چکیده:
با ظهور نظریه محاسبات کوانتومی و شبکههای ارتباطی کوانتومی، برقراری ارتباط محرمانه و ایمن چالشبرانگیز شده است. نهانکاوی سیگنال صوت کوانتومی یکی از زیرشاخههای موردتوجه در حوزه پردازش سیگنال کوانتومی و محاسبات کوانتومی است که سعی دارد با استفاده از تکنیکهای استخراج ویژگی و الگوریتمهای یادگیری ماشین کوانتومی، ارتباطات مخفی در بستر شبکههای ارتباطی کوانتومی را شناسایی کند. باتوجهبه اینکه پنهاننگاری باعث تغییرات اجتنابناپذیری در ویژگی آماری حوزه فرکانس سیگنال میزبان میشود، میتوان از آن بهعنوان یک ابزار کارآمد و مؤثر برای ساختن نهان کاو جامع و دقیق استفاده کرد؛ بنابراین، روش پیشنهادی در ابتدا، از تبدیل فوریه کوانتومی روی سیگنال صوت QRDS برای استخراج ویژگیهای آماری استفاده میکند. برای این منظور، شبکهمدار کوانتومی پیشنهادی این ویژگیها شامل مرکز طیفی کوانتومی و پهنای باند طیفی کوانتومی طراحی و پیادهسازی شده است. در نهایت، الگوریتم ماشین بردار پشتیبان کوانتومی (QSVM)، با استفاده ویژگیهای استخراج شده مجموعه دادههای پاک و گنجانه با دقت بیشتر از 95% از هم تفکیک میشوند.
With the advent of quantum computing theory and quantum communication networks, establishing confidential and secure communication has become challenging. Quantum audio signal steganalysis is one of the interesting subfields in the field of quantum signal processing and quantum computing, which tries to identify hidden communications in the context of quantum communication networks by using feature extraction techniques and quantum machine learning algorithms. Since steganography causes inevitable changes in the statistical characteristics of the frequency domain of the host signal, it can be used as an efficient and effective tool to build comprehensive and accurate steganalysis. So; At first, the proposed method uses quantum Fourier transform on QRDS audio signal to extract statistical features. For this purpose, the proposed quantum circuit network of these features, quantum spectral center and quantum spectral bandwidth has been designed and implemented. Finally, the Quantum Support Vector Machine (QSVM) algorithm, using the extracted features, separates clean and stego data sets with an accuracy of more than 95%.