CN113055167B - 基于芯片cvqkd实际系统中安全漏洞的防御方法及系统 - Google Patents
基于芯片cvqkd实际系统中安全漏洞的防御方法及系统 Download PDFInfo
- Publication number
- CN113055167B CN113055167B CN202110303527.1A CN202110303527A CN113055167B CN 113055167 B CN113055167 B CN 113055167B CN 202110303527 A CN202110303527 A CN 202110303527A CN 113055167 B CN113055167 B CN 113055167B
- Authority
- CN
- China
- Prior art keywords
- modulation voltage
- actual
- position component
- neural network
- deep neural
- 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
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
Abstract
本发明提供了一种基于芯片CVQKD实际系统中安全漏洞的防御方法及系统,包括:步骤S1:在芯片CVQKD实际系统运行预设时间后,采集实际调制电压数据及相对应的实际正则位置分量;步骤S2:根据实际调制电压数据计算理论正则位置分量值;步骤S3:训练深度神经网络,得到初始训练后的深度神经网络;步骤S4:利用初始训练后的深度神经网络对高斯随机调制电压的载流子波动值进行预测;步骤S5:利用载流子波动估计值对高斯随机调制电压进行校准,当满足预设要求时,则结束训练;否则,重新获取高斯随机调制电压,重复执行,直至得到训练后的深度神经网络;步骤S6:根据训练后的深度神经网络预测得到的载流子波动值,利用载波子波动值对当前电压进行校准。
Description
技术领域
本发明涉及安全漏洞防御方法技术领域,具体地,涉及一种基于芯片CVQKD实际系统中安全漏洞的防御方法及系统;更为具体地,涉及涉及基于芯片的连续变量量子密钥分发(CVQKD,continuous-variable quantum key distribution)实际系统中集成调制器中载流子波动引入的安全漏洞的防御。
背景技术
在量子密码学领域,量子密钥分发(QKD,quantum key distribution)技术由于其基于量子力学保证的无条件安全性,从而引起了科研者们的广泛关注。量子密钥分发是一项比较成熟的技术,它可以使认证的通信双方Alice和Bob通过一个不安全的量子信道来共享密钥。特别地,这个量子信道可以被潜在的窃听者自由的控制和处理。目前,量子密钥分发系统主要分为离散变量量子密钥分发(DVQKD,discrete-variable quantum keydistribution)系统和连续变量量子密钥分发(CVQKD,continuous-variable quantum keydistribution)系统两大类。与DVQKD系统相比,利用弱相干态和一个平衡零差探测器的CVQKD系统可以很好地与经典的光通信系统兼容。因此对CVQKD系统继续深入地研究,并促进其尽早地商业化是一个迫在眉睫的工作。
基于高斯调制相干态的连续变量量子密钥分发(GMCS CVQKD)是一个著名的方案。最近几年,许多科研小组已经在实验室和现场对该方案进行了实验验证。理论上已经证明,基于高斯调制相干态的连续变量量子密钥分配(CVQKD)协议在集体和相干攻击下具有无条件安全性。其可组合的安全性也已被证明。在实验室中已经验证了可以将安全传输距离增加到100-200多公里的全光纤高斯调制相干状态协议。这意味着CVQKD可能成为构建量子城域通信网络的潜在解决方案。
但是,建立高性能低成本的QKD系统对于建立量子网络仍然至关重要。研究者们发现,在硅基上集成光学组件芯片可以实现稳定,小型化,低成本,且与现有经典光纤通信基础设施非常兼容的CVQKD系统。在过去的几十年中,已经研究了在不同的衬底下,在芯片上实现集成的CVQKD系统。最近,基于高斯调制相干态协议的连续变量量子密钥分法已在基于硅的芯片平台上进行了初步验证,从而为构建低成本,可扩展和便携式的量子通信网络提供潜在的支撑方案。
但是,在实际操作中由于存在一些非完美的缺陷会导致实际器件性能参数等偏离CVQKD协议的理论假设,这会进一步降低实际系统的性能或使实际系统面临潜在的安全性问题。近年来,关于缺陷的研究可能被第三方攻击者Eve用来隐藏攻击和相应的防御策略已经被广泛提出,例如本振光抖动攻击和本振光校准攻击,波长攻击,饱和攻击,有限的采样带宽效应攻击,极化攻击等。然而目前还没有针对基于芯片CVQKD系统的实际安全性问题的研究以及针对该类实际安全性问题的防御策略。目前主流研究的重点还停留在如何在物理上实现基于芯片的CVQKD系统,但是许多实际的安全性问题仍需要同时被认真考虑。例如,芯片CVQKD系统中控制电路的高斯信号不能完全达到理论的高斯性质,硅基集成调制器中所选MOS管的材料性能不能完全相同,并且载流子浓度调制器内部工作的扩散性能不同,等等。这些之前在基于芯片的CVQKD系统中尚未考虑不完善的因素将导致合法通信双方可能错误地估计系统过噪声,从而进一步导致基于芯片的CVQKD系统可能会面临潜在的实际安全性问题。
幸运的是,上述提到的基于芯片的CVQKD系统中硅基集成调制器中存在的非完美因素,将通过载流子的等离子色散效应,最终反映在集成调制器中的载流子浓度变化上。本发明提出了一种基于深度神经网络的能预测芯片CVQKD系统中集成调制器中存在的载流子波动偏差,并利用该预测值对实际产生的高斯随机调制电压进行校准的方法,来针对芯片CVQKD系统中集成调制器中载流子波动引起的系统潜在安全漏洞进行防御。从而彻底杜绝该类漏洞造成的影响,进而精确地评估系统实际安全密钥率。
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芯片CVQKD实际系统中安全漏洞的防御方法及系统。
根据本发明提供的一种基于芯片CVQKD实际系统中安全漏洞的防御方法,包括:
步骤S5:利用载流子波动估计值对高斯随机调制电压进行校准,得到符合预设条件的高斯随机调制电压比较符合预设条件的高斯随机调制电压产生的相应的实际正则位置分量与计算出的相应的理论正则位置分量是否满足预设误差精度条件,当满足预设要求时,则得到训练后的深度神经网络;否则,重新获取高斯随机调制电压重复执行步骤S4至步骤S5,直至得到训练后的深度神经网络;
步骤S6:根据训练后的深度神经网络预测得到的载流子波动值,利用载波子波动值对当前电压进行校准。
优选地,所述步骤S2包括:
其中,x10表示光场调制前的初始正则位置分量;λ表示真空中的信号光波长;L表示硅基集成马赫-曾德尔干涉仪的干涉臂长度;ε0表示真空中的介电常数;εr表示介质中的介电常数;e表示电子电量;tox表示而氧化硅层的厚度;t表示有效电荷层的厚度。
优选地,所述步骤S3包括:
优选地,所述步骤S5包括:
步骤S5.6:比较符合预设条件的调制电压产生的相应的实际正则位置分量与根据计算出的相应的理论正则位置分量是否满足预设要求,当满足预设要求时,则结束训练,获得训练后的深度神经网络;否则,重复执行步骤S5.2至步骤S5.6,直至训练结束。
优选地,所述步骤S5.5包括:
根据本发明提供的一种基于芯片CVQKD实际系统中安全漏洞的防御系统,包括:
模块M5:利用载流子波动估计值对高斯随机调制电压进行校准,得到符合预设条件的高斯随机调制电压比较符合预设条件的高斯随机调制电压产生的相应的实际正则位置分量与计算出的相应的理论正则位置分量是否满足预设误差精度条件,当满足预设要求时,则得到训练后的深度神经网络;否则,重新获取高斯随机调制电压重复触发模块M4至模块M5执行,直至得到训练后的深度神经网络;
模块M6:根据训练后的深度神经网络预测得到的载流子波动值,利用载波子波动值对当前电压进行校准。
优选地,所述模块M2包括:
其中,x10表示光场调制前的初始正则位置分量;λ表示真空中的信号光波长;L表示硅基集成马赫-曾德尔干涉仪的干涉臂长度;ε0表示真空中的介电常数;εr表示介质中的介电常数;e表示电子电量;tox表示而氧化硅层的厚度;t表示有效电荷层的厚度。
优选地,所述模块M3包括:
优选地,所述模块M5包括:
模块M5.6:比较符合预设条件的调制电压产生的相应的实际正则位置分量与根据计算出的相应的理论正则位置分量是否满足预设要求,当满足预设要求时,则结束训练,获得训练后的深度神经网络;否则,重复执行模块M5.2至模块M5.6,直至训练结束。
优选地,所述模块M5.5包括:
与现有技术相比,本发明具有如下的有益效果:
1、目前基于芯片的CVQKD系统还处于实验验证阶段,还未进入大规模商用。因此,芯片CVQKD中的实际安全性问题还尚未被研究,本发明是超前考虑芯片CVQKD系统的应用时存在的实际安全性,并利用软件基于深度神经网络设计的随机载流子波动动态辅助校准控制系统的方法提供了一种开创性发明,彻底从源头上杜绝此漏洞,具备相当的创新性;
2、对于现有的防御策略来说,引入新的防御模块同样也可能带来新引入的潜在实际安全性漏洞。取而代之的,本发明基于软件的机器学习的方案来从运行中的芯片CVQKD系统中采集得到的数据中提取最佳性能和特征,本质上属于一种数据处理层面的方法,因此这种方法既不需要引入额外的量子资源,也不需要引入额外的量子硬件更无需改动光路;并且该方案并不影响系统的实际性能;
3、本发明本质上利用了载流子的等离子色散效应,因此它适用于彻底解决大多数基于芯片的连续变量量子密钥分发系统中集成调制器普遍面临的实际安全性问题。具备相当普适性。
4、本发明实现原理简单,深度神经网络一经训练完成,便可以大规模推广,边际成本低,操作简便,有利于商业化大规模应用。
5、本发明主要集中于Alice端产生真正服从高斯分布的调制电压及调制得到相应的服从高斯分布的x,p的正则分量过程中,来实现对载流子波动引起的系统潜在实际安全性漏洞进行防御,彻底杜绝该类漏洞对系统实际安全性造成的影响,具备简单、高效、低成本等优势,在基于芯片的CVQKD系统中具备广阔的应用前景;
6、本发明利用深度神经网络的能预测芯片CVQKD系统中集成调制器中存在的载流子波动偏差并利用该预测值对实际产生的高斯随机调制电压进行校准的方法,来针对芯片CVQKD系统中集成调制器中载流子波动引起的系统潜在安全漏洞进行防御,进而精确地评估系统实际安全密钥率。
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为本发明核心深度神经网络训流程图。
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。
本发明提供了一种基于芯片CVQKD实际系统中安全漏洞的防御方法。具体地,针对芯片CVQKD方案中集成调制器中存在的载流子波动偏差,利用该预测方法对实际产生的高斯随机调制电压进行校准,从而防御由于芯片CVQKD系统中集成调制器中载流子波动引起的系统潜在安全漏洞攻击。
实施例1
根据本发明提供的一种基于芯片CVQKD实际系统中安全漏洞的防御方法,如图1所示,包括:
步骤S5:利用载流子波动估计值对高斯随机调制电压进行校准,得到符合预设条件的高斯随机调制电压比较符合预设条件的高斯随机调制电压产生的相应的实际正则位置分量与计算出的相应的理论正则位置分量是否满足预设误差精度条件,当满足预设要求时,则得到训练后的深度神经网络;否则,重新获取高斯随机调制电压重复执行步骤S4至步骤S5,直至得到训练后的深度神经网络;
步骤S6:根据训练后的深度神经网络预测得到的载流子波动值,利用载波子波动值对当前电压进行校准。
具体地,所述步骤S1包括:
其中,λ:为真空中的信号光波长;ε0:为真空中的介电常数;L:为硅基集成马赫-曾德尔干涉仪的干涉臂长度;x10:为光场调制前的初始正则位置分量;εr:为介质中的介电常数;为硅基集成调制器中载流子浓度波动变化的百分比;e:为电子电量;tox:为而氧化硅层的厚度;t:为有效电荷层的厚度;VD表示调制电压。
具体地,所述步骤S2包括:
其中,x10表示光场调制前的初始正则位置分量;λ表示真空中的信号光波长;L表示硅基集成马赫-曾德尔干涉仪的干涉臂长度;ε0表示真空中的介电常数;εr表示介质中的介电常数;e表示电子电量;tox表示而氧化硅层的厚度;t表示有效电荷层的厚度。
实际正则位置分量是采集得到的,也即直接测量得到的。但该实际正则位置分量之所以与理论正则位置分量有差别,其根本原因在于系统载流子波动的存在。由于方程(1)中的为0时,方程(1)计算出的就是理论的正则位置分量。但实际中,考虑载流子波动的存在,即不为0时,方程(1)计算出的就是实际的正则位置分量。并且调制电压VD的变化将会最终作用到x'0A上。因此可以利用深度神经网络技术来针对每次产生的高斯电压VD预测出一个实际的载流子波动值然后利用这个预测出的来对电压进行二次操作实现校准。
具体地,所述步骤S3包括:
具体地,所述步骤S5包括:
步骤S5.6:比较符合预设条件的调制电压产生的相应的实际正则位置分量与根据计算出的相应的理论正则位置分量是否满足预设要求,当满足预设要求时,则结束训练,获得训练后的深度神经网络;否则,重复执行步骤S5.2至步骤S5.6,直至训练结束。
具体地,所述步骤S5.5包括:
根据本发明提供的一种基于芯片CVQKD实际系统中安全漏洞的防御系统,包括:
模块M5:利用载流子波动估计值对高斯随机调制电压进行校准,得到符合预设条件的高斯随机调制电压比较符合预设条件的高斯随机调制电压产生的相应的实际正则位置分量与计算出的相应的理论正则位置分量是否满足预设误差精度条件,当满足预设要求时,则得到训练后的深度神经网络;否则,重新获取高斯随机调制电压重复触发模块M4至模块M5执行,直至得到训练后的深度神经网络;
模块M6:根据训练后的深度神经网络预测得到的载流子波动值,利用载波子波动值对当前电压进行校准。
具体地,所述模块M1包括:
其中,λ:为真空中的信号光波长;ε0:为真空中的介电常数;L:为硅基集成马赫-曾德尔干涉仪的干涉臂长度;x10:为光场调制前的初始正则位置分量;εr:为介质中的介电常数;为硅基集成调制器中载流子浓度波动变化的百分比;e:为电子电量;tox:为而氧化硅层的厚度;t:为有效电荷层的厚度;VD表示调制电压。
具体地,所述模块M2包括:
其中,x10表示光场调制前的初始正则位置分量;λ表示真空中的信号光波长;L表示硅基集成马赫-曾德尔干涉仪的干涉臂长度;ε0表示真空中的介电常数;εr表示介质中的介电常数;e表示电子电量;tox表示而氧化硅层的厚度;t表示有效电荷层的厚度。
实际正则位置分量是采集得到的,也即直接测量得到的。但该实际正则位置分量之所以与理论正则位置分量有差别,其根本原因在于系统载流子波动的存在。由于方程(1)中的为0时,方程(1)计算出的就是理论的正则位置分量。但实际中,考虑载流子波动的存在,即不为0时,方程(1)计算出的就是实际的正则位置分量。并且调制电压VD的变化将会最终作用到x'0A上。因此可以利用深度神经网络技术来针对每次产生的高斯电压VD预测出一个实际的载流子波动值然后利用这个预测出的来对电压进行二次操作实现校准。
具体地,所述模块M3包括:
具体地,所述模块M5包括:
模块M5.6:比较符合预设条件的调制电压产生的相应的实际正则位置分量与根据计算出的相应的理论正则位置分量是否满足预设要求,当满足预设要求时,则结束训练,获得训练后的深度神经网络;否则,重复触发模块M5.2至模块M5.6执行,直至训练结束。
具体地,所述模块M5.5包括:
实施例2
实施例2是实施例1的优选例
针对基于芯片的CVQKD系统中源于硅基集成调制器中载流子波动引起的安全漏洞,本发明目的是从源头上抵御由此引起的攻击,并提供了一种基于深度神经网络设计的随机载流子波动动态辅助校准技术,利用训练好的深度神经网络应用于实际运行的芯片CVQKD系统中,对载流子波动进行预测,并据此预测值对实际调制电压进行动态校准纠偏。从而彻底防御此漏洞,从源头上杜绝该类漏洞造成的影响。
根据本发明提供的一种基于深度神经网络设计的随机载流子波动动态辅助校准技术来针对集成调制器中载流子波动引入的安全漏洞的防御方法,包括如下步骤:
步骤A:芯片CVQKD系统数据采集预备步骤,将芯片CVQKD系统的收发端直接相连,为后期数据采集做准备工作;
步骤C:载流子波动攻击防御神经网络训练步骤,这种防御策略是基于深度神经网络设计的随机载流子波动动态辅助校准控制系统。通过方程(1):
其中:λ:为真空中的信号光波长;ε0:为真空中的介电常数;L:为硅基集成马赫-曾德尔干涉仪的干涉臂长度;x10:为光场调制前的初始正则位置分量;εr:为介质中的介电常数;为硅基集成调制器中载流子浓度波动变化的百分比;e:为电子电量;tox:为而氧化硅层的厚度;t:为有效电荷层的厚度;
步骤D:载流子波动攻击防御训练步骤:
载流子波动攻击防御步骤:
Eve利用Alice和Bob对硅基集成CVQKD芯片系统的发送端中集成调制器中的载流子波动所引入实际安全性问题的影响的忽略,从而可以采取截取重发攻击或其它攻击方式来掩盖自身窃听系统所引起的部分过噪声,从而实现窃听部分安全密钥而不被发现。
载流子波动攻击防御训练步骤:首先,直接将基于芯片的发送端和接收端模块连在一起。然后让基于芯片的CVQKD系统运行一段时间,以收集大量的、足够多的数据来对可以根据当前输入调制电压下相应的载流子波动值进行预测的神经网络进行训练,并进一步根据该预测出载流子波动值对电压进行校准。
将深度神经网络的训练划分为两个阶段:初始训练阶段和联合训练阶段:
在接收端模块测量当前调制电压产生的结合方程(1)和方程(2),通过比对和可以确定出当前的载流子波动值输入数据集到深度神经网络中,来训练模型然后再重新产生一个新的高斯随机调制电压根据前面的方法,计算并测量来确定当前的载流子波动值多次重复上述操作,获取多组数据来训练深度神经网络模型同时,基于这些数据集建立起一个本地字典数据库:训练一段时间后,深度神经网络进入联合训练阶段。
在联合训练阶段,通过量子随机数生成器产生高斯随机调制电压程序将会近似地在初始训练阶段建立起的本地字典数据库中寻找与最近邻的及其对应的来替代这时数据集被输入到神经网络来获取对应于当前调制电压下的载流子波动预测值然后利用来对实际调制电压进行校准:此时,如果发现产生的与根据计算出来的满足关系:其中β是允许的误差范围。则便训练得到了预期的神经网络,否则重复上述操作继续训练直至上述关系满足为止。
步骤F:基于芯片的CVQKD系统中的基于深度神经网络设计的随机载流子波动动态辅助校准控制系统实际运行步骤:
将上述训练好的深度神经网络应用于实际运行的芯片CVQKD系统中,对载流子波动进行预测,并据此预测值对实际调制电压进行动态校准纠偏。从而彻底防御此漏洞。
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、装置及其各个模块以外,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、装置及其各个模块以逻辑门、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程序。所以,本发明提供的系统、装置及其各个模块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程序的模块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模块视为既可以是实现方法的软件程序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 (4)
1.一种基于芯片CVQKD实际系统中安全漏洞的防御方法,其特征在于,包括:
步骤S5:利用载流子波动估计值对高斯随机调制电压进行校准,得到符合预设条件的高斯随机调制电压比较符合预设条件的高斯随机调制电压产生的相应的实际正则位置分量与计算出的相应的理论正则位置分量是否满足预设误差精度条件,当满足预设要求时,则得到训练后的深度神经网络;否则,重新获取高斯随机调制电压重复执行步骤S4至步骤S5,直至得到训练后的深度神经网络;
步骤S6:根据训练后的深度神经网络预测得到的载流子波动值,利用载波子波动值对当前电压进行校准;
所述步骤S1包括:
其中,λ:为真空中的信号光波长;ε0:为真空中的介电常数;L:为硅基集成马赫-曾德尔干涉仪的干涉臂长度;x10:为光场调制前的初始正则位置分量;εr:为介质中的介电常数;为硅基集成调制器中载流子浓度波动变化的百分比;e:为电子电量;tox:为而氧化硅层的厚度;t:为有效电荷层的厚度;VD表示调制电压;
所述步骤S2包括:
其中,x10表示光场调制前的初始正则位置分量;λ表示真空中的信号光波长;L表示硅基集成马赫-曾德尔干涉仪的干涉臂长度;ε0表示真空中的介电常数;εr表示介质中的介电常数;e表示电子电量;tox表示而氧化硅层的厚度;t表示有效电荷层的厚度;
所述步骤S5包括:
步骤S5.6:比较符合预设条件的调制电压产生的相应的实际正则位置分量与根据计算出的相应的理论正则位置分量是否满足预设要求,当满足预设要求时,则结束训练,获得训练后的深度神经网络;否则,重复执行步骤S5.2至步骤S5.6,直至训练结束;
所述步骤S5.5包括:
3.一种基于芯片CVQKD实际系统中安全漏洞的防御系统,其特征在于,包括:
模块M5:利用载流子波动估计值对高斯随机调制电压进行校准,得到符合预设条件的高斯随机调制电压比较符合预设条件的高斯随机调制电压产生的相应的实际正则位置分量与计算出的相应的理论正则位置分量是否满足预设误差精度条件,当满足预设要求时,则得到训练后的深度神经网络;否则,重新获取高斯随机调制电压重复触发模块M4至模块M5执行,直至得到训练后的深度神经网络;
模块M6:根据训练后的深度神经网络预测得到的载流子波动值,利用载波子波动值对当前电压进行校准;
所述模块M1包括:
其中,λ:为真空中的信号光波长;ε0:为真空中的介电常数;L:为硅基集成马赫-曾德尔干涉仪的干涉臂长度;x10:为光场调制前的初始正则位置分量;εr:为介质中的介电常数;为硅基集成调制器中载流子浓度波动变化的百分比;e:为电子电量;tox:为而氧化硅层的厚度;t:为有效电荷层的厚度;VD表示调制电压;
所述模块M2包括:
其中,x10表示光场调制前的初始正则位置分量;λ表示真空中的信号光波长;L表示硅基集成马赫-曾德尔干涉仪的干涉臂长度;ε0表示真空中的介电常数;εr表示介质中的介电常数;e表示电子电量;tox表示而氧化硅层的厚度;t表示有效电荷层的厚度;
所述模块M5包括:
模块M5.6:比较符合预设条件的调制电压产生的相应的实际正则位置分量与根据计算出的相应的理论正则位置分量是否满足预设要求,当满足预设要求时,则结束训练,获得训练后的深度神经网络;否则,重复触发模块M5.2至模块M5.6,直至训练结束;
所述模块M5.5包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110303527.1A CN113055167B (zh) | 2021-03-22 | 2021-03-22 | 基于芯片cvqkd实际系统中安全漏洞的防御方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110303527.1A CN113055167B (zh) | 2021-03-22 | 2021-03-22 | 基于芯片cvqkd实际系统中安全漏洞的防御方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113055167A CN113055167A (zh) | 2021-06-29 |
CN113055167B true CN113055167B (zh) | 2022-06-03 |
Family
ID=76514526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110303527.1A Active CN113055167B (zh) | 2021-03-22 | 2021-03-22 | 基于芯片cvqkd实际系统中安全漏洞的防御方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113055167B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836524B (zh) * | 2021-09-18 | 2024-02-02 | 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 |
CN113810186B (zh) * | 2021-09-18 | 2023-11-07 | 上海循态量子科技有限公司 | 自适应量子效率高精度实时预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110492991A (zh) * | 2019-04-18 | 2019-11-22 | 上海循态信息科技有限公司 | 基于自由空间cvqkd系统的参数估计方法及系统 |
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 |
CN111786730A (zh) * | 2020-06-08 | 2020-10-16 | 中国电子科技集团公司第三十研究所 | 导频辅助的本地本振连续变量量子密钥分发系统及方法 |
CN111970279A (zh) * | 2020-08-18 | 2020-11-20 | 中南大学 | 连续变量量子密钥分发攻击检测方法及其检测系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106850217B (zh) * | 2017-04-06 | 2019-06-14 | 山西大学 | 一种实现一维调制连续变量量子密钥分发方法 |
KR101833956B1 (ko) * | 2017-05-19 | 2018-03-02 | 한국과학기술원 | 연속 변수 양자 암호 키분배 위상 보정 시스템 |
CN108599945A (zh) * | 2018-05-04 | 2018-09-28 | 北京邮电大学 | 一种适用于连续变量量子密钥分发系统的高斯调制数据生成方法 |
CN110365473B (zh) * | 2019-05-31 | 2021-11-26 | 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 |
-
2021
- 2021-03-22 CN CN202110303527.1A patent/CN113055167B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110492991A (zh) * | 2019-04-18 | 2019-11-22 | 上海循态信息科技有限公司 | 基于自由空间cvqkd系统的参数估计方法及系统 |
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 |
CN111786730A (zh) * | 2020-06-08 | 2020-10-16 | 中国电子科技集团公司第三十研究所 | 导频辅助的本地本振连续变量量子密钥分发系统及方法 |
CN111970279A (zh) * | 2020-08-18 | 2020-11-20 | 中南大学 | 连续变量量子密钥分发攻击检测方法及其检测系统 |
Non-Patent Citations (2)
Title |
---|
"High-Speed Reconciliation for CVQKD Based on Spatially Coupled LDPC Codes";Peng Huang等;《IEEE Photonics Journal》;20180711;全文 * |
"连续变量量子密钥分发实际系统中量子攻防研究进展";黄鹏等;《信息通信技术与政策》;20191015;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113055167A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jouguet et al. | Analysis of imperfections in practical continuous-variable quantum key distribution | |
Gu et al. | Experimental measurement-device-independent type quantum key distribution with flawed and correlated sources | |
Zhang et al. | Continuous-variable QKD over 50 km commercial fiber | |
CN113055167B (zh) | 基于芯片cvqkd实际系统中安全漏洞的防御方法及系统 | |
Qin et al. | Quantum hacking: Saturation attack on practical continuous-variable quantum key distribution | |
Hong et al. | Quantum identity authentication with single photon | |
Cavaillès et al. | Demonstration of Einstein-Podolsky-Rosen steering using hybrid continuous-and discrete-variable entanglement of light | |
Xu et al. | Quantum cryptography with realistic devices | |
Ren et al. | Reference pulse attack on continuous variable quantum key distribution with local local oscillator under trusted phase noise | |
Kumar et al. | Blockchain and deep learning for secure communication in digital twin empowered industrial IoT network | |
Tian et al. | Automated attack and defense framework for 5G security on physical and logical layers | |
Bosworth et al. | Unclonable photonic keys hardened against machine learning attacks | |
Zheng et al. | Security analysis of practical continuous-variable quantum key distribution systems under laser seeding attack | |
Liu et al. | Source-independent quantum random number generator against tailored detector blinding attacks | |
Lin et al. | Imperfection-insensitivity quantum random number generator with untrusted daily illumination | |
Pivoluska et al. | Semi-device-independent random number generation with flexible assumptions | |
Zhang et al. | Zombie: Middleboxes that Don’t Snoop | |
Jingzheng et al. | A survey on device-independent quantum communications | |
Kumar et al. | Experimental vulnerability analysis of QKD based on attack ratings | |
CN113810186B (zh) | 自适应量子效率高精度实时预测方法及系统 | |
Chen et al. | Endogenous Security Formal Definition, Innovation Mechanisms, and Experiment Research in Industrial Internet | |
Wei et al. | High-precision data acquisition for free-space continuous-variable quantum key distribution | |
Zhong et al. | Self-propagated chaotic dynamically enhanced optical physical layer encryption communication system based on bidirectional long short-term memory neural network | |
CN113836524B (zh) | 基于芯片cvqkd实际系统中安全漏洞的防御方法及系统 | |
Xiao et al. | From Hardware Fingerprint to Access Token: Enhancing the Authentication on IoT Devices |
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 | ||
CB02 | Change of applicant information |
Address after: 200241 room 1139, building C, No. 555, Dongchuan Road, Minhang District, Shanghai Applicant after: Shanghai circulation Quantum Technology Co., Ltd Applicant after: Shanghai Jiaotong University Address before: 200241 room 1139, building C, No. 555, Dongchuan Road, Minhang District, Shanghai Applicant before: Shanghai Circulation Information Technology Co., Ltd Applicant before: Shanghai Jiaotong University |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |