卫星用无线电脉冲照射地面并从反射回波中重建高分辨率图像。由于系统依赖自身照射且在可穿透云层的微波频率下工作SAR可以昼夜、不受天气影响地获取图像。相比之下被动光学卫星不具备这种能力这使得SAR成为灾害响应、海上监视和军事情报的首选工具[41, 20, 24]。成像脉冲。 为在不要求实际不可实现的短脉冲的情况下实现良好的距离分辨率SAR系统发射线性调频LFM信号——一种瞬时频率在脉冲持续时间内线性扫描仪器带宽的波形[26]。对于带宽为B、持续时间为T_p的调频信号基带发射信号为其中K为调频斜率[10, 26]。接收端的脉冲压缩将长发射脉冲换为宽度≈1/B的短有效脉冲因此地面距离分辨率与发射带宽成反比缩放。SAR卫星成像波段。 SAR星座在多个微波波段运行——L、C和X是最常见的[33, 7, 3]。X波段8–12 GHz在分辨率和天线尺寸之间为小型商业平台提供了最有利的权衡[7]其短波长可在与相对轻量级卫星平台甚至低于100 kg兼容的天线下实现亚米级地面分辨率使ICEYE、Capella Space和Umbra现在部署的密集LEO星座成为可能。较低波段L、C需要按比例更大的天线以获得等效分辨率通常保留给旗舰政府任务[14]。ICEYE星座。 我们的测试平台以ICEYE星座的卫星为目标。ICEYE是一家芬兰商业运营商成立于2014年是阿尔托大学的衍生公司其使命是将X波段SAR有效载荷小型化到100 kg以下的平台。每颗ICEYE卫星携带一个工作标称载波频率为9.65 GHz的有源相控阵天线支持多种采集模式——条带、聚束、扫描和驻留——公布的制图分辨率根据模式从约0.25 m到15 m不等[11]。ICEYE现运营在轨最大的商业SAR星座本研究中使用的37颗卫星对应我们28天采集活动期间在轨的子集而该星座此后已发展到超过60颗卫星。在同一硬件代内所有卫星共享公共平台和有效载荷设计这使得星座内区分对任何指纹识别方法都特别具有挑战性。II-B 软件定义无线电与RF指纹识别SDR在可重构硬件上实现信号处理无需事先了解目标传输方案即可进行无源宽带捕获。其工作频率上限商用单元为6–7 GHz排除了对X波段发射的直接捕获。射频指纹识别利用硬件损伤来识别发射源[36]。即使是同一批次的大规模生产收发器由于硬件上的微小差异也是可区分的这些差异表现为接收IQ样本中的IQ增益不平衡、直流偏移、相位噪声和非线性谐波失真[30]。短时傅里叶变换频谱图。 原始IQ样本通过STFT转换为时频表示[28]。对于复基带信号x[n]其中w[n]是长度为N的汉宁分析窗H是跳数m和k分别索引时间帧和频率仓。对数幅度频谱图S(m,k) 10 log₁₀ |X(m,k)|² 被视为灰度二维图像联合编码频谱内容和时间演化。II-C 变分量子电路VQC U(θ, x) 将经典数据编码到量子比特态应用参数化门序列并返回泡利可观测量期望值作为经典输出。角度嵌入层通过以下方式初始化每个量子比特其中σ(·)是sigmoid函数约束φᵢ ∈ (0, π)。嵌入将每个经典特征加载到独立量子比特上产生不携带量子比特间关联的可分离乘积态⨂ᵢ |φᵢ⟩。为学习嵌入特征的联合函数此状态由L个强纠缠层SEL处理[37]。每个SEL在每个量子比特上应用参数化R_Y/R_Z旋转后接CNOT环生成评估2^d维希尔伯特空间上不可分离函数所需的多量子比特纠缠。电路输出是单量子比特泡利-Z期望值的向量通过参数偏移规则[25]可实现端到端可微使VQC与标准反向传播兼容。II-D 将IQ样本连接到量子比特图1I Q样本与量子比特态。左一个复IQ样本x I jQ表示为复平面中幅度r和相位φ的向量。右布洛赫球上的单量子比特纯态|ψ⟩ cos(θ/2)|0⟩ e^{iφ} sin(θ/2)|1⟩由极角θ和方位角φ参数化。两个对象均由两个实参数完全指定IQ幅度r映射到极角θ 2 arcsin(r)而相位φ在两个表示中是相同的物理量。在射频指纹识别背景下使用量子机器学习QML的核心动机是量子比特的固有状态空间与IQ样本的固有状态空间几何同构。这种对应关系如图1所示允许一种编码方式使复样本的全部信息内容即幅度和相位都在量子态中得到保留。这对于实值编码如频谱图幅度通常不成立后者在构造上丢弃了相位。几何对应关系。 一个复IQ样本x I jQ ∈ ℂ 由两个实参数唯一确定其幅度r |x| 和相位φ arg(x) ∈ [0, 2π)。单量子比特纯态同样由两个实参数确定布洛赫球上的极角θ ∈ [0, π]和方位角φ ∈ [0, 2π)。方位角φ在两个表示中是相同的物理量即复对象的相位。只需指定幅度-极角映射即可完成对应关系。IQ原生编码。 给定归一化IQ样本x_n I_n jQ_n其中r_n |x_n| ∈ [0, 1]且φ_n arg(x_n)我们通过双旋转序列将其编码到量子比特n其中R_Y(θ) exp(-iθY/2)和R_Z(φ) exp(-iφZ/2)是标准泡利旋转[29, 38]。R_Y旋转固定状态在布洛赫球上的纬度加载幅度后续R_Z旋转固定其经度加载相位。R_Z旋转引入整体因子e^{-iφ/2}作为全局相位它使所有可测量量和后续门操作不变。排除此全局相位结果状态恰好是式(5)其中θ θ_n且φ φ_n因此编码是无损的原始样本可从|ψ_n⟩的布洛赫球坐标恢复为x_n sin(θ_n/2) e^{iφ_n}。一组d个连续IQ样本通过在每个量子比特上独立应用式(6)编码为d量子比特乘积态|ψ⟩ ⨂_{n1}^d |ψ_n⟩。随后的纠缠层见第五节随后耦合这些量子比特允许VQC学习完整IQ块的联合函数。与实特征角度嵌入的对比。 式(3)的传统角度嵌入方法通过单次R_Y旋转将实标量x_i ∈ ℝ加载到量子比特i留下方位角自由度未使用。应用于复IQ流时该方案需要i丢弃相位或ii每个样本使用两个量子比特一个用于I一个用于Q这使电路深度加倍并破坏编码状态与原始复数之间的几何联系。式(6)的IQ原生编码避免了这两种代价一个样本映射到一个量子比特无信息丢失而相位φ——可能携带硬件引起的损伤如振荡器漂移和混频器非线性[2, 9]——在量子比特上表示为它在复平面中占据的相同角度。第VI-D节量化了这种区别在实践中的价值在架构其他所有组件保持固定的情况下用IQ原生编码替换角度嵌入将测试准确率提高了2.2个百分点并将收敛轮数几乎减半。III. 威胁模型我们定义限定QuaSAR设计的对抗假设、目标和攻击场景。图2说明了系统和威胁模型。III-A 系统模型配备X波段下变频链和SDR的地面站被动捕获合法ICEYE SAR卫星在轨道过境期间发射的雷达照射脉冲。经过训练的QuaSAR分类器近实时地根据已注册卫星的物理层指纹对照射信号进行认证。注册在已验证的卫星过境期间离线执行。对抗目标。 对手寻求破坏物理层认证要么通过成功冒充合法卫星注入伪造的IQ数据以生成虚假SAR图像要么通过阻断正确认证以拒绝观测服务。在高风险环境中如军事监视或关键基础设施监控两种结果都会带来严重的操作后果。对抗能力。 我们考虑一个分层对手模型其资源随攻击场景扩展。在较低层级地面攻击者拥有商用现货SDR、功率放大器和定向天线能够在目标地面站附近进行信号捕获、重放和合成。该设备商用价格约为500–10,000美元足以进行基于地面的重放和精心构造的IQ攻击。在较高层级我们考虑一个具有运营自身X波段SAR卫星能力的战略对手。虽然成本高出数个数量级但这种能力不再是主要太空大国的专属领域商业SAR卫星可从成熟供应商处采购或租赁。拼车发射多个客户共享一枚火箭已将任务成本推至数百万美元的低位。因此若干国家以及非国家行为者现在可以部署X波段成像资产。战略对手有若干动机。伪造或压制SAR图像可以隐藏军事部署、操纵依赖SAR衍生情报的保险和大宗商品市场、破坏对手的灾难响应或条约核查努力或通过注入归因于其卫星的伪造观测来诋毁竞争星座运营商。在所有层级中我们不假设能访问合法ICEYE卫星硬件、了解QuaSAR参数或破坏地面站。图2 威胁模型。(A) 合法SAR卫星X_t发射两种物理上不同的X波段信号i频繁的用于地球成像的高功率调频脉冲以及ii罕见的相位调制数据下行链路。(B) 地面站捕获成像脉冲用于认证目的。考虑两种对手(C) 运行硬件可比的SAR卫星X_s的星载对手以及(D) 运行商用高端SDR的地面欺骗器。III-B 攻击场景我们按对抗能力递增顺序考虑三种场景。在本文中它们被称为场景A、B和C。场景A重放。 配备商用SDR、功率放大器和定向天线的对手在X_t合法过境期间记录IQ脉冲并在后续窗口期间从地面向受害地面站重新发射。这是三种模型中在所需专业知识和资本支出方面最弱的500–10,000美元但在操作上也是最可行的。防御依赖于欺骗器的发射链在X_t的原始指纹之上叠加其自身的硬件损伤在IQ域产生可测量的差异。我们通过在我们采集链的IF级通过第二个USRP X310发射重新播放先前捕获的ICEYE脉冲来实例化此场景。场景B精心构造的IQ注入。 对手不重放记录的波形而是合成匹配标称ICEYE波形参数——载波、带宽、调频斜率和脉冲重复间隔——的LFM调频信号并将其发射向地面站。合成脉冲在宏观层面上与合法照射在频谱上无法区分但不携带X_t的硬件指纹只有对手自身发射链的损伤。此场景隔离了分类器对微尺度损伤而非波形结构的依赖。场景C星载欺骗。 第二颗SAR卫星X_s在同一波段运行并与合法卫星X_t共享可比的硬件。X_s向地面站发射照射脉冲旨在冒充X_t。在现实部署中X_s将属于外国或竞争星座然而此类跨星座捕获在我们的数据集中不可用且控制来自不同硬件家族的卫星的对手由于更大的损伤差距将更容易被区分。为在具有挑战性的星载条件下对QuaSAR进行压力测试我们因此通过开放集协议模拟此场景将37颗ICEYE卫星的一个子集从训练和验证划分中保留仅在测试时以X_s的角色呈现给分类器。由于ICEYE单元共享相似的相控阵架构和硬件这是一个合理的星载攻击者。成功的防御要求模型拒绝X_s尽管其与X_t在宏观层面上的频谱差异极小。这是三种模型中最强的也是QuaSAR最难以应对的。IV. 数据收集与处理本节描述用于捕获X波段SAR信号的硬件测试平台、选择成像脉冲而非数据下行链路的理由、生成的数据集以及将原始IQ记录转换为频谱图以供进一步处理的预处理流水线。IV-A 采集测试平台图3在X波段收集卫星信号的设置。使用两个USRP以及MX12000下变频器和8TB Seagate BarraCuda存储。在9.65 GHz捕获ICEYE SAR照射信号超出了商用SDR 6–7 GHz的上限。我们设计了一个由三个元件组成的定制下变频链。Aaronia Hyperlog Pro 70140是一款无源定向天线频率范围覆盖700 MHz至14 GHz增益13 dBi专为现场使用设计。它馈送DSI MX12000可编程微波混频器本振设置为7.2 GHz将接收信号下变频至2.45 GHz的中频IF。MX12000消除了对外部高频信号源的需求。MX12000输出由配备UBX-40子板的Ettus USRP X31010 MHz–6 GHz40 MHz瞬时带宽以10 Msps捕获。IQ文件存储在8 TB HDD上并使用GNU Radio离线处理。40 MHz捕获带宽窄于ICEYE的完整成像带宽——标准模式高达299 MHz。完整带宽捕获是SAR图像形成所必需的但对指纹识别并非必需。实际上硬件损伤可在任何一致的频谱切片内检测到因此指纹识别在SDR的瞬时带宽内仍然可行。IV-B 选择成像脉冲的理由我们的测试平台专门捕获SAR成像脉冲而非卫星的X波段数据下行链路。三个特性使成像脉冲成为物理层认证的自然选择。被动可用性。 成像脉冲是在每次轨道过境期间向地球广播的高功率照射任何具有卫星直接视线的地面接收器都可以收集。相比之下数据下行链路是定向高增益波束指向特定的许可地面站使得被动拦截在没有事先协调的情况下不切实际特别是需要接近预期接收器。信号丰富性。 成像脉冲是宽带LFM调频信号ICEYE标准模式高达299 MHz以高功率发射。它们提供了硬件损伤可以显现的大频谱画布。数据下行链路采用窄带相位调制通信波形如QPSK或8PSK其减小的带宽和不同的调制方案产生根本不同的损伤特征。因此在一个上训练的指纹不能替代另一个。收集频率。 成像脉冲在每次过境的照射阶段连续发射而数据下行链路会话相对不频繁且依赖于许可下行链路站的可用性。这种不对称性极大地便利了数据集收集——无论是对于研究目的独立地面接收器可在多次过境中积累大量语料库还是对于配备自身地面基础设施的星座运营商的运营部署。请注意从SAR成像脉冲提取的硬件指纹与从卫星X波段数据下行链路提取的不可互换因为两种信号在波形结构上根本不同。IV-C 数据集28天的采集活动产生了来自所有37颗在轨ICEYE卫星的信号累积了3.76 TB的原始IQ数据。为评估跨接收器可迁移性——一种已知的指纹识别偏差来源[17]——部署了两个物理上独立的USRP X310单元第一单元贡献2.48 TB第二单元贡献1.28 TB。IV-D 预处理通过自适应幅度阈值减轻仅噪声间隔其中μ和σ是瞬时样本幅度的均值和标准差α ∈ [0,1]是可调强度系数。超过τ的样本被保留其余被丢弃降低了下变频X波段接收期间的噪声基底。IV-E 频谱图生成保留的IQ脉冲被分割为100,000个样本的块。每个块使用式(2)转换为灰度频谱图汉宁窗N256跳数H12850%重叠FFT长度256。功率频谱图以dB对数缩放在第1和第99百分位数之间裁剪以进行动态范围压缩并调整为224×224像素以匹配CNN编码器的输入维度。IV-F 类别平衡我们从37颗ICEYE卫星收集IQ数据并在“一对其余”OvR协议下为每颗卫星训练一个二元分类器。对于每个分类器来自已注册卫星的样本为正类来自其余36颗卫星的样本为负类。这产生了自然的36:1不平衡。为纠正它我们在过境级别对负类进行欠采样抽取负过境直到其频谱图数量与正类匹配并用向上取整过采样填补任何剩余差距。最终平衡集每个分类器包含2,021个频谱图在两类别之间均匀分配。此过程对37颗已注册卫星中的每一颗独立应用。图4三颗ICEYE卫星的时域IQ波形左和星座密度图右X11上、X13中和X14下。每颗卫星在其自身的轨道过境中被捕获在独立的采集中没有采集包含多于一个发射器。因此目标和非目标标签不是采集的属性而是每个分类器分配的角色在第IV节的一对其余协议下37颗卫星中的每一颗轮流注册为目标其余36颗为该分类器扮演非目标角色。图4显示了三个独立采集的发射器其中X11纯粹为说明目的以目标角色绘制。三行展示了测试平台解析的形态多样性。X11顶行在时域轨迹中表现出明显的脉冲起始瞬态I和Q分量达到±0.05的峰值幅度随后信号快速衰减。其星座密度图宽且不对称反映了该卫星发射链引入的硬件相位噪声和IQ不平衡。X13中间行在低幅度平稳基底上叠加了稀疏的脉冲伪影更宽的星座散布表明具有更高方差的噪声过程。X14底行呈现最平稳的波形幅度均匀有界且星座紧凑近圆形其峰值计数密度≤40个样本反映了其间歇性的带内活动。这些发射器间差异——在任何谱变换之前在原始IQ形态级别可检测——确认了下变频链保留了足够的硬件引起的信号结构以支持指纹提取并验证了上述类别平衡过程。IV-G 训练/验证/测试划分平衡数据集在轨道过境粒度上划分为D_train60%、D_val20%和D_test20%而非单个频谱图粒度我们首先按过境标识符日期×卫星×采集窗口对所有脉冲进行分组然后通过随机洗牌将整个过境分配到三个子集。同一过境的频谱图因此永远不会跨两个子集。这防止了时间相邻的脉冲——它们共享信道状态、大气条件和前端热状态——在划分之间泄漏。V. QuaSAR架构QuaSAR接收共享潜在表示并通过两条并行路径发送一个变分量子分支和一个经典跳跃连接。它们的输出随后被组合并传递给单个二元分类器。完整流水线如图5所示。图5 QuaSAR端到端架构。共享CNN编码器蓝色将×224 STFT频谱图映射到256维潜在向量h。QNN分支紫色将h投影到8个复分量通过IQ原生幅度-相位编码式(6)将每个加载到一个量子比特应用L4层强纠缠层SEL并发出8个泡利-Z期望值。经典跳跃绿色通过两个FC层将h压缩到64维。后期拼接将两者连接成一个72维向量由线性头部分类。V-A CNN编码器输入灰度频谱图 I ∈ ℝ^(1×224×224) 由卷积块堆栈处理[39, 15]。每个块应用Conv2d层后接BatchNorm2d、ReLU激活和MaxPool2d空间下采样。编码器输出一个密集潜在向量 h ∈ ℝ^256编码接收波形层次化谱和时间特征。每层的批归一化稳定梯度流并在存在VQC参数偏移梯度其方差高于标准反向传播时加速收敛。V-B 变分量子分支256维潜在向量h由可训练线性层投影到16个实值读取为8个复分量其中 c_i q_{2i-1} j q_{2i}i 1, …, 8。每个复分量通过式(6)的IQ原生编码加载到一个量子比特其中 tanh|c_i| ∈ [0,1) 将幅度保持在 arcsin 的容许范围内。R_Y旋转加载c_i的幅度后续R_Z旋转加载其相位因此投影特征的两个自由度都到达寄存器。抑制R_Z旋转并用单个实投影驱动R_Y恢复了式(3)的传统角度嵌入后者丢弃了方位角自由度我们保留该配置作为消融并在第VI-D节量化其成本。然后应用四层强纠缠层。记 θ^(ℓ) ∈ ℝ^(8×3) 为第ℓ层的参数每层在每个量子比特上执行参数化单量子比特旋转后接CNOT环其中R(α,β,γ) R_Z(γ) R_Y(β) R_Z(α)是通用单量子比特旋转。因此完整分支从状态 (∏{ℓ1}^4 U_ℓ) ⨂{i1}^8 |ψ_i⟩ 计算v_Q。纠缠环使方位角自由度可观测在乘积态上式(4)的泡利-Z期望对相位φ_i不变因此没有式(10)加载到寄存器的任何相位都将不可测量。电路在PennyLane [5]中实现使用参数偏移梯度估计并发出 v_Q ∈ [-1,1]^8 如式(4)定义。量子分支提供两个设计优势。首先通过在布洛赫球上操作它在2^8维希尔伯特空间中仅使用d·L32个可训练旋转参数实现非线性变换每个参数提供远大于同等大小经典层的表示能力。其次纠缠层生成量子比特间关联对更高阶特征交互建模捕获在经典全连接层中被抑制的指纹。超参数选择。 量子比特数d8和纠缠深度L4被选择以平衡希尔伯特空间表达性与贫瘠高原[23]引起的可训练性退化。将d增加到8以上将模拟状态空间扩展到2^d≥512个幅度使参数偏移训练成本超线性膨胀而在D_val上无可测量的准确率增益在固定L4时我们在d∈{6,8,10,12}上观察到0.4个百分点的波动。相反L4使状态欠纠缠性能向表II的QNN-Only基线坍塌。所选配置与已建立QML基准的维度匹配[37]并保持在当前NISQ后端可执行的门深度预算内[6]。V-C 经典跳跃连接并行地完整潜在向量h通过经典全连接路径其中W₁ ∈ ℝ^(128×256)且W₂ ∈ ℝ^(64×128)。此跳跃连接在架构上是必要的将所有信息路由通过8维量子瓶颈将丢弃CNN编码的大部分时间模式信息。经典分支保留此信息确保融合层既可访问量子算子的非线性投影也可访问原始丰富的潜在表示。V-D 后期融合与二元分类器两个分支输出被拼接线性头将z映射到二元logits通过softmax推导目标类后验。72维融合空间为二元决策边界提供了足够的表示能力而不会在2,021实例数据集上冒过拟合风险。V-E 训练协议所有参数——CNN编码器、投影矩阵W_q、VQC参数θ和分类头——在单个端到端训练循环中联合优化。我们使用Adam优化器学习率η10^-3权重衰减λ10^-4并最小化批量大小为32的交叉熵损失。批量大小选择以适应VQC参数偏移开销而不超出GPU内存。验证损失上的早停耐心50终止训练模型在第37轮收敛。VI. 实验评估本节报告QuaSAR在五项评估中的性能对训练数据预算的敏感性、对已注册目标的二元认证、与经典基准的架构消融、每卫星欺骗检测和梯度显著性分析。VI-A 实验设置所有实验在工作站上运行配备NVIDIA A6000 GPU。CNN组件在GPU上执行PennyLane的VQC模拟在CPU上运行使用参数偏移梯度这构成了主要计算瓶颈。VQC以经典方式模拟——近程量子ML的标准做法[6]——产生与无噪声硬件执行等效的结果。所有报告指标在25个独立随机初始化不同权重种子上平均。除非另有说明QuaSAR指使用式(6)的IQ原生编码的部署配置。第VI和VII节的欺骗检测、潜在空间和梯度显著性结果是通过角度嵌入变体获得的因此是保守的它们在每个二元指标上都低于部署模型表I。所有实验在完整3.76 TB语料库的10%代表性子集上进行对应第IV节所述的类别平衡过程后的2,021个平衡实例。此有意的限制反映了QuaSAR的主要主张之一量子-经典混合在显著减少的数据预算下达到经典基线准确率将原本需要数月的注册阶段压缩到更短的采集窗口。消融和基准比较中的所有基线都在相同的10%子集上训练以确保受控比较。训练时间。 为评估QuaSAR在运营部署中的适用性我们测量了训练和推理的计算延迟。由于参数偏移规则训练混合架构计算密集该规则需要对每个可训练量子参数进行两次独立的量子电路前向传递以计算解析梯度。因此在2,021实例数据集上训练QuaSAR每轮约需102秒在37轮后约63分钟收敛——而第VI-D节的角度嵌入变体在68轮后需1小时55分钟。由于卫星注册是为应对硬件漂移每隔数月执行一次的离线过程此训练开销在操作上是可接受的。实时推理。 推理期间不调用参数偏移规则。VQC仅需单次前向模拟。CNN编码器处理×224频谱图需221 ms而8量子比特PennyLane CPU模拟在436 ms内执行。从原始IQ摄入到二元决策的端到端分类延迟约为每脉冲700 ms。图6 QuaSAR测试准确率作为训练数据分数的函数。分数是在应用训练/验证/测试划分之前通过分层随机抽样从完整平衡语料库中抽取的份额。对每个分数重新构建60/20/20划分所有超参数保持固定。每个标记报告25个随机种子的均值。VI-B 对训练数据分数的敏感性为证明整个评估中使用的10%数据预算的合理性我们以5%、10%、15%和20%的分数对完整平衡语料库进行重采样。对每个分数抽取均匀子集重建60/20/20划分并在所有其他设置固定下重新训练。在5%时模型仅达到71.1%的测试准确率编码器训练不足72维融合空间填充不佳。在10%时——第VI和VII节使用的设置——准确率达到96.9%即表II报告的值。超过此点曲线趋于平坦15%增加0.6个百分点20%总共增加0.9个百分点图6均在25次运行测量的种子间标准差内。因此额外的数据——在此领域意味着安排额外的轨道过境——产生递减收益QuaSAR以少量训练预算饱和其容量。这种数据效率是本文的核心主张之一。VI-C 二元认证性能二元认证是QuaSAR被训练的任务分类器决定脉冲是否来自已注册的目标卫星。重放脉冲的检测场景A其中记录的波形通过单独的发射链重新发射是一项单独的评估在本节末尾对获取了实验室重放数据的三颗卫星X4、X20、X41报告。表I报告了两种量子嵌入在D_val和D_test上的二元指标。在其部署配置——式(6)的IQ原生编码——中QuaSAR在验证上达到0.973的准确率和0.973的宏F1在保留的测试集上两个指标均为0.969。从验证到测试的0.4个百分点下降在种子间标准差内表明模型泛化到未见过的轨道过境。训练和验证损失在所有轮次中相互跟踪无过拟合迹象早停在37轮终止。由于两类在构造上是平衡的第IV节准确率和宏F1在舍入误差内一致。第VI-D节讨论的角度嵌入变体在每个指标上都一致较弱。表I两种量子嵌入下的二分类认证性能架构的其他所有组件保持不变。角度嵌入公式(3)每个量子比特加载一个实数投影IQ原生编码公式(6)加载幅度和相位。25个随机种子的均值±标准差。度量角度嵌入IQ原生编码本文验证集测试集验证集测试集准确率0.950 (±0.010)0.947 (±0.009)0.973 (±0.010)0.969 (±0.009)宏平均F10.950 (±0.004)0.947 (±0.005)0.973 (±0.004)0.969 (±0.005)精确率目标类0.9530.9510.9690.965召回率目标类0.9480.9430.9740.975收敛轮数68—37—VI-D 编码消融实验IQ原生编码与角度嵌入对比第II-D节的IQ原生编码在几何上是有动机的但论证只有得到测量支持才有效。因此我们两次训练相同的架构改变一个组件从投影特征到量子比特寄存器的映射。在角度嵌入配置中每个量子比特通过R_Y接收单个实投影式(3)——先前量子混合RFFI工作使用的方案[4]在IQ原生配置中每个量子比特通过R_Z R_Y接收一个复分量式(9)。CNN编码器、经典跳跃、纠缠层、融合头、优化器、数据划分和25个随机种子全部共享。因此比较的两行仅归因于编码。表I报告了结果。IQ原生编码将测试准确率从0.947提高到0.9692.2个百分点宏F1同样提高。结果的两个特征值得评论。第一增益集中在召回率上在D_test上从0.943上升到0.9753.2个百分点而精确率增益较小1.4个百分点。换句话说角度嵌入变体主要通过拒绝已注册目标的合法脉冲而失败而正是这些脉冲被方位角自由度恢复。这正是几何论证所预测的行为振荡器漂移和混频器非线性——区分同一生产批次两个单元的损伤——扰动接收样本的相位而实值编码在变分层看到它之前就丢弃了该坐标。第二IQ原生模型在37轮收敛而角度嵌入为68轮减少了46%。在每轮102秒的情况下这将在相同硬件上将注册时间从1小时55分钟缩短到约63分钟。因此编码不以准确率换取训练成本它同时改善了两者。我们将更快的收敛解读为证据表明相位坐标携带判别信号而角度嵌入变体否则必须从幅度统计通过纠缠层间接重建——如果可能的话。结合下一节的架构消融两个比较将混合模型相对于经典基线的优势分解为两个可加部分引入VQC分支本身就比CNN-Only值5.3个百分点而将其输入原生编码为幅度和相位值进一步2.2个百分点。每卫星认证的可靠性。 我们对37颗ICEYE卫星中的每一颗依次注册为目标重复二元协议。图7报告了由此产生的命中率和未命中率按命中率递减排序。出现两种状态第一组28颗卫星达到1.00的命中率即分类器认证目标的每个测试脉冲。第二组九颗卫星——X11、X7、X17、X23、X4、X20、X33、X6、X14——命中率较低从0.93X11到0.25X14未命中率高达0.75。X14是最坏情况也是图4中波形最平稳、星座计数密度最低的卫星。指纹对比度降低是其认证退化的最可能原因。图7]完整37颗卫星ICEYE星座的每卫星命中率圆圈和未命中率叉号按命中率降序排列。28颗卫星达到命中率1.00和未命中率0.00一组九颗卫星性能退化X14达到最低命中率0.25。VI-E 消融研究与基准比较架构消融。 为隔离VQC分支的贡献我们在相同的平衡数据集上评估四种配置。QNN-Only将独立VQC应用于PCA压缩的8维输入复现了PCA破坏时间语义的朴素量子基线。CNN-Only保留CNN编码器和经典跳跃同时完全移除VQC分支zv_C64维分类器输入。QuaSAR角度嵌入是由传统实值嵌入式(3)驱动的完整混合架构QuaSAR是带IQ原生编码的完整混合架构第VI-D节。与经典频谱图分类器的基准比较。 为在频谱图深度学习更广泛背景下语境化性能我们还评估了三种在相同协议下训练的经典架构Adamη10^-3早停25种子针对单通道频谱图适配的ResNet-18、轻量级Transformer编码器和MobileNetV2。表II合并了两种评估。QuaSAR在所有评估配置中实现了最高的准确率96.9%和宏F10.969。三个发现值得关注。第一QNN-Only配置整体最弱71.3%F10.709确认PCA引起的信息损失是独立量子方法的主要故障模式丢弃时间结构恰好移除了携带硬件损伤信息的信号。第二CNN-Only89.4%F10.891和QuaSAR96.9%F10.969之间7.5个百分点的准确率差距在两个指标上一致排除了精确率-召回率权衡伪影并确认VQC贡献了同等参数数量的经典全连接层无法提供的非冗余判别信号。在此差距中当量子分支由传统角度嵌入94.7%F10.947驱动时5.3个百分点存活因此分支及其IQ原生输入分别贡献而非一个替代另一个。第三所有三种外部经典架构的准确率稳定在85.7%或以下F10.861尽管参数数量大大超过QuaSAR量子分支确认标准卷积迁移架构对区分ICEYE硬件代的微尺度非线性拟合不足。表I两种量子嵌入下的二分类认证性能架构的其他所有组件保持不变。角度嵌入公式(3)每个量子比特加载一个实数投影IQ原生编码公式(6)加载幅度和相位。25个随机种子的均值±标准差。度量角度嵌入IQ原生编码本文验证集测试集验证集测试集准确率0.950 (±0.010)0.947 (±0.009)0.973 (±0.010)0.969 (±0.009)宏平均F10.950 (±0.004)0.947 (±0.005)0.973 (±0.004)0.969 (±0.005)精确率目标类0.9530.9510.9690.965召回率目标类0.9480.9430.9740.975收敛轮数68—37—VI-F 梯度显著性可解释性为定位驱动认证决策的时间特征我们计算输入空间梯度显著性图。IQ信号x[n]通过完整可微图——包括PyTorch原生的torch.fft STFT——处理目标类logit反向传播到原始IQ张量对50个正确分类脉冲的分析表明QuaSAR始终将其决策信号集中在覆盖不到1 ms传输时间的连续窗口上与每个雷达脉冲的起始重合此时硬件瞬态效应上电相位噪声、初始振荡器漂移最为显著。这种时间定位在混合架构下比在CNN-Only基线下定量更尖锐与VQC在脉冲起始处放大微尺度相位特征一致。VI-G 每卫星欺骗检测我们针对获取了实验室重放数据的三颗卫星X4、X20、X41的场景A重放评估QuaSAR。欺骗脉冲通过单独的USRP X310发射链重新发射记录的捕获来产生其硬件损伤叠加在重放波形之上。表III报告了每卫星和聚合指标。QuaSAR在三颗卫星上实现了91.39%的平均准确率、0.9114的宏F1以及关键地——完美召回率1.00无论目标卫星身份如何没有欺骗脉冲逃避检测。精确率从0.769X4到0.952X41不等。此分布反映了每个目标硬件与欺骗器发射链之间指纹对比度的差异而非分类器不稳定性。X4上较低的精确率对应其采集窗口中合法脉冲的较高假正率我们将其归因于该采集时段内升高的地面干扰我们在第IX节回到此点。表III场景A重放下各卫星的欺骗检测性能。对三颗在轨ICEYE卫星的欺骗IQ信号使用训练好的QuaSAR分类器进行评估。所有卫星的召回率均为1.00确认无误检。卫星准确率精确率召回率F1X40.850.761.000.86X200.910.801.000.88X410.970.951.000.97均值0.910.841.000.91VII. 可解释性分析本节检查QuaSAR学习的内部表示以评估其分类决策是否物理扎根且可解释。我们通过t-SNE投影和定量聚类指数分析融合潜在空间的结构并在PCA投影的潜在空间中可视化区分合法和欺骗传输的决策边界。通过t-SNE的潜在空间几何。 为评估QuaSAR是否学习到合法和欺骗传输的几何可分离表示我们通过t-SNE困惑度30500次迭代将72维融合潜在向量z式(12)投影到二维针对三颗代表性ICEYE卫星X4、X20和X41。图8显示了生成的嵌入。合法脉冲实心圆及其欺骗对应物叉号在三颗卫星中都形成清晰不同的簇类间分离始终大于类内散布。合法嵌入紧凑且定位良好表明来自同一轨道过境的信号具有稳定的指纹表示。欺骗嵌入占据潜在空间中系统偏移的区域表明混合编码器放大了欺骗器发射链引入的指纹差异。值得注意的是三个卫星身份本身相互分离表明QuaSAR即使在二元目标上训练时也隐式学习了多类结构。图8]三颗ICEYE卫星X4、X20、X41的72维融合潜在空间z的t-SNE投影。实心圆表示合法脉冲。叉号表示场景A重放下生成的欺骗脉冲。每个卫星身份占据一个不同且紧凑的区域欺骗样本在所有三种情况下都从其合法对应物偏移确认量子-经典编码器保留并放大了类间指纹距离。定量聚类质量。 对t-SNE嵌入的视觉检查由直接在72维潜在向量z上计算的三个标准内部聚类指数佐证未进行降维。表IV报告了QuaSAR和CNN-Only基线的轮廓分数SS、Calinski–Harabasz指数CH和Davies–Bouldin指数DB。QuaSAR相对于经典基线将SS提高了0.067相对21.6%CH提高了2.494.0%DB降低了0.188-15.4%。由于SS和CH随聚类质量单调增加而DB单调减少所有三个指数一致地偏向混合编码器。DB的降低对认证特别相关较低的Davies–Bouldin指数意味着簇相对于分离它们的距离更紧凑直接转化为合法和欺骗表示之间更大的边界因此更低的欺骗漏检率。综合来看这些结果提供了定量证据表明变分量子分支重组了潜在空间使硬件引起的指纹差异被放大到超过同等参数数量的经典全连接层所能达到的程度。表IVQuaSAR与纯CNN基线在72维融合潜在空间z上的内部聚类质量。轮廓系数和卡林斯基-哈拉巴斯指数越高表示聚类分离效果越好戴维斯-布尔丁指数越低表示聚类越紧凑。所有指标均在完整测试集上计算未进行降维。模型轮廓系数 ↑卡林斯基-哈拉巴斯指数 ↑戴维斯-布尔丁指数 ↓纯CNN0.310661.691.2219QuaSAR0.377564.181.0341相对变化 Δ21.6%4.0%−15.4%图9 卫星X41在PCA投影的潜在空间z中的决策表面。颜色映射编码由逻辑分类器在两种主成分上拟合的后验P(spoof|z)虚线标记P0.5等值线。合法脉冲蓝圈聚集在低概率区域欺骗脉冲红叉集中在高概率区域X41无跨边界误分类。VIII. 相关工作表VQuaSAR与卫星射频指纹识别、物理层认证及量子混合RFFI领域代表性前期工作的定位。行按方法论族分组。方法目标信号与频段数据真实/仿真规模架构报告的指标/性能主要贡献经典射频指纹识别——6 GHz以下卫星PAST-AI [30]铱星L波段真实589小时/66颗卫星CNN 自编码器认证准确率80–100%取决于场景/假设首个深度学习卫星RFFISatIQ [40]铱星L波段真实1029万条消息Siamese 自编码器等错误率0.072ROC AUC0.960高速率IQ提升了欺骗成本FadePrint [31]铱星L波段信道真实卫星地面采集衰落过程分类器欺骗检测准确率99%卫星vs.室内地面信道衰落作为指纹ORBID [42]ORBCOMMVHF真实899万个数据包CNN 三元组损失ROC AUC0.53卫星身份识别ROC AUC0.98卫星vs. SDR调制方式依赖性限制了身份识别经典射频指纹识别——6 GHz以上SatTransformer [46]StarlinkKu波段瀑布图真实30k/25天频谱仪Vision Transformer识别准确率91.3%F1分数90.1%首个6 GHz卫星RFFI仅用频谱仪无SDR基于信道的PLA——仅仿真Abdrabou [1]通用LEOSTK衍生卫星数据DS RP, OCC-SVM认证率AR73.6–95.5%θ80°训练规模Ω→10利用多普勒频移和接收功率的PLATopal [44]星间链路数值/仿真基于多普勒的决策融合欺骗检测P_D vs.虚警P_F多数融合给出最佳折中星间PLA方案射频上的量子机器学习An等 [4]LoRa物联网亚1 GHz真实LoRa采集CNNRNNQNN角度嵌入分类准确率81.3%真实RF数据上的QML RFFI地面物联网非卫星QuaSAR本文ICEYE SARX波段9.65 GHz真实3.76 TB/37颗卫星/28天CNN VQCIQ-量子比特编码分类准确率96.9%使用10%数据与使用100%数据的经典基线相当首个面向卫星的QML RFFI处理X波段SAR信号原生IQ-量子比特编码越来越多的文献研究了使用机器学习从无线电发射器提取物理层指纹涵盖地面IoT设备、LEO通信卫星以及最近的量子增强分类器。在下文中我们总结现有工作并将QuaSAR定位于现有技术水平。卫星RF指纹识别。 PAST-AI [30]在66颗卫星的IRIDIUM星座上进行了589小时的采集活动在L波段的IQ派生特征上使用深度CNN在分类场景中实现了80–100%的准确率。SatIQ [40]针对高采样率IRIDIUM指纹识别提出了一种Siamese神经网络和自动编码器达到0.072的等错误率和0.960的ROC AUC。FadePrint [31]对卫星信道的衰落过程而非硬件损伤进行指纹识别在新卫星加入星座时无需重新训练即可在IRIDIUM上实现超过99%的准确率。SatTransformer [46]将视觉Transformer应用于频谱分析仪的Starlink Ku波段瀑布图在25天内实现了91.3%的识别准确率。ORBID [42]使用基于三元组损失的方法在原始IQ数据上针对ORBCOMM卫星。所有这些系统都在6 GHz以下运行或依赖频谱分析仪而非SDR且没有处理SAR成像信号。我们的工作是首个在高于SDR上限的频率下对X波段SAR照射脉冲进行指纹识别的工作。LEO卫星的物理层安全。 Abdrabou和Gulliver [1]利用多普勒频移和接收功率认证LEO卫星在仿真中根据仰角实现了73.6–95.5%的检测。Topal和Karabulut Kurt [44]开发了一种基于多普勒测量的星间PLA方案仿真检测概率为90–100%。两项研究都不涉及X波段频率或这些频率下的真实数据采集。用于RF分类的量子机器学习。 Biamonte等人[6]提供了量子ML的理论基础确立了VQC可以实现经典模拟指数昂贵的希尔伯特空间函数。Schuld和Petruccione [38]以及Mitarai等人[25]形式化了通过反向传播实现VQC训练的参数偏移规则。然而量子ML在RF指纹识别中的应用仍处于起步阶段现有工作主要限于模拟IoT场景[19]没有针对真实卫星IQ数据的部署。An等人[4]提出了一种用于LoRa设备指纹识别的混合CNN-RNN-QNN架构证明相对于经典基线插入量子神经网络阶段可将可训练参数数量减少98.5%同时在真实捕获上保持有竞争力的准确率81.27%——首个在测量数据而非模拟数据上评估的量子混合RFFI系统。然而该工作针对6 GHz以下的LoRa设备使用标量特征的角度嵌入而不利用IQ样本的复值结构且未涉及卫星领域。针对RF分类器的对抗攻击。 一类威胁针对分类器本身而非发射器对接收信号添加精心构造的扰动可以在不显著改变底层波形的情况下翻转深度模型的预测。三个特性使RF成为此类攻击的肥沃领域。首先所需的扰动预算通常远低于信道噪声基底因此对抗能量比常规干扰更便宜且更隐蔽[34]。其次攻击面广泛相同的漏洞已在不同架构CNN、LSTM和GRU集成、不同任务调制分类、端到端自动编码器通信和资源分配回归以及白盒和黑盒设置中证明[45, 35, 22]。RF指纹识别在结构上比调制分类更暴露因为判别信号存在于硬件损伤中其幅度接近可行的对抗扰动。只有有限模型知识的攻击者已将LoRa指纹识别器的准确率降至20%以下[21]。IX. 讨论本节反思QuaSAR的数据效率对运营卫星认证部署的实际意义并识别当前评估的局限性。QuaSAR的可行性取决于量子硬件的轨迹。在本文中我们在经典上模拟VQC而非在量子设备上执行。当前超导平台已超过1,000个物理量子比特[16]而囚禁离子系统报告的两量子比特门保真度超过99.9%[32]。可信的工程路线图预计到2027–2028年NISQ设备将具有足够的相干性用于实用变分电路[16]。特别地QuaSAR不需要容错量子计算所有量子模块在少于100个双量子比特门和8个量子比特的电路内运行。此体制已可在商业云后端IBM QuantumIonQ上访问。鉴于ICEYE级星座代的操作寿命为7–10年QuaSAR预计可在当前部署卫星的活跃服务窗口内执行。与加密认证的互补性。 QuaSAR被定位为与加密消息认证正交的层。SAR成像脉冲是LFM调频信号没有能够携带数据的有效载荷结构。PLA完全在接收器侧运行不需要修改轨道段。此外它在推动卫星密钥基础设施逐步迁移的后量子威胁场景下仍然有效。这一过程预计跨越与上述NISQ部署时间线相同的2027–2030年时间范围[16]。QuaSAR可能是深度防御方案的一部分命令信道的加密泄露不会转化为成功的图像伪造反之硬件指纹漂移不会使遥测加密工具失效。启示。 QuaSAR最重要的贡献是其能够以显著更少的训练数据和超参数调优匹配经典基线性能。这一特性在卫星领域具有很高的实际重要性。与地面RF指纹识别场景数据收集快速且廉价不同从SAR卫星获取标记的IQ脉冲受限于无线过境单颗卫星在固定地面站上每天最多完成几次过境每次持续不超过15分钟。一个涵盖不同采集模式和大气条件的代表性语料库需要数周到数月的连续收集。我们的结果表明QuaSAR仅使用10%的可用训练数据即可达到经典基线准确率将原本需要数月的注册阶段压缩到大幅缩短的采集窗口。这直接降低了为卫星星座部署物理层认证的门槛其中针对认证基础设施调度观测时间是一项不可忽视的后勤成本。除数据效率外相对于纯经典基线7.5个百分点的准确率增益表明VQC贡献了经典分支未捕获的判别信息。第VI-D节的编码消融使此陈述更加精确在架构其他所有组件保持固定的情况下其中2.2个百分点仅归因于IQ原生编码。因此复样本与量子比特之间的几何对应关系不仅仅是一个说明性工具——它是可测量的在量子接口处丢弃相位坐标既损失准确率也损失训练时间。我们注意到在更详尽的经典基线超参数优化下此差距可能扩大或缩小因此我们不将其声明为主要结果[8]。未来工作。 三个方向扩展了本研究。第一我们将把QuaSAR从二元认证扩展到整个ICEYE星座的每卫星指纹识别将37颗卫星中的每一颗视为一个独特类别。这对分类器来说是一个更困难的任务因为共享共同有效载荷的卫星必须基于更微妙的硬件差异来区分。第二卫星硬件在任务寿命期间漂移。热循环、总电离剂量和机械应力都会改变雷达有效载荷改变QuaSAR所依赖的损伤特征。因此在给定时间点注册的指纹将退化。我们计划集成一个迁移学习协议定期在最近的照射信号上更新CNN编码器和分类头同时保持VQC参数固定或以较慢节奏更新。第三我们将改进采集测试平台以捕获所有四种ICEYE极化模式VV、VH、HV、HH而非HyperLOG PRO前端的单线性通道。带并行下变频链的双极化馈源将使分类器暴露于Spot和Strip模式中传输的完整极化散射矩阵。X. 结论在本文中我们据我们所知介绍了首个结合量子ML和经典ML为在具有挑战性的X波段运行的卫星提供PLA的混合架构。我们开发了QuaSAR一种量子-经典混合卷积架构在X波段SAR卫星的二元物理层认证中实现了97.3%的验证准确率和宏F10.973在覆盖37颗在轨ICEYE卫星的3.76 TB真实IQ数据集上相对于纯经典基线提高了7.5个百分点。更重要的是这些结果仅使用了经典ML所需数据的十分之一。我们的框架也得到了分析性剖析i消融分析确认变分量子电路贡献了同等规模经典层无法提供的非冗余判别信号且通过IQ原生幅度-相位编码而非传统角度嵌入加载其输入在减少46%的训练轮次下值得额外2.2个百分点ii梯度显著性图将认证决策定位到原始IQ域中的亚毫秒脉冲起始窗口iii可解释性分析识别了量子分支和经典分支的相对贡献。最后我们在三种对抗攻击场景下测试了我们的解决方案——重放、精心构造的IQ注入和星载欺骗——QuaSAR分别拒绝了89.7%、94.1%和81.3%的欺骗传输尝试。这项工作为X波段SAR卫星建立了首个量子增强PLA系统并在量子机器学习与空间安全交叉领域开辟了研究方向。 QuaSAR：面向SAR卫星物理层认证的量子-经典神经网络
大家读完觉得有帮助记得关注和点赞摘要X波段8–12 GHzSAR卫星在灾害响应、环境监测和军事情报中发挥着关键作用。然而它们缺乏鲁棒的物理层认证PLA——一种独立于加密解决方案的安全层。现有的PLA系统通常基于射频指纹识别往往局限于6 GHz以下频率并依赖经典深度学习。然而这种方法对区分卫星硬件的IQ相位非线性拟合不足。在本文中我们提出了QuaSAR——据我们所知第一个将CNN频谱图编码器与变分量子电路VQC融合的量子-经典混合架构为X波段SAR信号提供PLA。我们的解决方案具有两个显著特点i它比经典机器学习明显更数据高效仅需10%的训练数据即可达到经典基线的准确率——数据收集众所周知是PLA中最耗时的阶段ii在相同数据预算下它提高了相对于这些基线的分类准确率。具体而言我们在三种对抗场景下测试了我们的解决方案重放、精心构造的IQ注入和星载欺骗。QuaSAR分别拒绝了89.7%、94.1%和81.3%的欺骗传输尝试建立了首个用于卫星星座的量子增强物理层分类器。完整的框架和支持结果除了本身有趣之外也为物理层认证开辟了新的研究方向。I. 引言合成孔径雷达SAR卫星是主动发射微波信号的对地观测平台能够在任何天气或光照条件下实现高分辨率地表成像。X波段8–12 GHzSAR星座的商业扩张显著加速ICEYE——一家拥有全球最大合成孔径成像雷达星座的芬兰私营公司——现运营超过60颗在轨卫星。其竞争对手Capella Space和北京智慧卫星科技有限公司也在进行类似规模的部署。这些系统用于灾害管理、环境监测、农业监测和国家安全情报等时间关键型决策[41, 12, 18, 24]。然而其战略重要性使其成为对手伪造SAR图像或干扰观测服务的诱人目标。然而卫星网络并非普遍强制执行认证机制[13]。即使存在加密保护它们仍然容易受到密钥泄露、传统硬件无法进行软件更新以及在长达十年的任务寿命中加密体系最终被攻破的威胁[27]。物理层安全PLS通过一种独立机制应对此脆弱性硬件引起的信号损伤使每个无线电发射器在物理上具有唯一性且极难复制[36]。虽然这些物理损伤提供了鲁棒的认证锚点但由于恶劣的太空环境它们可能在长时间内发生漂移需要通过迁移学习定期更新模型以保持指纹精度。尽管在6 GHz以下卫星通信如IRIDIUM [30, 40]的RF指纹识别方面已有进展X波段相对而言受到的关注较少。商用SDR的上限约为6–7 GHz需要中间下变频级这会引入额外的相位噪声、混频器非线性和杂散频谱产物[43]。X波段SAR信号中的硬件损伤表现为IQ不平衡和相位微扰动这些反映在高噪声雷达脉冲中。深度卷积架构擅长粗粒度频谱模式提取但对区分共享硬件代的卫星的非线性交互拟合不足。变分量子电路VQC提供了一个有理论依据的替代方案在具有多项式参数数量的指数大希尔伯特空间中运行VQC可以实现浅层经典层可能无法实现的高维非线性变换在经典梯度下降无法达到的方向上放大指纹可分性[6]。贡献。 本文为卫星认证提供了一种新颖的PLA机制融合了量子与经典ML技术。具体而言我们做出以下贡献• 我们设计并部署了一个基于可编程下变频混频器和USRP X310 SDR的X波段SAR卫星RF指纹识别测试平台。为验证我们的框架我们使用两个独立的SDR单元在28天内从37颗在轨ICEYE卫星收集了3.76 TB的原始IQ数据——后者用于评估跨接收器可迁移性。• 我们提出了QuaSAR一种量子-经典混合架构结合了深度CNN频谱图编码器、在8量子比特寄存器上运行的四层VQC以及通过后期拼接融合的经典跳跃连接。VQC由一种IQ原生编码驱动该编码将每个投影特征的幅度和相位映射到量子比特的极角和方位角利用复样本与单量子比特纯态之间的几何同构。• 我们仅使用收集语料库的10%就演示了二元卫星认证中97.3%的验证准确率和宏F10.973——在注册成本的一小部分下达到经典基线准确率——并超过纯经典基线7.5个百分点。此外通过基于梯度显著性图和潜在空间聚类的专门可解释性分析我们确立了QuaSAR决策的物理基础确认了量子分支放大微小硬件指纹的能力并将决策定位到原始IQ域中的亚毫秒窗口。• 我们定义并测试了三种攻击场景重放攻击精心构造的IQ注入以及欺骗——分别实现了89.7%、94.1%和81.3%的检测率。II. 背景本节介绍我们提出方法所依据的原理具体包括SAR卫星成像、用于RF指纹识别的软件定义无线电、时频信号表示以及变分量子电路。我们还将IQ样本与量子比特联系起来以进一步论证在PLA中使用量子机器学习的合理性。II-A SAR成像卫星合成孔径雷达SAR是一种主动微波遥感技术。SAR卫星用无线电脉冲照射地面并从反射回波中重建高分辨率图像。由于系统依赖自身照射且在可穿透云层的微波频率下工作SAR可以昼夜、不受天气影响地获取图像。相比之下被动光学卫星不具备这种能力这使得SAR成为灾害响应、海上监视和军事情报的首选工具[41, 20, 24]。成像脉冲。 为在不要求实际不可实现的短脉冲的情况下实现良好的距离分辨率SAR系统发射线性调频LFM信号——一种瞬时频率在脉冲持续时间内线性扫描仪器带宽的波形[26]。对于带宽为B、持续时间为T_p的调频信号基带发射信号为其中K为调频斜率[10, 26]。接收端的脉冲压缩将长发射脉冲换为宽度≈1/B的短有效脉冲因此地面距离分辨率与发射带宽成反比缩放。SAR卫星成像波段。 SAR星座在多个微波波段运行——L、C和X是最常见的[33, 7, 3]。X波段8–12 GHz在分辨率和天线尺寸之间为小型商业平台提供了最有利的权衡[7]其短波长可在与相对轻量级卫星平台甚至低于100 kg兼容的天线下实现亚米级地面分辨率使ICEYE、Capella Space和Umbra现在部署的密集LEO星座成为可能。较低波段L、C需要按比例更大的天线以获得等效分辨率通常保留给旗舰政府任务[14]。ICEYE星座。 我们的测试平台以ICEYE星座的卫星为目标。ICEYE是一家芬兰商业运营商成立于2014年是阿尔托大学的衍生公司其使命是将X波段SAR有效载荷小型化到100 kg以下的平台。每颗ICEYE卫星携带一个工作标称载波频率为9.65 GHz的有源相控阵天线支持多种采集模式——条带、聚束、扫描和驻留——公布的制图分辨率根据模式从约0.25 m到15 m不等[11]。ICEYE现运营在轨最大的商业SAR星座本研究中使用的37颗卫星对应我们28天采集活动期间在轨的子集而该星座此后已发展到超过60颗卫星。在同一硬件代内所有卫星共享公共平台和有效载荷设计这使得星座内区分对任何指纹识别方法都特别具有挑战性。II-B 软件定义无线电与RF指纹识别SDR在可重构硬件上实现信号处理无需事先了解目标传输方案即可进行无源宽带捕获。其工作频率上限商用单元为6–7 GHz排除了对X波段发射的直接捕获。射频指纹识别利用硬件损伤来识别发射源[36]。即使是同一批次的大规模生产收发器由于硬件上的微小差异也是可区分的这些差异表现为接收IQ样本中的IQ增益不平衡、直流偏移、相位噪声和非线性谐波失真[30]。短时傅里叶变换频谱图。 原始IQ样本通过STFT转换为时频表示[28]。对于复基带信号x[n]其中w[n]是长度为N的汉宁分析窗H是跳数m和k分别索引时间帧和频率仓。对数幅度频谱图S(m,k) 10 log₁₀ |X(m,k)|² 被视为灰度二维图像联合编码频谱内容和时间演化。II-C 变分量子电路VQC U(θ, x) 将经典数据编码到量子比特态应用参数化门序列并返回泡利可观测量期望值作为经典输出。角度嵌入层通过以下方式初始化每个量子比特其中σ(·)是sigmoid函数约束φᵢ ∈ (0, π)。嵌入将每个经典特征加载到独立量子比特上产生不携带量子比特间关联的可分离乘积态⨂ᵢ |φᵢ⟩。为学习嵌入特征的联合函数此状态由L个强纠缠层SEL处理[37]。每个SEL在每个量子比特上应用参数化R_Y/R_Z旋转后接CNOT环生成评估2^d维希尔伯特空间上不可分离函数所需的多量子比特纠缠。电路输出是单量子比特泡利-Z期望值的向量通过参数偏移规则[25]可实现端到端可微使VQC与标准反向传播兼容。II-D 将IQ样本连接到量子比特图1I Q样本与量子比特态。左一个复IQ样本x I jQ表示为复平面中幅度r和相位φ的向量。右布洛赫球上的单量子比特纯态|ψ⟩ cos(θ/2)|0⟩ e^{iφ} sin(θ/2)|1⟩由极角θ和方位角φ参数化。两个对象均由两个实参数完全指定IQ幅度r映射到极角θ 2 arcsin(r)而相位φ在两个表示中是相同的物理量。在射频指纹识别背景下使用量子机器学习QML的核心动机是量子比特的固有状态空间与IQ样本的固有状态空间几何同构。这种对应关系如图1所示允许一种编码方式使复样本的全部信息内容即幅度和相位都在量子态中得到保留。这对于实值编码如频谱图幅度通常不成立后者在构造上丢弃了相位。几何对应关系。 一个复IQ样本x I jQ ∈ ℂ 由两个实参数唯一确定其幅度r |x| 和相位φ arg(x) ∈ [0, 2π)。单量子比特纯态同样由两个实参数确定布洛赫球上的极角θ ∈ [0, π]和方位角φ ∈ [0, 2π)。方位角φ在两个表示中是相同的物理量即复对象的相位。只需指定幅度-极角映射即可完成对应关系。IQ原生编码。 给定归一化IQ样本x_n I_n jQ_n其中r_n |x_n| ∈ [0, 1]且φ_n arg(x_n)我们通过双旋转序列将其编码到量子比特n其中R_Y(θ) exp(-iθY/2)和R_Z(φ) exp(-iφZ/2)是标准泡利旋转[29, 38]。R_Y旋转固定状态在布洛赫球上的纬度加载幅度后续R_Z旋转固定其经度加载相位。R_Z旋转引入整体因子e^{-iφ/2}作为全局相位它使所有可测量量和后续门操作不变。排除此全局相位结果状态恰好是式(5)其中θ θ_n且φ φ_n因此编码是无损的原始样本可从|ψ_n⟩的布洛赫球坐标恢复为x_n sin(θ_n/2) e^{iφ_n}。一组d个连续IQ样本通过在每个量子比特上独立应用式(6)编码为d量子比特乘积态|ψ⟩ ⨂_{n1}^d |ψ_n⟩。随后的纠缠层见第五节随后耦合这些量子比特允许VQC学习完整IQ块的联合函数。与实特征角度嵌入的对比。 式(3)的传统角度嵌入方法通过单次R_Y旋转将实标量x_i ∈ ℝ加载到量子比特i留下方位角自由度未使用。应用于复IQ流时该方案需要i丢弃相位或ii每个样本使用两个量子比特一个用于I一个用于Q这使电路深度加倍并破坏编码状态与原始复数之间的几何联系。式(6)的IQ原生编码避免了这两种代价一个样本映射到一个量子比特无信息丢失而相位φ——可能携带硬件引起的损伤如振荡器漂移和混频器非线性[2, 9]——在量子比特上表示为它在复平面中占据的相同角度。第VI-D节量化了这种区别在实践中的价值在架构其他所有组件保持固定的情况下用IQ原生编码替换角度嵌入将测试准确率提高了2.2个百分点并将收敛轮数几乎减半。III. 威胁模型我们定义限定QuaSAR设计的对抗假设、目标和攻击场景。图2说明了系统和威胁模型。III-A 系统模型配备X波段下变频链和SDR的地面站被动捕获合法ICEYE SAR卫星在轨道过境期间发射的雷达照射脉冲。经过训练的QuaSAR分类器近实时地根据已注册卫星的物理层指纹对照射信号进行认证。注册在已验证的卫星过境期间离线执行。对抗目标。 对手寻求破坏物理层认证要么通过成功冒充合法卫星注入伪造的IQ数据以生成虚假SAR图像要么通过阻断正确认证以拒绝观测服务。在高风险环境中如军事监视或关键基础设施监控两种结果都会带来严重的操作后果。对抗能力。 我们考虑一个分层对手模型其资源随攻击场景扩展。在较低层级地面攻击者拥有商用现货SDR、功率放大器和定向天线能够在目标地面站附近进行信号捕获、重放和合成。该设备商用价格约为500–10,000美元足以进行基于地面的重放和精心构造的IQ攻击。在较高层级我们考虑一个具有运营自身X波段SAR卫星能力的战略对手。虽然成本高出数个数量级但这种能力不再是主要太空大国的专属领域商业SAR卫星可从成熟供应商处采购或租赁。拼车发射多个客户共享一枚火箭已将任务成本推至数百万美元的低位。因此若干国家以及非国家行为者现在可以部署X波段成像资产。战略对手有若干动机。伪造或压制SAR图像可以隐藏军事部署、操纵依赖SAR衍生情报的保险和大宗商品市场、破坏对手的灾难响应或条约核查努力或通过注入归因于其卫星的伪造观测来诋毁竞争星座运营商。在所有层级中我们不假设能访问合法ICEYE卫星硬件、了解QuaSAR参数或破坏地面站。图2 威胁模型。(A) 合法SAR卫星X_t发射两种物理上不同的X波段信号i频繁的用于地球成像的高功率调频脉冲以及ii罕见的相位调制数据下行链路。(B) 地面站捕获成像脉冲用于认证目的。考虑两种对手(C) 运行硬件可比的SAR卫星X_s的星载对手以及(D) 运行商用高端SDR的地面欺骗器。III-B 攻击场景我们按对抗能力递增顺序考虑三种场景。在本文中它们被称为场景A、B和C。场景A重放。 配备商用SDR、功率放大器和定向天线的对手在X_t合法过境期间记录IQ脉冲并在后续窗口期间从地面向受害地面站重新发射。这是三种模型中在所需专业知识和资本支出方面最弱的500–10,000美元但在操作上也是最可行的。防御依赖于欺骗器的发射链在X_t的原始指纹之上叠加其自身的硬件损伤在IQ域产生可测量的差异。我们通过在我们采集链的IF级通过第二个USRP X310发射重新播放先前捕获的ICEYE脉冲来实例化此场景。场景B精心构造的IQ注入。 对手不重放记录的波形而是合成匹配标称ICEYE波形参数——载波、带宽、调频斜率和脉冲重复间隔——的LFM调频信号并将其发射向地面站。合成脉冲在宏观层面上与合法照射在频谱上无法区分但不携带X_t的硬件指纹只有对手自身发射链的损伤。此场景隔离了分类器对微尺度损伤而非波形结构的依赖。场景C星载欺骗。 第二颗SAR卫星X_s在同一波段运行并与合法卫星X_t共享可比的硬件。X_s向地面站发射照射脉冲旨在冒充X_t。在现实部署中X_s将属于外国或竞争星座然而此类跨星座捕获在我们的数据集中不可用且控制来自不同硬件家族的卫星的对手由于更大的损伤差距将更容易被区分。为在具有挑战性的星载条件下对QuaSAR进行压力测试我们因此通过开放集协议模拟此场景将37颗ICEYE卫星的一个子集从训练和验证划分中保留仅在测试时以X_s的角色呈现给分类器。由于ICEYE单元共享相似的相控阵架构和硬件这是一个合理的星载攻击者。成功的防御要求模型拒绝X_s尽管其与X_t在宏观层面上的频谱差异极小。这是三种模型中最强的也是QuaSAR最难以应对的。IV. 数据收集与处理本节描述用于捕获X波段SAR信号的硬件测试平台、选择成像脉冲而非数据下行链路的理由、生成的数据集以及将原始IQ记录转换为频谱图以供进一步处理的预处理流水线。IV-A 采集测试平台图3在X波段收集卫星信号的设置。使用两个USRP以及MX12000下变频器和8TB Seagate BarraCuda存储。在9.65 GHz捕获ICEYE SAR照射信号超出了商用SDR 6–7 GHz的上限。我们设计了一个由三个元件组成的定制下变频链。Aaronia Hyperlog Pro 70140是一款无源定向天线频率范围覆盖700 MHz至14 GHz增益13 dBi专为现场使用设计。它馈送DSI MX12000可编程微波混频器本振设置为7.2 GHz将接收信号下变频至2.45 GHz的中频IF。MX12000消除了对外部高频信号源的需求。MX12000输出由配备UBX-40子板的Ettus USRP X31010 MHz–6 GHz40 MHz瞬时带宽以10 Msps捕获。IQ文件存储在8 TB HDD上并使用GNU Radio离线处理。40 MHz捕获带宽窄于ICEYE的完整成像带宽——标准模式高达299 MHz。完整带宽捕获是SAR图像形成所必需的但对指纹识别并非必需。实际上硬件损伤可在任何一致的频谱切片内检测到因此指纹识别在SDR的瞬时带宽内仍然可行。IV-B 选择成像脉冲的理由我们的测试平台专门捕获SAR成像脉冲而非卫星的X波段数据下行链路。三个特性使成像脉冲成为物理层认证的自然选择。被动可用性。 成像脉冲是在每次轨道过境期间向地球广播的高功率照射任何具有卫星直接视线的地面接收器都可以收集。相比之下数据下行链路是定向高增益波束指向特定的许可地面站使得被动拦截在没有事先协调的情况下不切实际特别是需要接近预期接收器。信号丰富性。 成像脉冲是宽带LFM调频信号ICEYE标准模式高达299 MHz以高功率发射。它们提供了硬件损伤可以显现的大频谱画布。数据下行链路采用窄带相位调制通信波形如QPSK或8PSK其减小的带宽和不同的调制方案产生根本不同的损伤特征。因此在一个上训练的指纹不能替代另一个。收集频率。 成像脉冲在每次过境的照射阶段连续发射而数据下行链路会话相对不频繁且依赖于许可下行链路站的可用性。这种不对称性极大地便利了数据集收集——无论是对于研究目的独立地面接收器可在多次过境中积累大量语料库还是对于配备自身地面基础设施的星座运营商的运营部署。请注意从SAR成像脉冲提取的硬件指纹与从卫星X波段数据下行链路提取的不可互换因为两种信号在波形结构上根本不同。IV-C 数据集28天的采集活动产生了来自所有37颗在轨ICEYE卫星的信号累积了3.76 TB的原始IQ数据。为评估跨接收器可迁移性——一种已知的指纹识别偏差来源[17]——部署了两个物理上独立的USRP X310单元第一单元贡献2.48 TB第二单元贡献1.28 TB。IV-D 预处理通过自适应幅度阈值减轻仅噪声间隔其中μ和σ是瞬时样本幅度的均值和标准差α ∈ [0,1]是可调强度系数。超过τ的样本被保留其余被丢弃降低了下变频X波段接收期间的噪声基底。IV-E 频谱图生成保留的IQ脉冲被分割为100,000个样本的块。每个块使用式(2)转换为灰度频谱图汉宁窗N256跳数H12850%重叠FFT长度256。功率频谱图以dB对数缩放在第1和第99百分位数之间裁剪以进行动态范围压缩并调整为224×224像素以匹配CNN编码器的输入维度。IV-F 类别平衡我们从37颗ICEYE卫星收集IQ数据并在“一对其余”OvR协议下为每颗卫星训练一个二元分类器。对于每个分类器来自已注册卫星的样本为正类来自其余36颗卫星的样本为负类。这产生了自然的36:1不平衡。为纠正它我们在过境级别对负类进行欠采样抽取负过境直到其频谱图数量与正类匹配并用向上取整过采样填补任何剩余差距。最终平衡集每个分类器包含2,021个频谱图在两类别之间均匀分配。此过程对37颗已注册卫星中的每一颗独立应用。图4三颗ICEYE卫星的时域IQ波形左和星座密度图右X11上、X13中和X14下。每颗卫星在其自身的轨道过境中被捕获在独立的采集中没有采集包含多于一个发射器。因此目标和非目标标签不是采集的属性而是每个分类器分配的角色在第IV节的一对其余协议下37颗卫星中的每一颗轮流注册为目标其余36颗为该分类器扮演非目标角色。图4显示了三个独立采集的发射器其中X11纯粹为说明目的以目标角色绘制。三行展示了测试平台解析的形态多样性。X11顶行在时域轨迹中表现出明显的脉冲起始瞬态I和Q分量达到±0.05的峰值幅度随后信号快速衰减。其星座密度图宽且不对称反映了该卫星发射链引入的硬件相位噪声和IQ不平衡。X13中间行在低幅度平稳基底上叠加了稀疏的脉冲伪影更宽的星座散布表明具有更高方差的噪声过程。X14底行呈现最平稳的波形幅度均匀有界且星座紧凑近圆形其峰值计数密度≤40个样本反映了其间歇性的带内活动。这些发射器间差异——在任何谱变换之前在原始IQ形态级别可检测——确认了下变频链保留了足够的硬件引起的信号结构以支持指纹提取并验证了上述类别平衡过程。IV-G 训练/验证/测试划分平衡数据集在轨道过境粒度上划分为D_train60%、D_val20%和D_test20%而非单个频谱图粒度我们首先按过境标识符日期×卫星×采集窗口对所有脉冲进行分组然后通过随机洗牌将整个过境分配到三个子集。同一过境的频谱图因此永远不会跨两个子集。这防止了时间相邻的脉冲——它们共享信道状态、大气条件和前端热状态——在划分之间泄漏。V. QuaSAR架构QuaSAR接收共享潜在表示并通过两条并行路径发送一个变分量子分支和一个经典跳跃连接。它们的输出随后被组合并传递给单个二元分类器。完整流水线如图5所示。图5 QuaSAR端到端架构。共享CNN编码器蓝色将×224 STFT频谱图映射到256维潜在向量h。QNN分支紫色将h投影到8个复分量通过IQ原生幅度-相位编码式(6)将每个加载到一个量子比特应用L4层强纠缠层SEL并发出8个泡利-Z期望值。经典跳跃绿色通过两个FC层将h压缩到64维。后期拼接将两者连接成一个72维向量由线性头部分类。V-A CNN编码器输入灰度频谱图 I ∈ ℝ^(1×224×224) 由卷积块堆栈处理[39, 15]。每个块应用Conv2d层后接BatchNorm2d、ReLU激活和MaxPool2d空间下采样。编码器输出一个密集潜在向量 h ∈ ℝ^256编码接收波形层次化谱和时间特征。每层的批归一化稳定梯度流并在存在VQC参数偏移梯度其方差高于标准反向传播时加速收敛。V-B 变分量子分支256维潜在向量h由可训练线性层投影到16个实值读取为8个复分量其中 c_i q_{2i-1} j q_{2i}i 1, …, 8。每个复分量通过式(6)的IQ原生编码加载到一个量子比特其中 tanh|c_i| ∈ [0,1) 将幅度保持在 arcsin 的容许范围内。R_Y旋转加载c_i的幅度后续R_Z旋转加载其相位因此投影特征的两个自由度都到达寄存器。抑制R_Z旋转并用单个实投影驱动R_Y恢复了式(3)的传统角度嵌入后者丢弃了方位角自由度我们保留该配置作为消融并在第VI-D节量化其成本。然后应用四层强纠缠层。记 θ^(ℓ) ∈ ℝ^(8×3) 为第ℓ层的参数每层在每个量子比特上执行参数化单量子比特旋转后接CNOT环其中R(α,β,γ) R_Z(γ) R_Y(β) R_Z(α)是通用单量子比特旋转。因此完整分支从状态 (∏{ℓ1}^4 U_ℓ) ⨂{i1}^8 |ψ_i⟩ 计算v_Q。纠缠环使方位角自由度可观测在乘积态上式(4)的泡利-Z期望对相位φ_i不变因此没有式(10)加载到寄存器的任何相位都将不可测量。电路在PennyLane [5]中实现使用参数偏移梯度估计并发出 v_Q ∈ [-1,1]^8 如式(4)定义。量子分支提供两个设计优势。首先通过在布洛赫球上操作它在2^8维希尔伯特空间中仅使用d·L32个可训练旋转参数实现非线性变换每个参数提供远大于同等大小经典层的表示能力。其次纠缠层生成量子比特间关联对更高阶特征交互建模捕获在经典全连接层中被抑制的指纹。超参数选择。 量子比特数d8和纠缠深度L4被选择以平衡希尔伯特空间表达性与贫瘠高原[23]引起的可训练性退化。将d增加到8以上将模拟状态空间扩展到2^d≥512个幅度使参数偏移训练成本超线性膨胀而在D_val上无可测量的准确率增益在固定L4时我们在d∈{6,8,10,12}上观察到0.4个百分点的波动。相反L4使状态欠纠缠性能向表II的QNN-Only基线坍塌。所选配置与已建立QML基准的维度匹配[37]并保持在当前NISQ后端可执行的门深度预算内[6]。V-C 经典跳跃连接并行地完整潜在向量h通过经典全连接路径其中W₁ ∈ ℝ^(128×256)且W₂ ∈ ℝ^(64×128)。此跳跃连接在架构上是必要的将所有信息路由通过8维量子瓶颈将丢弃CNN编码的大部分时间模式信息。经典分支保留此信息确保融合层既可访问量子算子的非线性投影也可访问原始丰富的潜在表示。V-D 后期融合与二元分类器两个分支输出被拼接线性头将z映射到二元logits通过softmax推导目标类后验。72维融合空间为二元决策边界提供了足够的表示能力而不会在2,021实例数据集上冒过拟合风险。V-E 训练协议所有参数——CNN编码器、投影矩阵W_q、VQC参数θ和分类头——在单个端到端训练循环中联合优化。我们使用Adam优化器学习率η10^-3权重衰减λ10^-4并最小化批量大小为32的交叉熵损失。批量大小选择以适应VQC参数偏移开销而不超出GPU内存。验证损失上的早停耐心50终止训练模型在第37轮收敛。VI. 实验评估本节报告QuaSAR在五项评估中的性能对训练数据预算的敏感性、对已注册目标的二元认证、与经典基准的架构消融、每卫星欺骗检测和梯度显著性分析。VI-A 实验设置所有实验在工作站上运行配备NVIDIA A6000 GPU。CNN组件在GPU上执行PennyLane的VQC模拟在CPU上运行使用参数偏移梯度这构成了主要计算瓶颈。VQC以经典方式模拟——近程量子ML的标准做法[6]——产生与无噪声硬件执行等效的结果。所有报告指标在25个独立随机初始化不同权重种子上平均。除非另有说明QuaSAR指使用式(6)的IQ原生编码的部署配置。第VI和VII节的欺骗检测、潜在空间和梯度显著性结果是通过角度嵌入变体获得的因此是保守的它们在每个二元指标上都低于部署模型表I。所有实验在完整3.76 TB语料库的10%代表性子集上进行对应第IV节所述的类别平衡过程后的2,021个平衡实例。此有意的限制反映了QuaSAR的主要主张之一量子-经典混合在显著减少的数据预算下达到经典基线准确率将原本需要数月的注册阶段压缩到更短的采集窗口。消融和基准比较中的所有基线都在相同的10%子集上训练以确保受控比较。训练时间。 为评估QuaSAR在运营部署中的适用性我们测量了训练和推理的计算延迟。由于参数偏移规则训练混合架构计算密集该规则需要对每个可训练量子参数进行两次独立的量子电路前向传递以计算解析梯度。因此在2,021实例数据集上训练QuaSAR每轮约需102秒在37轮后约63分钟收敛——而第VI-D节的角度嵌入变体在68轮后需1小时55分钟。由于卫星注册是为应对硬件漂移每隔数月执行一次的离线过程此训练开销在操作上是可接受的。实时推理。 推理期间不调用参数偏移规则。VQC仅需单次前向模拟。CNN编码器处理×224频谱图需221 ms而8量子比特PennyLane CPU模拟在436 ms内执行。从原始IQ摄入到二元决策的端到端分类延迟约为每脉冲700 ms。图6 QuaSAR测试准确率作为训练数据分数的函数。分数是在应用训练/验证/测试划分之前通过分层随机抽样从完整平衡语料库中抽取的份额。对每个分数重新构建60/20/20划分所有超参数保持固定。每个标记报告25个随机种子的均值。VI-B 对训练数据分数的敏感性为证明整个评估中使用的10%数据预算的合理性我们以5%、10%、15%和20%的分数对完整平衡语料库进行重采样。对每个分数抽取均匀子集重建60/20/20划分并在所有其他设置固定下重新训练。在5%时模型仅达到71.1%的测试准确率编码器训练不足72维融合空间填充不佳。在10%时——第VI和VII节使用的设置——准确率达到96.9%即表II报告的值。超过此点曲线趋于平坦15%增加0.6个百分点20%总共增加0.9个百分点图6均在25次运行测量的种子间标准差内。因此额外的数据——在此领域意味着安排额外的轨道过境——产生递减收益QuaSAR以少量训练预算饱和其容量。这种数据效率是本文的核心主张之一。VI-C 二元认证性能二元认证是QuaSAR被训练的任务分类器决定脉冲是否来自已注册的目标卫星。重放脉冲的检测场景A其中记录的波形通过单独的发射链重新发射是一项单独的评估在本节末尾对获取了实验室重放数据的三颗卫星X4、X20、X41报告。表I报告了两种量子嵌入在D_val和D_test上的二元指标。在其部署配置——式(6)的IQ原生编码——中QuaSAR在验证上达到0.973的准确率和0.973的宏F1在保留的测试集上两个指标均为0.969。从验证到测试的0.4个百分点下降在种子间标准差内表明模型泛化到未见过的轨道过境。训练和验证损失在所有轮次中相互跟踪无过拟合迹象早停在37轮终止。由于两类在构造上是平衡的第IV节准确率和宏F1在舍入误差内一致。第VI-D节讨论的角度嵌入变体在每个指标上都一致较弱。表I两种量子嵌入下的二分类认证性能架构的其他所有组件保持不变。角度嵌入公式(3)每个量子比特加载一个实数投影IQ原生编码公式(6)加载幅度和相位。25个随机种子的均值±标准差。度量角度嵌入IQ原生编码本文验证集测试集验证集测试集准确率0.950 (±0.010)0.947 (±0.009)0.973 (±0.010)0.969 (±0.009)宏平均F10.950 (±0.004)0.947 (±0.005)0.973 (±0.004)0.969 (±0.005)精确率目标类0.9530.9510.9690.965召回率目标类0.9480.9430.9740.975收敛轮数68—37—VI-D 编码消融实验IQ原生编码与角度嵌入对比第II-D节的IQ原生编码在几何上是有动机的但论证只有得到测量支持才有效。因此我们两次训练相同的架构改变一个组件从投影特征到量子比特寄存器的映射。在角度嵌入配置中每个量子比特通过R_Y接收单个实投影式(3)——先前量子混合RFFI工作使用的方案[4]在IQ原生配置中每个量子比特通过R_Z R_Y接收一个复分量式(9)。CNN编码器、经典跳跃、纠缠层、融合头、优化器、数据划分和25个随机种子全部共享。因此比较的两行仅归因于编码。表I报告了结果。IQ原生编码将测试准确率从0.947提高到0.9692.2个百分点宏F1同样提高。结果的两个特征值得评论。第一增益集中在召回率上在D_test上从0.943上升到0.9753.2个百分点而精确率增益较小1.4个百分点。换句话说角度嵌入变体主要通过拒绝已注册目标的合法脉冲而失败而正是这些脉冲被方位角自由度恢复。这正是几何论证所预测的行为振荡器漂移和混频器非线性——区分同一生产批次两个单元的损伤——扰动接收样本的相位而实值编码在变分层看到它之前就丢弃了该坐标。第二IQ原生模型在37轮收敛而角度嵌入为68轮减少了46%。在每轮102秒的情况下这将在相同硬件上将注册时间从1小时55分钟缩短到约63分钟。因此编码不以准确率换取训练成本它同时改善了两者。我们将更快的收敛解读为证据表明相位坐标携带判别信号而角度嵌入变体否则必须从幅度统计通过纠缠层间接重建——如果可能的话。结合下一节的架构消融两个比较将混合模型相对于经典基线的优势分解为两个可加部分引入VQC分支本身就比CNN-Only值5.3个百分点而将其输入原生编码为幅度和相位值进一步2.2个百分点。每卫星认证的可靠性。 我们对37颗ICEYE卫星中的每一颗依次注册为目标重复二元协议。图7报告了由此产生的命中率和未命中率按命中率递减排序。出现两种状态第一组28颗卫星达到1.00的命中率即分类器认证目标的每个测试脉冲。第二组九颗卫星——X11、X7、X17、X23、X4、X20、X33、X6、X14——命中率较低从0.93X11到0.25X14未命中率高达0.75。X14是最坏情况也是图4中波形最平稳、星座计数密度最低的卫星。指纹对比度降低是其认证退化的最可能原因。图7]完整37颗卫星ICEYE星座的每卫星命中率圆圈和未命中率叉号按命中率降序排列。28颗卫星达到命中率1.00和未命中率0.00一组九颗卫星性能退化X14达到最低命中率0.25。VI-E 消融研究与基准比较架构消融。 为隔离VQC分支的贡献我们在相同的平衡数据集上评估四种配置。QNN-Only将独立VQC应用于PCA压缩的8维输入复现了PCA破坏时间语义的朴素量子基线。CNN-Only保留CNN编码器和经典跳跃同时完全移除VQC分支zv_C64维分类器输入。QuaSAR角度嵌入是由传统实值嵌入式(3)驱动的完整混合架构QuaSAR是带IQ原生编码的完整混合架构第VI-D节。与经典频谱图分类器的基准比较。 为在频谱图深度学习更广泛背景下语境化性能我们还评估了三种在相同协议下训练的经典架构Adamη10^-3早停25种子针对单通道频谱图适配的ResNet-18、轻量级Transformer编码器和MobileNetV2。表II合并了两种评估。QuaSAR在所有评估配置中实现了最高的准确率96.9%和宏F10.969。三个发现值得关注。第一QNN-Only配置整体最弱71.3%F10.709确认PCA引起的信息损失是独立量子方法的主要故障模式丢弃时间结构恰好移除了携带硬件损伤信息的信号。第二CNN-Only89.4%F10.891和QuaSAR96.9%F10.969之间7.5个百分点的准确率差距在两个指标上一致排除了精确率-召回率权衡伪影并确认VQC贡献了同等参数数量的经典全连接层无法提供的非冗余判别信号。在此差距中当量子分支由传统角度嵌入94.7%F10.947驱动时5.3个百分点存活因此分支及其IQ原生输入分别贡献而非一个替代另一个。第三所有三种外部经典架构的准确率稳定在85.7%或以下F10.861尽管参数数量大大超过QuaSAR量子分支确认标准卷积迁移架构对区分ICEYE硬件代的微尺度非线性拟合不足。表I两种量子嵌入下的二分类认证性能架构的其他所有组件保持不变。角度嵌入公式(3)每个量子比特加载一个实数投影IQ原生编码公式(6)加载幅度和相位。25个随机种子的均值±标准差。度量角度嵌入IQ原生编码本文验证集测试集验证集测试集准确率0.950 (±0.010)0.947 (±0.009)0.973 (±0.010)0.969 (±0.009)宏平均F10.950 (±0.004)0.947 (±0.005)0.973 (±0.004)0.969 (±0.005)精确率目标类0.9530.9510.9690.965召回率目标类0.9480.9430.9740.975收敛轮数68—37—VI-F 梯度显著性可解释性为定位驱动认证决策的时间特征我们计算输入空间梯度显著性图。IQ信号x[n]通过完整可微图——包括PyTorch原生的torch.fft STFT——处理目标类logit反向传播到原始IQ张量对50个正确分类脉冲的分析表明QuaSAR始终将其决策信号集中在覆盖不到1 ms传输时间的连续窗口上与每个雷达脉冲的起始重合此时硬件瞬态效应上电相位噪声、初始振荡器漂移最为显著。这种时间定位在混合架构下比在CNN-Only基线下定量更尖锐与VQC在脉冲起始处放大微尺度相位特征一致。VI-G 每卫星欺骗检测我们针对获取了实验室重放数据的三颗卫星X4、X20、X41的场景A重放评估QuaSAR。欺骗脉冲通过单独的USRP X310发射链重新发射记录的捕获来产生其硬件损伤叠加在重放波形之上。表III报告了每卫星和聚合指标。QuaSAR在三颗卫星上实现了91.39%的平均准确率、0.9114的宏F1以及关键地——完美召回率1.00无论目标卫星身份如何没有欺骗脉冲逃避检测。精确率从0.769X4到0.952X41不等。此分布反映了每个目标硬件与欺骗器发射链之间指纹对比度的差异而非分类器不稳定性。X4上较低的精确率对应其采集窗口中合法脉冲的较高假正率我们将其归因于该采集时段内升高的地面干扰我们在第IX节回到此点。表III场景A重放下各卫星的欺骗检测性能。对三颗在轨ICEYE卫星的欺骗IQ信号使用训练好的QuaSAR分类器进行评估。所有卫星的召回率均为1.00确认无误检。卫星准确率精确率召回率F1X40.850.761.000.86X200.910.801.000.88X410.970.951.000.97均值0.910.841.000.91VII. 可解释性分析本节检查QuaSAR学习的内部表示以评估其分类决策是否物理扎根且可解释。我们通过t-SNE投影和定量聚类指数分析融合潜在空间的结构并在PCA投影的潜在空间中可视化区分合法和欺骗传输的决策边界。通过t-SNE的潜在空间几何。 为评估QuaSAR是否学习到合法和欺骗传输的几何可分离表示我们通过t-SNE困惑度30500次迭代将72维融合潜在向量z式(12)投影到二维针对三颗代表性ICEYE卫星X4、X20和X41。图8显示了生成的嵌入。合法脉冲实心圆及其欺骗对应物叉号在三颗卫星中都形成清晰不同的簇类间分离始终大于类内散布。合法嵌入紧凑且定位良好表明来自同一轨道过境的信号具有稳定的指纹表示。欺骗嵌入占据潜在空间中系统偏移的区域表明混合编码器放大了欺骗器发射链引入的指纹差异。值得注意的是三个卫星身份本身相互分离表明QuaSAR即使在二元目标上训练时也隐式学习了多类结构。图8]三颗ICEYE卫星X4、X20、X41的72维融合潜在空间z的t-SNE投影。实心圆表示合法脉冲。叉号表示场景A重放下生成的欺骗脉冲。每个卫星身份占据一个不同且紧凑的区域欺骗样本在所有三种情况下都从其合法对应物偏移确认量子-经典编码器保留并放大了类间指纹距离。定量聚类质量。 对t-SNE嵌入的视觉检查由直接在72维潜在向量z上计算的三个标准内部聚类指数佐证未进行降维。表IV报告了QuaSAR和CNN-Only基线的轮廓分数SS、Calinski–Harabasz指数CH和Davies–Bouldin指数DB。QuaSAR相对于经典基线将SS提高了0.067相对21.6%CH提高了2.494.0%DB降低了0.188-15.4%。由于SS和CH随聚类质量单调增加而DB单调减少所有三个指数一致地偏向混合编码器。DB的降低对认证特别相关较低的Davies–Bouldin指数意味着簇相对于分离它们的距离更紧凑直接转化为合法和欺骗表示之间更大的边界因此更低的欺骗漏检率。综合来看这些结果提供了定量证据表明变分量子分支重组了潜在空间使硬件引起的指纹差异被放大到超过同等参数数量的经典全连接层所能达到的程度。表IVQuaSAR与纯CNN基线在72维融合潜在空间z上的内部聚类质量。轮廓系数和卡林斯基-哈拉巴斯指数越高表示聚类分离效果越好戴维斯-布尔丁指数越低表示聚类越紧凑。所有指标均在完整测试集上计算未进行降维。模型轮廓系数 ↑卡林斯基-哈拉巴斯指数 ↑戴维斯-布尔丁指数 ↓纯CNN0.310661.691.2219QuaSAR0.377564.181.0341相对变化 Δ21.6%4.0%−15.4%图9 卫星X41在PCA投影的潜在空间z中的决策表面。颜色映射编码由逻辑分类器在两种主成分上拟合的后验P(spoof|z)虚线标记P0.5等值线。合法脉冲蓝圈聚集在低概率区域欺骗脉冲红叉集中在高概率区域X41无跨边界误分类。VIII. 相关工作表VQuaSAR与卫星射频指纹识别、物理层认证及量子混合RFFI领域代表性前期工作的定位。行按方法论族分组。方法目标信号与频段数据真实/仿真规模架构报告的指标/性能主要贡献经典射频指纹识别——6 GHz以下卫星PAST-AI [30]铱星L波段真实589小时/66颗卫星CNN 自编码器认证准确率80–100%取决于场景/假设首个深度学习卫星RFFISatIQ [40]铱星L波段真实1029万条消息Siamese 自编码器等错误率0.072ROC AUC0.960高速率IQ提升了欺骗成本FadePrint [31]铱星L波段信道真实卫星地面采集衰落过程分类器欺骗检测准确率99%卫星vs.室内地面信道衰落作为指纹ORBID [42]ORBCOMMVHF真实899万个数据包CNN 三元组损失ROC AUC0.53卫星身份识别ROC AUC0.98卫星vs. SDR调制方式依赖性限制了身份识别经典射频指纹识别——6 GHz以上SatTransformer [46]StarlinkKu波段瀑布图真实30k/25天频谱仪Vision Transformer识别准确率91.3%F1分数90.1%首个6 GHz卫星RFFI仅用频谱仪无SDR基于信道的PLA——仅仿真Abdrabou [1]通用LEOSTK衍生卫星数据DS RP, OCC-SVM认证率AR73.6–95.5%θ80°训练规模Ω→10利用多普勒频移和接收功率的PLATopal [44]星间链路数值/仿真基于多普勒的决策融合欺骗检测P_D vs.虚警P_F多数融合给出最佳折中星间PLA方案射频上的量子机器学习An等 [4]LoRa物联网亚1 GHz真实LoRa采集CNNRNNQNN角度嵌入分类准确率81.3%真实RF数据上的QML RFFI地面物联网非卫星QuaSAR本文ICEYE SARX波段9.65 GHz真实3.76 TB/37颗卫星/28天CNN VQCIQ-量子比特编码分类准确率96.9%使用10%数据与使用100%数据的经典基线相当首个面向卫星的QML RFFI处理X波段SAR信号原生IQ-量子比特编码越来越多的文献研究了使用机器学习从无线电发射器提取物理层指纹涵盖地面IoT设备、LEO通信卫星以及最近的量子增强分类器。在下文中我们总结现有工作并将QuaSAR定位于现有技术水平。卫星RF指纹识别。 PAST-AI [30]在66颗卫星的IRIDIUM星座上进行了589小时的采集活动在L波段的IQ派生特征上使用深度CNN在分类场景中实现了80–100%的准确率。SatIQ [40]针对高采样率IRIDIUM指纹识别提出了一种Siamese神经网络和自动编码器达到0.072的等错误率和0.960的ROC AUC。FadePrint [31]对卫星信道的衰落过程而非硬件损伤进行指纹识别在新卫星加入星座时无需重新训练即可在IRIDIUM上实现超过99%的准确率。SatTransformer [46]将视觉Transformer应用于频谱分析仪的Starlink Ku波段瀑布图在25天内实现了91.3%的识别准确率。ORBID [42]使用基于三元组损失的方法在原始IQ数据上针对ORBCOMM卫星。所有这些系统都在6 GHz以下运行或依赖频谱分析仪而非SDR且没有处理SAR成像信号。我们的工作是首个在高于SDR上限的频率下对X波段SAR照射脉冲进行指纹识别的工作。LEO卫星的物理层安全。 Abdrabou和Gulliver [1]利用多普勒频移和接收功率认证LEO卫星在仿真中根据仰角实现了73.6–95.5%的检测。Topal和Karabulut Kurt [44]开发了一种基于多普勒测量的星间PLA方案仿真检测概率为90–100%。两项研究都不涉及X波段频率或这些频率下的真实数据采集。用于RF分类的量子机器学习。 Biamonte等人[6]提供了量子ML的理论基础确立了VQC可以实现经典模拟指数昂贵的希尔伯特空间函数。Schuld和Petruccione [38]以及Mitarai等人[25]形式化了通过反向传播实现VQC训练的参数偏移规则。然而量子ML在RF指纹识别中的应用仍处于起步阶段现有工作主要限于模拟IoT场景[19]没有针对真实卫星IQ数据的部署。An等人[4]提出了一种用于LoRa设备指纹识别的混合CNN-RNN-QNN架构证明相对于经典基线插入量子神经网络阶段可将可训练参数数量减少98.5%同时在真实捕获上保持有竞争力的准确率81.27%——首个在测量数据而非模拟数据上评估的量子混合RFFI系统。然而该工作针对6 GHz以下的LoRa设备使用标量特征的角度嵌入而不利用IQ样本的复值结构且未涉及卫星领域。针对RF分类器的对抗攻击。 一类威胁针对分类器本身而非发射器对接收信号添加精心构造的扰动可以在不显著改变底层波形的情况下翻转深度模型的预测。三个特性使RF成为此类攻击的肥沃领域。首先所需的扰动预算通常远低于信道噪声基底因此对抗能量比常规干扰更便宜且更隐蔽[34]。其次攻击面广泛相同的漏洞已在不同架构CNN、LSTM和GRU集成、不同任务调制分类、端到端自动编码器通信和资源分配回归以及白盒和黑盒设置中证明[45, 35, 22]。RF指纹识别在结构上比调制分类更暴露因为判别信号存在于硬件损伤中其幅度接近可行的对抗扰动。只有有限模型知识的攻击者已将LoRa指纹识别器的准确率降至20%以下[21]。IX. 讨论本节反思QuaSAR的数据效率对运营卫星认证部署的实际意义并识别当前评估的局限性。QuaSAR的可行性取决于量子硬件的轨迹。在本文中我们在经典上模拟VQC而非在量子设备上执行。当前超导平台已超过1,000个物理量子比特[16]而囚禁离子系统报告的两量子比特门保真度超过99.9%[32]。可信的工程路线图预计到2027–2028年NISQ设备将具有足够的相干性用于实用变分电路[16]。特别地QuaSAR不需要容错量子计算所有量子模块在少于100个双量子比特门和8个量子比特的电路内运行。此体制已可在商业云后端IBM QuantumIonQ上访问。鉴于ICEYE级星座代的操作寿命为7–10年QuaSAR预计可在当前部署卫星的活跃服务窗口内执行。与加密认证的互补性。 QuaSAR被定位为与加密消息认证正交的层。SAR成像脉冲是LFM调频信号没有能够携带数据的有效载荷结构。PLA完全在接收器侧运行不需要修改轨道段。此外它在推动卫星密钥基础设施逐步迁移的后量子威胁场景下仍然有效。这一过程预计跨越与上述NISQ部署时间线相同的2027–2030年时间范围[16]。QuaSAR可能是深度防御方案的一部分命令信道的加密泄露不会转化为成功的图像伪造反之硬件指纹漂移不会使遥测加密工具失效。启示。 QuaSAR最重要的贡献是其能够以显著更少的训练数据和超参数调优匹配经典基线性能。这一特性在卫星领域具有很高的实际重要性。与地面RF指纹识别场景数据收集快速且廉价不同从SAR卫星获取标记的IQ脉冲受限于无线过境单颗卫星在固定地面站上每天最多完成几次过境每次持续不超过15分钟。一个涵盖不同采集模式和大气条件的代表性语料库需要数周到数月的连续收集。我们的结果表明QuaSAR仅使用10%的可用训练数据即可达到经典基线准确率将原本需要数月的注册阶段压缩到大幅缩短的采集窗口。这直接降低了为卫星星座部署物理层认证的门槛其中针对认证基础设施调度观测时间是一项不可忽视的后勤成本。除数据效率外相对于纯经典基线7.5个百分点的准确率增益表明VQC贡献了经典分支未捕获的判别信息。第VI-D节的编码消融使此陈述更加精确在架构其他所有组件保持固定的情况下其中2.2个百分点仅归因于IQ原生编码。因此复样本与量子比特之间的几何对应关系不仅仅是一个说明性工具——它是可测量的在量子接口处丢弃相位坐标既损失准确率也损失训练时间。我们注意到在更详尽的经典基线超参数优化下此差距可能扩大或缩小因此我们不将其声明为主要结果[8]。未来工作。 三个方向扩展了本研究。第一我们将把QuaSAR从二元认证扩展到整个ICEYE星座的每卫星指纹识别将37颗卫星中的每一颗视为一个独特类别。这对分类器来说是一个更困难的任务因为共享共同有效载荷的卫星必须基于更微妙的硬件差异来区分。第二卫星硬件在任务寿命期间漂移。热循环、总电离剂量和机械应力都会改变雷达有效载荷改变QuaSAR所依赖的损伤特征。因此在给定时间点注册的指纹将退化。我们计划集成一个迁移学习协议定期在最近的照射信号上更新CNN编码器和分类头同时保持VQC参数固定或以较慢节奏更新。第三我们将改进采集测试平台以捕获所有四种ICEYE极化模式VV、VH、HV、HH而非HyperLOG PRO前端的单线性通道。带并行下变频链的双极化馈源将使分类器暴露于Spot和Strip模式中传输的完整极化散射矩阵。X. 结论在本文中我们据我们所知介绍了首个结合量子ML和经典ML为在具有挑战性的X波段运行的卫星提供PLA的混合架构。我们开发了QuaSAR一种量子-经典混合卷积架构在X波段SAR卫星的二元物理层认证中实现了97.3%的验证准确率和宏F10.973在覆盖37颗在轨ICEYE卫星的3.76 TB真实IQ数据集上相对于纯经典基线提高了7.5个百分点。更重要的是这些结果仅使用了经典ML所需数据的十分之一。我们的框架也得到了分析性剖析i消融分析确认变分量子电路贡献了同等规模经典层无法提供的非冗余判别信号且通过IQ原生幅度-相位编码而非传统角度嵌入加载其输入在减少46%的训练轮次下值得额外2.2个百分点ii梯度显著性图将认证决策定位到原始IQ域中的亚毫秒脉冲起始窗口iii可解释性分析识别了量子分支和经典分支的相对贡献。最后我们在三种对抗攻击场景下测试了我们的解决方案——重放、精心构造的IQ注入和星载欺骗——QuaSAR分别拒绝了89.7%、94.1%和81.3%的欺骗传输尝试。这项工作为X波段SAR卫星建立了首个量子增强PLA系统并在量子机器学习与空间安全交叉领域开辟了研究方向。