CN110798314A - 一种基于随机森林算法的量子密钥分发参数优化方法 - Google Patents
一种基于随机森林算法的量子密钥分发参数优化方法 Download PDFInfo
- Publication number
- CN110798314A CN110798314A CN201911058422.3A CN201911058422A CN110798314A CN 110798314 A CN110798314 A CN 110798314A CN 201911058422 A CN201911058422 A CN 201911058422A CN 110798314 A CN110798314 A CN 110798314A
- Authority
- CN
- China
- Prior art keywords
- random forest
- parameters
- parameter optimization
- parameter
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0816—Key establishment, i.e. cryptographic processes or cryptographic protocols whereby a shared secret becomes available to two or more parties, for subsequent use
- H04L9/0852—Quantum cryptography
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
- H04L9/0869—Generation of secret information including derivation or calculation of cryptographic keys or passwords involving random numbers or seeds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
- H04L2209/08—Randomization, e.g. dummy operations or using noise
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
- H04L2209/24—Key scheduling, i.e. generating round keys or sub-keys for block encryption
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及量子通信领域,提供了一种基于随机森林算法的量子密钥分发参数优化方法。在有限数据长的情况下,经全局优化的参数能显著提高实际诱骗态QKD系统的安全码率。传统的局部搜索算法可以用来寻找最优参数,但是它们一般会消耗较多的时间资源和计算资源,无法满足高速QKD系统实时参数优化和大型量子通信网络资源优化配置的需求。本发明利用原始数据预先训练一个随机森林模型,而后利用它直接预测最优参数,可以根据当前系统配置快速准确地预测出待优化的传输参数,大大加快了参数优化过程。数值仿真证明,我们的方法相比于传统搜索算法时间成本更低,并且有着较高的预测精度,在高速QKD系统和未来大规模量子通信网络中有良好的应用前景。
Description
技术领域
本发明涉及量子通信技术领域,尤其涉及量子密钥分发的参数优化。
背景技术
对于有限数据长情况下的诱骗态量子密钥分发(QKD,Quantum KeyDistribution)系统,充分优化的参数可以大大提高其密钥率。近年来,在移动平台(如无人机、掌上系统、甚至卫星)上实现QKD的技术备受关注,而这需要在低延迟和计算能力非常有限的情况下执行参数优化。另外,随着物联网的发展,QKD的一个极具潜力的发展方向可能是具有多设备互联的量子网络,这对大规模网络参数优化的控制器带来了巨大的计算挑战。传统上,这样的参数优化依赖于穷举搜索算法或者局部搜索算法,这些算法计算量大,在低功耗平台上运行速度慢,必然导致系统的延迟,无法满足大型QKD系统和QKD网络的需求,甚至对中等规模的网络也是不可行的。
发明内容
为了解决现有技术的不足,本发明提出一种基于机器学习的参数优化方法,应用于量子密钥分发系统。
为实现上述目的,本发明提供如下技术方案:一种基于随机森林算法的量子密钥分发参数优化方法,所述优化方法使用随机森林(RF,random forest)来预测给定系统条件下量子密钥分发的最佳强度和发送概率,在训练过程中,将一系列表示为的数据输入到随机森林模型中进行训练,使训练后的随机森林模型掌握函数的特性;所述优化方法的训练过程包括:训练集生成、预处理、训练模型;预测过程包括:测试集生成、预测、结果比较。详见以下步骤说明:
步骤一、利用程序随机生成系统参数组合,而后使用局部搜索算法(LSA,localsearch algorithm)计算每组系统参数对应的最优传输参数及密钥率,从而构成训练数据集。其中系统参数主要包括本底误码率ed,暗计数率d,探测器效率ηd,发送脉冲数N,以及通信双方之间的传输距离L,由于探测器效率ηd可以转换为透光率,因而为了简化RF结构将其设置为固定值。
步骤二、采用Standardization进行特征缩放,即
其中σ表示特征x的方差,经标准化后的数据符合标准正态分布,能够加速权重参数的收敛。注意此处仅对输入特征即系统参数进行标准化。将上述预处理后的数据输入到RF训练器中以训练得到RF模型。
进一步,所述方法仅在初次使用时需要进行训练,此后可以直接进行参数优化。
进一步,所述方法适用于任何协议,且不受实验设施影响。
与现有技术相比,本发明的有益效果是:本发明利用原始数据预先训练一个随机森林模型,训练完成后它根据输入的当前系统参数快速地预测出最优的传输参数,该方法大大加快了参数优化过程。该方法的可行性高,普适性强,仿真结果表明,本发明优化一组参数仅需1毫秒,明显提升QKD系统参数优化过程的效率。
附图说明
图1是本发明随机森林的训练过程和测试过程的数据流图。
图2是本发明使用的随机森林结构例图。
图3是本发明针对3强度MDI协议RF模型得到的预测参数与LSA搜索到的最优参数的密钥率比例图。
图4是本发明针对MDI协议和BB84协议RF模型得到的预测参数与LSA搜索到的最优参数的密钥率比例图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
并且,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
(1)随机森林介绍
随机森林广泛应用于各种机器学习任务,如分类问题、回归问题。理论和实证研究均表明,随机森林具有较高的预测精度,对异常值和噪声的容忍度强,过拟合的概率极小。随机森林是利用多棵决策树对样本数据进行训练、分类并预测的一种方法,它在对数据进行分类的同时,还可以给出各个变量的重要性评分,评估各个变量在分类中所起的作用。随机森林的结构参阅附图2。随机森林训练算法把bagging的一般技术应用到树学习中。假设训练集为其中Xi,Yi分别表示输入特征和输出响应,每棵树按照如下规则生成:
1)bagging方法从训练集随机且有放回地抽取N个训练样本,该样本集称为Dk(k=1,...,K),作为该树的训练集;
2)假设每个样本的特征维度为M,指定一个常数m<<M,随机从M个特征中选取m个特征子集,每次进行分裂时,从这m个特征中选择最优的;
3)每棵树都尽最大程度的生长,并且没有剪枝过程。
至此得到fk(k=1,...,K)。在训练结束后,对未知样本X'的预测可以通过对X'上所有单个回归树的预测求平均值来实现:
(2)参数优化
量子密钥分发允许两个合法用户,通常是Alice和Bob,根据量子物理定律共享无条件安全的密钥。在三强度诱骗态MDI-QKD中,发送方Alice(或Bob)需要优化信号态强度μ和诱骗态强度ν,以及发送概率(Pμ,Pν,PX|μ,PX|ν),其中Pμ(Pν)为选择信号态(诱骗态)的概率,PX|μ(PX|ν)为在信号态(诱骗态)条件下选择X基的概率。我们把这些参数统一为向量作为响应。除上述强度和概率的选择外,密钥率r的计算还依赖于系统条件包括本底误码率ed,暗计数率d,探测器效率ηd,发送脉冲数N,以及Alice和Bob之间的传输距离L等,根据GLLP公式,密钥率r可以表示为:
现有技术中,最优参数通常是通过执行局部搜索算法或全局搜索算法找到的,他们都需要用不同的参数对函数进行求解以获得最大值,进而获得另外观察发现函数和是单值确定函数。如前所述,随机森林的主要目标是建立输入特征和输出响应之间的映射关系并根据新的输入特征预测输出响应,因而可以借助随机森林来准确描述上述函数关系一旦随机森林模型训练过后,就可以用它来根据任意输入的系统参数直接找到最优的传输参数和安全码率,这一过程大大加快参数优化过程。
请参阅图1,本发明实施例中训练一个随机森林来预测最优参数。首先编写一个程序能够从输入数据空间随机挑选一种系统参数组合具体数值见表I,随后使用局部搜索算法计算相应的最大码率和最优传输参数,针对每种系统参数组合在200km范围内随机选取40个点。另外光纤衰减α为0.2dB/km,纠错效率fe为1.16。将系统参数-最优参数集传给随机森林模型,使其学习的函数特性。随机森林结构参阅附图2可知,本发明方法使用均方误差作为代价函数。对于输入特征,由于探测器效率ηd可以等价转换为透光率,例如探测效率降低一半等于信道增加3dB衰减,因而为了简化随机森林模型的结构设探测器效率为一定值14.5%,仅对其余系统参数进行标准化。
参数 | e<sub>d</sub> | d | N | L |
范围 | 0.01~0.02 | 10<sup>-8</sup>~10<sup>-6</sup> | 10<sup>11</sup>~10<sup>13</sup> | 0~200km |
表I.输入数据空间。ed表示本底误码率,d表示暗计数率,N表示发送脉冲数,L表示通信双方间的距离。
训练结束后,随机生成8000组系统参数用训练后的随机森林模型来预测相应的最优参数并计算码率,结果如表Ⅱ所示,可以看出随机森林得到的预测参数与LSA搜索得到的最优参数十分接近,误差在1%之内。表Ⅱ还列出了神经网络的结果,显然在相同数据集下,随机森林的结果要好于神经网络。参阅附图3可知用RF预测的参数计算的密钥率可以达到LSA优化的密钥率的99.42%。本发明方法最大的优点是具有较高的优化速度,仿真结果表明,本发明方法优化一组参数仅需1毫秒,传统的搜索算法很难在相同的硬件配置下达到同样的速度,明显提升了QKD系统参数优化过程的效率。
表Ⅱ.随机森林和神经网络的预测参数与局部搜索算法的最优参数比较结果预,测精确度定义为:
为了研究RF模型的普适性,使用LSA算法另外生成关于3强度BB84-QKD协议的数据集,并将其与MDI协议的数据集混合,然后利用这些数据训练一个普适的模型,它可以同时适用于MDI协议和BB84协议。除了上面提到的系统条参数,协议类型(MDI或BB84)也作为一个输入特征。训练完成后,再随机生成16000组系统条件,分别通过LSA和RF计算出最优参数。如图4所示,用随机森林预测参数计算的密钥率仍然与LSA近似。由此可知,这种RF模型适用于多种协议,这有助于在相同的系统条件下选择合适的协议以获得更高的系统性能。
综上,本发明提出了一种基于随机森林算法的量子密钥分发参数优化方法,在其预测的最优参数与传统LSA搜索的最优参数十分接近的同时,使用该参数优化方法大大提高了优化速度,从而能够满足实时QKD系统的需求。而且,本方法适用于多种协议,这有助于在相同的系统条件下选择合适的协议以获得更高的系统性能。此外,本方法同样可以拓展应用到其他量子密码协议参数优化上,比如量子数字签名,量子秘密共享,量子随机数发生器等应用方向。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (3)
1.一种基于随机森林算法的量子密钥分发参数优化方法,其特征在于:所述优化方法使用多输入多输出随机森林(RF,random forest)来预测任意给定系统条件下量子密钥分发(QKD,Quantum Key Distribution)系统的最佳强度和发送概率,在训练过程中,将一系列表示为的数据输入到随机森林中进行训练,使训练后的随机森林掌握函数的特性;所述优化方法中训练及预测过程包括以下具体步骤详见以下步骤说明:
步骤一、利用程序随机生成系统参数组合,而后使用局部搜索算法(LSA,local searchalgorithm)计算每组系统参数对应的最优传输参数及密钥率,从而构成训练数据集;其中系统参数主要包括本底误码率ed,暗计数率d,探测器效率ηd,发送脉冲数N,以及通信双方之间的传输距离L,由于探测器效率ηd可以转换为透光率,因而为了简化RF结构将其设置为固定值;
步骤二、采用Standardization进行特征缩放,即
其中σ表示特征x的方差,经标准化后的数据符合标准正态分布,能够加速权重参数的收敛;注意此处仅对输入特征即系统参数进行标准化;将上述预处理后的数据输入到RF训练器中以训练得到基于RF的参数预测模型;
2.根据权利要求书1所述的一种基于随机森林算法的量子密钥分发参数优化方法,其特征在于:所述方法仅在初次使用时需要进行训练,此后可以直接进行参数优化。
3.根据权利要求书1所述的一种基于随机森林算法的量子密钥分发参数优化方法,其特征在于:所述方法适用于任何协议,且不受设备实施影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911058422.3A CN110798314B (zh) | 2019-11-01 | 2019-11-01 | 一种基于随机森林算法的量子密钥分发参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911058422.3A CN110798314B (zh) | 2019-11-01 | 2019-11-01 | 一种基于随机森林算法的量子密钥分发参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110798314A true CN110798314A (zh) | 2020-02-14 |
CN110798314B CN110798314B (zh) | 2023-02-24 |
Family
ID=69440697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911058422.3A Active CN110798314B (zh) | 2019-11-01 | 2019-11-01 | 一种基于随机森林算法的量子密钥分发参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110798314B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111555866A (zh) * | 2020-04-10 | 2020-08-18 | 中国人民解放军国防科技大学 | 一种基于机器学习的自由空间量子密钥分发参数优化方法 |
CN111934865A (zh) * | 2020-08-14 | 2020-11-13 | 国科量子通信网络有限公司 | 一种基于熵值法的量子通信网络运行指标的评估方法 |
CN113055167A (zh) * | 2021-03-22 | 2021-06-29 | 上海循态信息科技有限公司 | 基于芯片cvqkd实际系统中安全漏洞的防御方法及系统 |
CN113411181A (zh) * | 2021-05-18 | 2021-09-17 | 南京邮电大学 | 一种基于分布式并行差分进化算法的参数优化方法 |
WO2021197903A1 (en) * | 2020-03-30 | 2021-10-07 | British Telecommunications Public Limited Company | Improvements to satellite-based qkd |
CN115529124A (zh) * | 2021-06-25 | 2022-12-27 | 矩阵时光数字科技有限公司 | 基于lgbm的离散调制cv-qkd协议码率预测方法 |
JP2023042571A (ja) * | 2021-09-14 | 2023-03-27 | テラ クアンタム アーゲー | 量子通信セットアップを決定するための方法、量子通信セットアップ、コンピュータプログラム、およびデータ処理システム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106648654A (zh) * | 2016-12-20 | 2017-05-10 | 深圳先进技术研究院 | 一种数据感知的Spark配置参数自动优化方法 |
CN110298611A (zh) * | 2019-05-16 | 2019-10-01 | 重庆瑞尔科技发展有限公司 | 基于随机森林与深度学习的船舶货运效率调控方法及系统 |
CN110365473A (zh) * | 2019-05-31 | 2019-10-22 | 南京邮电大学 | 一种基于机器学习的量子通信系统的主动反馈控制方法 |
-
2019
- 2019-11-01 CN CN201911058422.3A patent/CN110798314B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106648654A (zh) * | 2016-12-20 | 2017-05-10 | 深圳先进技术研究院 | 一种数据感知的Spark配置参数自动优化方法 |
CN110298611A (zh) * | 2019-05-16 | 2019-10-01 | 重庆瑞尔科技发展有限公司 | 基于随机森林与深度学习的船舶货运效率调控方法及系统 |
CN110365473A (zh) * | 2019-05-31 | 2019-10-22 | 南京邮电大学 | 一种基于机器学习的量子通信系统的主动反馈控制方法 |
Non-Patent Citations (1)
Title |
---|
温博文等: "基于改进网格搜索算法的随机森林参数优化", 《计算机工程与应用》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021197903A1 (en) * | 2020-03-30 | 2021-10-07 | British Telecommunications Public Limited Company | Improvements to satellite-based qkd |
CN111555866A (zh) * | 2020-04-10 | 2020-08-18 | 中国人民解放军国防科技大学 | 一种基于机器学习的自由空间量子密钥分发参数优化方法 |
CN111555866B (zh) * | 2020-04-10 | 2023-05-12 | 中国人民解放军国防科技大学 | 一种基于机器学习的自由空间量子密钥分发参数优化方法 |
CN111934865A (zh) * | 2020-08-14 | 2020-11-13 | 国科量子通信网络有限公司 | 一种基于熵值法的量子通信网络运行指标的评估方法 |
CN113055167A (zh) * | 2021-03-22 | 2021-06-29 | 上海循态信息科技有限公司 | 基于芯片cvqkd实际系统中安全漏洞的防御方法及系统 |
CN113055167B (zh) * | 2021-03-22 | 2022-06-03 | 上海循态量子科技有限公司 | 基于芯片cvqkd实际系统中安全漏洞的防御方法及系统 |
CN113411181A (zh) * | 2021-05-18 | 2021-09-17 | 南京邮电大学 | 一种基于分布式并行差分进化算法的参数优化方法 |
CN113411181B (zh) * | 2021-05-18 | 2023-02-14 | 南京邮电大学 | 一种基于分布式并行差分进化算法的参数优化方法 |
CN115529124A (zh) * | 2021-06-25 | 2022-12-27 | 矩阵时光数字科技有限公司 | 基于lgbm的离散调制cv-qkd协议码率预测方法 |
JP2023042571A (ja) * | 2021-09-14 | 2023-03-27 | テラ クアンタム アーゲー | 量子通信セットアップを決定するための方法、量子通信セットアップ、コンピュータプログラム、およびデータ処理システム |
Also Published As
Publication number | Publication date |
---|---|
CN110798314B (zh) | 2023-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110798314B (zh) | 一种基于随机森林算法的量子密钥分发参数优化方法 | |
Kalantayevska et al. | Method of integral estimation of channel state in the multiantenna radio communication systems | |
Sun et al. | Adaptive intrusion detection in the networking of large-scale lans with segmented federated learning | |
Bai et al. | Deep learning based fast multiuser detection for massive machine-type communication | |
Wu et al. | Multi-level federated graph learning and self-attention based personalized Wi-Fi indoor fingerprint localization | |
Sanchez et al. | Evaluating ML-based DDoS detection with grid search hyperparameter optimization | |
CN112149967A (zh) | 基于复杂系统理论的电力通信网脆弱性评估方法和系统 | |
Khan et al. | Real-time throughput prediction for cognitive Wi-Fi networks | |
Han et al. | Primary-user-friendly dynamic spectrum anti-jamming access: A GAN-enhanced deep reinforcement learning approach | |
Correia et al. | Energy-based acoustic localization by improved elephant herding optimization | |
Militani et al. | A machine learning model to resource allocation service for access point on wireless network | |
Panayiotou et al. | A data-driven QoT decision approach for multicast connections in metro optical networks | |
Chen et al. | Principle component analysis based cooperative spectrum sensing in cognitive radio | |
Ko et al. | Monstor: an inductive approach for estimating and maximizing influence over unseen networks | |
Liu et al. | UcnPowerNet: residual learning based clustering and interference coordination in 5G user‐centric networks | |
Sinthuja et al. | DDoS attack detection using enhanced long-short term memory with hybrid machine learning algorithms | |
CN117544353A (zh) | 轻量级生成对抗网络、匿名网络环境下基于该网络的加密流量隐匿方法及设备 | |
Zhang et al. | A novel unsupervised malware detection method based on adversarial auto-encoder and deep clustering | |
Shermeh et al. | Blind signal-type classification using a novel robust feature subset selection method and neural network classifier | |
CN111291078A (zh) | 一种域名匹配检测方法及装置 | |
CN114139688A (zh) | 基于马尔可夫链共识的工业物联网分布式联邦学习方法 | |
Fang et al. | An experimental analysis of SNR performance for LoRa communication | |
Zhou et al. | Metric Learning-based Few-Shot Malicious Node Detection for IoT Backhaul/Fronthaul Networks | |
Zolotukhin et al. | Online detection of anomalous network flows with soft clustering | |
De Souza et al. | Performance of a Neural Network Receiver under Mismatch of Channel Training Samples |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |