CN111555866B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111555866B
CN111555866B CN202010280417.3A CN202010280417A CN111555866B CN 111555866 B CN111555866 B CN 111555866B CN 202010280417 A CN202010280417 A CN 202010280417A CN 111555866 B CN111555866 B CN 111555866B
Authority
CN
China
Prior art keywords
quantum key
key distribution
free space
machine learning
satellite
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.)
Active
Application number
CN202010280417.3A
Other languages
English (en)
Other versions
CN111555866A (zh
Inventor
东晨
王星宇
刘潇文
冉昊丹
吴田宜
刘伟
李卫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010280417.3A priority Critical patent/CN111555866B/zh
Publication of CN111555866A publication Critical patent/CN111555866A/zh
Application granted granted Critical
Publication of CN111555866B publication Critical patent/CN111555866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H04L9/0819—Key transport or distribution, i.e. key establishment techniques where one party creates or otherwise obtains a secret value, and securely transfers it to the other(s)
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Electromagnetism (AREA)
  • Radio Relay Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了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，具体包括如下步骤：步骤1，进行自由空间量子密钥分发星地链路状态采集；步骤2，利用步骤1的采集结果，基于机器学习方法完成自由空间量子密钥分发的参数优化。本发明针对链路距离、传输效率动态变化的自由空间量子密钥分发，在有角速度、随机振动的情况下，利用机器学习的优化方法对动态变化的QKD(量子密钥分发)协议参数进行优化研究并建立高效稳定的量子信道，提高信道效率以及降低量子密钥误码率。

Description

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
技术领域
本发明属于量子信息处理技术领域，涉及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。
背景技术
目前，自由空间量子密钥分发需要在双方有限接入通信时间内构建稳定高效的传输链路，但是低轨卫星和地面站始终处于高速相对运动之中，链路距离、传输效率动态变化，经验式的物理参数配置将不能与实时动态变化信道状况进行高效匹配，传统通过对较少参数进行强力全局搜索或对较多参数进行局部搜索算法的传统方法很难匹配信道动态变化带来的复杂度，不适合快速动态变化的自由空间量子密钥分发信道，成为制约自由空间量子密钥分发系统性能的问题之一。
发明内容
本发明的目的是提供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，该方法针对链路距离、传输效率动态变化的自由空间量子密钥分发，在有角速度、随机振动的情况下，利用机器学习的优化方法对动态变化的QKD(量子密钥分发)协议参数进行优化研究并建立高效稳定的量子信道，提高信道效率以及降低量子密钥误码率。
本发明所采用的技术方案是，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，具体包括如下步骤：
步骤1，进行自由空间量子密钥分发星地链路状态采集；
步骤2，利用步骤1的采集结果，基于机器学习方法完成自由空间量子密钥分发的参数优化。
本发明的特点还在于，
步骤1的采集结果包括三部分，分别为：卫星轨道和地面站参数、大气环境噪声采集及量子密钥分发系统参数。
步骤1的具体过程为：通过查询卫星及地面站数据完成卫星轨道和地面站参数采集，通过MATLAB建模完成大气环境噪声采集和量子密钥分发系统参数采集，从而完成自由空间量子密钥分发星地链路状态的采集。
步骤2中基于机器学习方法完成自由空间量子密钥分发的参数优化包括三个依次协作的模块功能，分别为：信道链路状态样本集的生成、系统参数与性能指标训练集的生成及机器学习优化方法选择计算。
步骤2的具体过程为：首先，利用步骤1采集的自由空间量子密钥分发星地链路状态，生成信道链路状态样本集；然后通过改变量子密钥分发系统参数和大气湍流强度参数、卫星轨道参数和地面站孔径的系统参数，生成系统参数与性能指标训练集；最后，通过机器学习优化方法选择计算实现自由空间量子密钥分发的参数优化。
本发明的有益效果是，本发明通过仿真系统分析各类器件参数及卫星轨道参数对QKD系统性能影响的规律，主要包括接收发口径(卫星轨道和地面站参数)、链路传输长度、卫星俯仰角(卫星轨道和地面站参数)对星地QKD系统整体传输损耗的影响，提出基于机器学习技术实时预测星地链路状况，实现动态调整和优化系统物理参数配置的方法，降低系统计算复杂度，提升系统效率。
附图说明
图1是将本发明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应用于单臂测量设备无关量子密钥分发协议的优化结果示意图；
图2采用无优化方法下的单臂测量设备无关量子密钥分发协议分发状态示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明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，具体包括如下步骤：
步骤1，进行自由空间量子密钥分发星地链路状态采集；
步骤1的采集结果包括三部分，分别为：卫星轨道和地面站参数、大气环境噪声采集及量子密钥分发系统参数。
步骤1的具体过程为：通过查询卫星及地面站数据完成卫星轨道和地面站参数采集，通过MATLAB建模完成大气环境噪声采集和量子密钥分发系统参数采集，从而完成自由空间量子密钥分发星地链路状态的采集。
步骤2，利用步骤1的采集结果，基于机器学习方法完成自由空间量子密钥分发的参数优化。
步骤2中基于机器学习方法完成自由空间量子密钥分发的参数优化包括三个依次协作的模块功能，分别为：信道链路状态样本集的生成、系统参数与性能指标训练集的生成及机器学习优化方法选择计算。
步骤2的具体过程为：首先，利用步骤1采集的自由空间量子密钥分发星地链路状态，生成信道链路状态样本集；然后通过改变量子密钥分发系统参数和大气湍流强度参数、卫星轨道参数和地面站孔径的系统参数，生成系统参数与性能指标训练集；最后，通过机器学习优化方法选择计算实现自由空间量子密钥分发的参数优化。为后续开展自由空间量子密钥分发实验提供参数优化的依据。
本发明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的特点为：采用传统智能算法迭代获得最优配置的方法计算复杂度较高，不适合快速动态变化的自由空间量子密钥分发系统。因此，基于不同星地QKD方案的实际信道状况变化特点及卫星运动规律，通过多项仿真软件联合构建星地QKD仿真模拟系统，对信道参数情况进行实时提取分析，实现自由空间QKD的发射光强等实时物理参数优化配置，进一步提升量子密钥系统性能。
实施例
采用本发明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仿真验证了单臂测量设备无关量子密钥分发协议的优化结果，首先建立墨子号单臂测量设备无关量子密钥分发协议星地物理链路，如图1所示，为墨子号与阿里地面站的星地链路建模，然后利用STK(Satellite Tool Kit，即卫星工具包)和MATLAB实现星地自由空间量子密钥分发，最后通过全局优化和部分优化对比分析了机器学习优化后的密钥生成率的结果如图2所示。
由图2可知，采用本发明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，可以有效提升接入时间内的密钥生成率，为后续开展自由空间量子密钥分发实验提供技术支撑。

Claims (1)

1.一种基于机器学习的自由空间量子密钥分发参数优化方法，其特征在于：具体包括如下步骤：
步骤1，进行自由空间量子密钥分发星地链路状态采集；
所述步骤1的采集结果包括三部分，分别为：卫星轨道和地面站参数、大气环境噪声采集及量子密钥分发系统参数；
所述步骤1的具体过程为：通过查询卫星及地面站数据完成卫星轨道和地面站参数采集，通过MATLAB建模完成大气环境噪声采集和量子密钥分发系统参数采集，从而完成自由空间量子密钥分发星地链路状态的采集；
步骤2，利用步骤1的采集结果，基于机器学习方法完成自由空间量子密钥分发的参数优化；
所述步骤2中基于机器学习方法完成自由空间量子密钥分发的参数优化包括三个依次协作的模块功能，分别为：信道链路状态样本集的生成、系统参数与性能指标训练集的生成及机器学习优化方法选择计算；
所述步骤2的具体过程为：首先，利用步骤1采集的自由空间量子密钥分发星地链路状态，生成信道链路状态样本集；然后通过改变量子密钥分发系统参数和大气湍流强度参数、卫星轨道参数和地面站孔径的系统参数，生成系统参数与性能指标训练集；最后，通过机器学习优化方法选择计算实现自由空间量子密钥分发的参数优化。
CN202010280417.3A 2020-04-10 2020-04-10 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 Active CN111555866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010280417.3A CN111555866B (zh) 2020-04-10 2020-04-10 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010280417.3A CN111555866B (zh) 2020-04-10 2020-04-10 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

Publications (2)

Publication Number Publication Date
CN111555866A CN111555866A (zh) 2020-08-18
CN111555866B true CN111555866B (zh) 2023-05-12

Family

ID=72002420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010280417.3A Active CN111555866B (zh) 2020-04-10 2020-04-10 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

Country Status (1)

Country Link
CN (1) CN111555866B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107437995A (zh) * 2016-05-27 2017-12-05 西安电子科技大学 基于卫星的广域量子通信网络系统及通信方法
CN109361505A (zh) * 2018-09-19 2019-02-19 陕西航天长缨量子科技有限公司 用于自由空间量子信道性能的改进方法
WO2019234406A1 (en) * 2018-06-04 2019-12-12 Inmarsat Global Limited Satellite tt&c
CN110601826A (zh) * 2019-09-06 2019-12-20 北京邮电大学 一种基于机器学习的动态dwdm-qkd网络中的自适应信道分配方法
CN110798314A (zh) * 2019-11-01 2020-02-14 南京邮电大学 一种基于随机森林算法的量子密钥分发参数优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107437995A (zh) * 2016-05-27 2017-12-05 西安电子科技大学 基于卫星的广域量子通信网络系统及通信方法
WO2019234406A1 (en) * 2018-06-04 2019-12-12 Inmarsat Global Limited Satellite tt&c
CN109361505A (zh) * 2018-09-19 2019-02-19 陕西航天长缨量子科技有限公司 用于自由空间量子信道性能的改进方法
CN110601826A (zh) * 2019-09-06 2019-12-20 北京邮电大学 一种基于机器学习的动态dwdm-qkd网络中的自适应信道分配方法
CN110798314A (zh) * 2019-11-01 2020-02-14 南京邮电大学 一种基于随机森林算法的量子密钥分发参数优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Machine Learning for Optimal Parameter Prediction in Quantum Key Distribution;Wenyuan Wang;《arXiv》;20181219;Section I-III *

Also Published As

Publication number Publication date
CN111555866A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN101246200B (zh) 一种基于神经网络的模拟pcb智能测试系统
CN110365612A (zh) 一种基于近似消息传递算法的深度学习波束域信道估计方法
CN111713035B (zh) 基于人工智能的mimo多天线信号传输与检测技术
CN111400965B (zh) 基于stk和matlab的星地量子密钥分发仿真系统
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
CN112153616A (zh) 一种基于深度学习的毫米波通信系统中的功率控制方法
Yao et al. Modulation identification of underwater acoustic communications signals based on generative adversarial networks
CN113381828A (zh) 基于条件生成对抗网络的稀疏码多址接入随机信道建模方法
WO2021088465A1 (zh) 基于多分布测试数据融合的多层感知器快速调制识别方法
Sui et al. Jointly optimized extreme learning machine for short-term prediction of fading channel
CN111555866B (zh) 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
CN114297912A (zh) 基于深度学习的刀具磨损预测方法
CN114513394B (zh) 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质
CN102780542A (zh) 全反馈神经网络信号盲检测的增益因子调整方法
Song et al. Physics-informed neural operator for fast and scalable optical fiber channel modelling in multi-span transmission
Qiao et al. Deep learning-based M-ary spread spectrum communication system in shallow water acoustic channel
CN116566579A (zh) 基于回声状态网络的增强混沌加密系统动力学特性的方法
CN107918920B (zh) 多光伏电站的出力关联性分析方法
CN116647376B (zh) 一种基于声纹信息的水声网络节点身份认证方法
Zou et al. Underwater optical channel generator: A generative adversarial network based approach
Ma et al. Modeling of Multi-Core Fiber Channel Based on M-CGAN for High Capacity Fiber Optical Communication
CN113193925B (zh) 一种通信系统的优化处理方法、装置及电子设备
CN115955279B (zh) 一种基于可变自编码器的信道匹配非网格化编码调制方法
CN118171044A (zh) 一种基于多任务学习的信号参数估计方法
Chen et al. Deep MIMO detection scheme for high-speed railways with wireless big data

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