CN107612688B - 基于机器学习的cvqkd实时性能优化方法及系统 - Google Patents

Abstract

本发明提供了一种基于机器学习的CVQKD实时性能优化方法及系统，包括：从CVQKD系统中收集机器学习所需的物理参数，根据所采集的物理参数，采用支持向量机算法得到预测模型，基于所述预测模型得到对应物理参数的预测数据，根据得到的预测数据，在CVQKD系统的接收端进行反馈控制。本发明通过机器学习得到CVQKD系统中物理参数的预测数据，从而对CVQKD系统进行反馈控制，使物理参数维持在一个稳定的值，从而解决CVQKD系统因物理参数不稳定而造成的系统安全性问题，提高系统性能及稳定性。同时，该方案相较于现有的实时监控方案结构简单，成本低廉。

Description

基于机器学习的CVQKD实时性能优化方法及系统

技术领域

本发明涉及量子通信技术领域，具体地，涉及基于机器学习的CVQKD实时性能优化方法及系统。

背景技术

在计算机信息技术和通信技术迅速发展的背景下，对信息安全性的要求日益增加。近年来，随着经典计算机计算能力的提高和量子计算机研究的重大突破，依赖于数学密码的信息安全体制将面临着严峻的挑战。量子保密通信的出现开辟了基于物理机制的密码学的新思路和新方法，它的出现改变了传统的基于数学方法的加密方式，并且它基于物理特性的无条件安全性给它带来了无与伦比的优势。

量子密钥分发(Quantum key distribution，QKD)技术整体上分为两大类：离散变量量子密钥分发（DVQKD）和连续变量量子密钥分发（CVQKD），和离散变量量子密钥分发技术相比，连续变量量子密钥分发技术具有更高的通信速率和效率，因此，吸引了世界上许多研究机构对其理论和应用技术进行了深入研究；同时也正是如此，使得连续变量量子保密通信技术成为整个保密通信技术的一个重要分支。目前国内外对于连续变量量子保密通信研发了各种各样的协议，其中应用最广泛的是高斯调制相干态连续变量量子密钥分发协议，该协议在理论上被证明是无条件安全的。

然而，在实际实验系统中，由于本振光强度变化、信道的扰动、环境温度的变化、器件的抖动等物理参数波动原因将会导致系统的不稳定，且该不稳定性还有可能会对系统的实际安全性造成威胁，攻击者可以利用该波动带来的系统漏洞，对系统进行攻击获取密钥信息。现有的实时监控方案计算系统密钥率的任何参数都需要用散粒噪声方差进行标定，但是由于系统的物理参数波动，所以和其密切相关的散粒噪声方差也将发生抖动，且系统的复杂度和开销较大。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于机器学习的CVQKD实时性能优化方法及系统。

根据本发明提供的一种基于机器学习的CVQKD实时性能优化方法，包括步骤：

训练数据收集步骤：从CVQKD系统中收集机器学习所需的物理参数；

预测数据计算步骤：根据所采集的物理参数，采用支持向量机算法得到预测模型，基于所述预测模型得到对应物理参数的预测数据；

反馈控制步骤：根据得到的预测数据，在CVQKD系统的接收端进行反馈控制。

优选的，所述物理参数包括本振光强度。

优选的，通过光纤分束器在CVQKD系统接收端分出一部分本振光进行本振光强度测量收集。

优选的，根据得到的本振光强度的预测数据，通过可调衰减器对本振光进行反馈控制。

根据本发明提供的一种基于机器学习的CVQKD实时性能优化系统，包括：

训练数据收集模块：从CVQKD系统中收集机器学习所需的物理参数；

预测数据计算模块：根据所采集的物理参数，采用支持向量机算法得到预测模型，基于所述预测模型得到对应物理参数的预测数据；

反馈控制模块：根据得到的预测数据，在CVQKD系统的接收端进行反馈控制。

优选的，所述物理参数包括本振光强度。

优选的，通过光纤分束器在CVQKD系统接收端分出一部分本振光进行本振光强度测量收集。

优选的，根据得到的本振光强度的预测数据，通过可调衰减器对本振光进行反馈控制。

与现有技术相比，本发明具有如下的有益效果：

通过机器学习得到CVQKD系统中物理参数的预测数据，从而对CVQKD系统进行反馈控制，使物理参数维持在一个稳定的值，从而解决CVQKD系统因物理参数不稳定而造成的系统安全性问题，提高系统性能及稳定性。同时，该方案相较于现有的实时监控方案结构简单，成本低廉。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明的流程图；

图2为本发明对本振光进行反馈控制的原理图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

如图1所示，本发明提供的一种基于机器学习的CVQKD实时性能优化方法主要包括步骤：

CVQKD系统构建步骤：

发送端准备高斯分布的真随机数集合，并制备相干态。根据高斯分布的真随机数集合的元素，通过强度调制器和相位调制器对相干态进行编码。发送端将完成编码的相干态信号通过量子信道传输给接收端。接收端进行随机测量基选择并采用零差探测器对接收到的量子态进行测量。随后，合法双方将进行基比对过程，舍弃测量基不同的信息。最后，通过经典信道，发送端和接收端两方进行协商，判断是否存在窃听行为，如果存在，则放弃此次通信，如果不存在，两者分别对自己的符号串进行量化，得到相关比特串，并通过保密增强，最终得到量子密钥。在实际系统中，通常在此步骤之前需要从密钥比特串中选取一部分数据进行参数估计，用以评估信息在信道传输过程中的各个参数。数据量的大小应该由有限长安全性理论计算、传输距离、所需求的安全密钥率共同决定。这部分数据将不再用于生成密钥。

训练数据收集步骤：从CVQKD系统中收集机器学习所需的物理参数作为训练数据；

预测数据计算步骤：根据所采集的物理参数，采用支持向量机算法，选择对本问题而言最优的核函数以及对应的参数得到预测模型，这里我们选择径向基函数(RBF)。基于所述预测模型（即强度回归曲线）得到对应物理参数的预测数据；

反馈控制步骤：根据得到的预测数据，在CVQKD系统的接收端进行反馈控制。

本发明还提供的一种基于机器学习的CVQKD实时性能优化系统，包括：

训练数据收集模块：从CVQKD系统中收集机器学习所需的物理参数；

预测数据计算模块：根据所采集的物理参数，采用支持向量机算法得到预测模型，基于所述预测模型得到对应物理参数的预测数据；

反馈控制模块：根据得到的预测数据，在CVQKD系统的接收端进行反馈控制。

以下以本振光为例进行说明，以便技术人员更好的理解本发明：

如图2所示，对于本振光而言，在接收端本振光那一路上面加入光纤分束器分出一小部分进行本振光强度测量收集，在本实施例中为1%，但是本发明对此不做限制。光信号通过光电二极管转换成电信号传递给预测数据计算模块，得到对应的预测数据。根据预测数据，通过可调衰减器对本振光进行反馈控制，使本振光维持在一个稳定的值，基于本振光抖动设计的所有攻击将不再存在，一劳永逸的解决由于本振光抖动一起的一系列问题。

本方案提出的基于机器学习的CVQKD实时性能优化方案，保证了系统的散粒噪声维持在一个常数，不再需要实时的监控测量。所以该方案首先比之前的方案降低了系统的复杂度，节约了系统开销，其次经分析该方案提高了系统性能，使系统的密钥率上升。本方案采用预测值而非测量值进行反馈，降低了系统复杂度，节约了系统开销。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (2)

1.一种基于机器学习的CVQKD实时性能优化方法，其特征在于，包括步骤：

CVQKD系统构建步骤：发送端准备高斯分布的真随机数集合，并制备相干态，根据高斯分布的真随机数集合的元素，通过强度调制器和相位调制器对相干态进行编码；发送端将完成编码的相干态信号通过量子信道传输给接收端，接收端进行随机测量基选择并采用零差探测器对接收到的量子态进行测量；合法双方将进行基比对过程，舍弃测量基不同的信息；通过经典信道，发送端和接收端两方进行协商，判断是否存在窃听行为，如果存在，则放弃此次通信，如果不存在，发送端和接收端分别对自己的符号串进行量化，得到相关比特串，并通过保密增强，最终得到量子密钥；

训练数据收集步骤：从CVQKD系统中收集机器学习所需的物理参数；

预测数据计算步骤：根据所采集的物理参数，采用支持向量机算法得到预测模型，基于所述预测模型得到对应物理参数的预测数据；

反馈控制步骤：根据得到的预测数据，在CVQKD系统的接收端进行反馈控制；

所述物理参数包括本振光强度；

通过光纤分束器在CVQKD系统接收端分出一部分本振光进行本振光强度测量收集；

根据得到的本振光强度的预测数据，通过可调衰减器对本振光进行反馈控制。

2.一种基于机器学习的CVQKD实时性能优化系统，其特征在于，包括：

CVQKD系统构建模块：发送端准备高斯分布的真随机数集合，并制备相干态，根据高斯分布的真随机数集合的元素，通过强度调制器和相位调制器对相干态进行编码；发送端将完成编码的相干态信号通过量子信道传输给接收端，接收端进行随机测量基选择并采用零差探测器对接收到的量子态进行测量；合法双方将进行基比对过程，舍弃测量基不同的信息；通过经典信道，发送端和接收端两方进行协商，判断是否存在窃听行为，如果存在，则放弃此次通信，如果不存在，发送端和接收端分别对自己的符号串进行量化，得到相关比特串，并通过保密增强，最终得到量子密钥；

训练数据收集模块：从CVQKD系统中收集机器学习所需的物理参数；

预测数据计算模块：根据所采集的物理参数，采用支持向量机算法得到预测模型，基于所述预测模型得到对应物理参数的预测数据；

反馈控制模块：根据得到的预测数据，在CVQKD系统的接收端进行反馈控制；

所述物理参数包括本振光强度；

通过光纤分束器在CVQKD系统接收端分出一部分本振光进行本振光强度测量收集；

根据得到的本振光强度的预测数据，通过可调衰减器对本振光进行反馈控制。

Images