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 PDF

Info

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
Application number
CN202110303527.1A
Other languages
English (en)
Other versions
CN113055167A (zh
Inventor
黄鹏
李琅
曾贵华
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.)
Shanghai Circulation Quantum Technology Co ltd
Shanghai Jiaotong University
Original Assignee
Shanghai Circulation Quantum Technology Co ltd
Shanghai Jiaotong University
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 Shanghai Circulation Quantum Technology Co ltd, Shanghai Jiaotong University filed Critical Shanghai Circulation Quantum Technology Co ltd
Priority to CN202110303527.1A priority Critical patent/CN113055167B/zh
Publication of CN113055167A publication Critical patent/CN113055167A/zh
Application granted granted Critical
Publication of CN113055167B publication Critical patent/CN113055167B/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
    • 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

基于芯片CVQKD实际系统中安全漏洞的防御方法及系统
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S1：将芯片CVQKD实际系统的收发端相连，在芯片CVQKD实际系统运行预设时间后，采集预设数量的实际调制电压数据
Figure BDA0002987210060000031
及相对应的实际正则位置分量
Figure BDA0002987210060000032
步骤S2：根据实际调制电压数据
Figure BDA0002987210060000033
计算理论正则位置分量值
Figure BDA0002987210060000034
步骤S3：利用预设数量的实际调制电压数据
Figure BDA0002987210060000035
相对应的实际正则位置分量
Figure BDA0002987210060000036
以及理论正则位置分量值
Figure BDA0002987210060000037
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
Figure BDA0002987210060000038
的载流子波动值进行预测，得到载流子波动估计值
Figure BDA0002987210060000039
步骤S5：利用载流子波动估计值
Figure BDA00029872100600000310
对高斯随机调制电压
Figure BDA00029872100600000311
进行校准，得到符合预设条件的高斯随机调制电压
Figure BDA00029872100600000312
比较符合预设条件的高斯随机调制电压
Figure BDA00029872100600000313
产生的相应的实际正则位置分量
Figure BDA00029872100600000314
与计算出的相应的理论正则位置分量
Figure BDA00029872100600000315
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
Figure BDA00029872100600000316
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：
Figure BDA00029872100600000317
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：
步骤S3.1：根据实际正则位置分量值
Figure BDA00029872100600000318
与理论正则位置分量值
Figure BDA00029872100600000319
得到当前状态理论正则位置分量值
Figure BDA00029872100600000320
和实际调制电压数据
Figure BDA00029872100600000321
下估计出的的载流子波动值；
步骤S3.2：利用预设数量的实际调制电压数据
Figure BDA00029872100600000322
相对应的实际正则位置分量
Figure BDA00029872100600000323
以及理论正则位置分量值
Figure BDA00029872100600000324
训练深度神经网络，得到初始训练后的深度神经网络。
优选地，所述步骤S5包括：
步骤S5.1：根据预设数量的实际调制电压数据
Figure BDA00029872100600000325
相对应的实际正则位置分量
Figure BDA00029872100600000326
以及理论正则位置分量值
Figure BDA0002987210060000041
构建本地字典数据库；
步骤S5.2：通过量子随机数生成器产生高斯随机调制电压
Figure BDA0002987210060000042
步骤S5.3：基于高斯随机调制电压
Figure BDA0002987210060000043
根据本地字典数据库，得到与高斯随机调制电压
Figure BDA0002987210060000044
最近邻的
Figure BDA0002987210060000045
以及相对应的
Figure BDA0002987210060000046
步骤S5.4：将数据集
Figure BDA0002987210060000047
输入初始训练后的深度神经网络，得到当前调制电压
Figure BDA0002987210060000048
下的载波子波动预测值
Figure BDA0002987210060000049
步骤S5.5：利用当前调制电压
Figure BDA00029872100600000410
以及相应的载波子波动预测值
Figure BDA00029872100600000411
计算得到符合预设条件的调制电压
Figure BDA00029872100600000412
步骤S5.6：比较符合预设条件的调制电压
Figure BDA00029872100600000413
产生的相应的实际正则位置分量
Figure BDA00029872100600000414
与根据
Figure BDA00029872100600000415
计算出的相应的理论正则位置分量
Figure BDA00029872100600000416
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：
Figure BDA00029872100600000417
其中，
Figure BDA00029872100600000418
表示当前调制电压；
Figure BDA00029872100600000419
表示硅基集成调制器中载流子浓度波动变化的百分比。
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M1：将芯片CVQKD实际系统的收发端相连，在芯片CVQKD实际系统运行预设时间后，采集预设数量的实际调制电压数据
Figure BDA00029872100600000420
及相对应的实际正则位置分量
Figure BDA00029872100600000421
模块M2：根据实际调制电压数据
Figure BDA00029872100600000422
计算理论正则位置分量值
Figure BDA00029872100600000423
模块M3：利用预设数量的实际调制电压数据
Figure BDA00029872100600000424
相对应的实际正则位置分量
Figure BDA00029872100600000425
以及理论正则位置分量值
Figure BDA00029872100600000426
训练深度神经网络，得到初始训练后的深度神经网络；
模块M4：利用初始训练后的深度神经网络对高斯随机调制电压
Figure BDA00029872100600000427
的载流子波动值进行预测，得到载流子波动估计值
Figure BDA00029872100600000428
模块M5：利用载流子波动估计值
Figure BDA0002987210060000051
对高斯随机调制电压
Figure BDA0002987210060000052
进行校准，得到符合预设条件的高斯随机调制电压
Figure BDA0002987210060000053
比较符合预设条件的高斯随机调制电压
Figure BDA0002987210060000054
产生的相应的实际正则位置分量
Figure BDA0002987210060000055
与计算出的相应的理论正则位置分量
Figure BDA0002987210060000056
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
Figure BDA0002987210060000057
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：
Figure BDA0002987210060000058
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：
模块M3.1：根据实际正则位置分量值
Figure BDA0002987210060000059
与理论正则位置分量值
Figure BDA00029872100600000510
得到当前状态理论正则位置分量值
Figure BDA00029872100600000511
和实际调制电压数据
Figure BDA00029872100600000512
下估计出的的载流子波动值；
模块M3.2：利用预设数量的实际调制电压数据
Figure BDA00029872100600000513
相对应的实际正则位置分量
Figure BDA00029872100600000514
以及理论正则位置分量值
Figure BDA00029872100600000515
训练深度神经网络，得到初始训练后的深度神经网络。
优选地，所述模块M5包括：
模块M5.1：根据预设数量的实际调制电压数据
Figure BDA00029872100600000516
相对应的实际正则位置分量
Figure BDA00029872100600000517
以及理论正则位置分量值
Figure BDA00029872100600000518
构建本地字典数据库；
模块M5.2：通过量子随机数生成器产生高斯随机调制电压
Figure BDA00029872100600000519
模块M5.3：基于高斯随机调制电压
Figure BDA00029872100600000520
根据本地字典数据库，得到与高斯随机调制电压
Figure BDA00029872100600000521
最近邻的
Figure BDA00029872100600000522
以及相对应的
Figure BDA00029872100600000523
模块M5.4：将数据集
Figure BDA00029872100600000524
输入初始训练后的深度神经网络，得到当前调制电压
Figure BDA0002987210060000061
下的载波子波动预测值
Figure BDA0002987210060000062
模块M5.5：利用当前调制电压
Figure BDA0002987210060000063
以及相应的载波子波动预测值
Figure BDA0002987210060000064
计算得到符合预设条件的调制电压
Figure BDA0002987210060000065
模块M5.6：比较符合预设条件的调制电压
Figure BDA0002987210060000066
产生的相应的实际正则位置分量
Figure BDA0002987210060000067
与根据
Figure BDA0002987210060000068
计算出的相应的理论正则位置分量
Figure BDA0002987210060000069
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：
Figure BDA00029872100600000610
其中，
Figure BDA00029872100600000611
表示当前调制电压；
Figure BDA00029872100600000612
表示硅基集成调制器中载流子浓度波动变化的百分比。
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S1：将芯片CVQKD实际系统的收发端相连，在芯片CVQKD实际系统运行预设时间后，采集预设数量的实际调制电压数据
Figure BDA0002987210060000071
及相对应的实际正则位置分量
Figure BDA0002987210060000072
步骤S2：根据实际调制电压数据
Figure BDA0002987210060000081
计算理论正则位置分量值
Figure BDA0002987210060000082
步骤S3：利用预设数量的实际调制电压数据
Figure BDA0002987210060000083
相对应的实际正则位置分量
Figure BDA0002987210060000084
以及理论正则位置分量值
Figure BDA0002987210060000085
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
Figure BDA0002987210060000086
的载流子波动值进行预测，得到载流子波动估计值
Figure BDA0002987210060000087
步骤S5：利用载流子波动估计值
Figure BDA0002987210060000088
对高斯随机调制电压
Figure BDA0002987210060000089
进行校准，得到符合预设条件的高斯随机调制电压
Figure BDA00029872100600000810
比较符合预设条件的高斯随机调制电压
Figure BDA00029872100600000811
产生的相应的实际正则位置分量
Figure BDA00029872100600000812
与计算出的相应的理论正则位置分量
Figure BDA00029872100600000813
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
Figure BDA00029872100600000814
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：
Figure BDA00029872100600000815
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；
Figure BDA00029872100600000816
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：
Figure BDA00029872100600000817
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
Figure BDA00029872100600000818
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
Figure BDA0002987210060000091
为0时，方程(1)计算出的
Figure BDA0002987210060000092
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
Figure BDA0002987210060000093
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
Figure BDA0002987210060000094
然后利用这个预测出的
Figure BDA0002987210060000095
来对电压进行二次操作实现校准。
具体地，所述步骤S3包括：
步骤S3.1：根据实际正则位置分量值
Figure BDA0002987210060000096
与理论正则位置分量值
Figure BDA0002987210060000097
得到当前状态理论正则位置分量值
Figure BDA0002987210060000098
和实际调制电压数据
Figure BDA0002987210060000099
下估计出的的载流子波动值；
步骤S3.2：利用预设数量的实际调制电压数据
Figure BDA00029872100600000910
相对应的实际正则位置分量
Figure BDA00029872100600000911
以及理论正则位置分量值
Figure BDA00029872100600000912
训练深度神经网络，得到初始训练后的深度神经网络。
具体地，所述步骤S5包括：
步骤S5.1：根据预设数量的实际调制电压数据
Figure BDA00029872100600000913
相对应的实际正则位置分量
Figure BDA00029872100600000914
以及理论正则位置分量值
Figure BDA00029872100600000915
构建本地字典数据库；
步骤S5.2：通过量子随机数生成器产生高斯随机调制电压
Figure BDA00029872100600000916
步骤S5.3：基于高斯随机调制电压
Figure BDA00029872100600000917
根据本地字典数据库，得到与高斯随机调制电压
Figure BDA00029872100600000918
最近邻的
Figure BDA00029872100600000919
以及相对应的
Figure BDA00029872100600000920
步骤S5.4：将数据集
Figure BDA00029872100600000921
输入初始训练后的深度神经网络，得到当前调制电压
Figure BDA00029872100600000922
下的载波子波动预测值
Figure BDA00029872100600000923
步骤S5.5：利用当前调制电压
Figure BDA00029872100600000924
以及相应的载波子波动预测值
Figure BDA00029872100600000925
计算得到符合预设条件的调制电压
Figure BDA00029872100600000926
步骤S5.6：比较符合预设条件的调制电压
Figure BDA00029872100600000927
产生的相应的实际正则位置分量
Figure BDA00029872100600000928
与根据
Figure BDA00029872100600000929
计算出的相应的理论正则位置分量
Figure BDA00029872100600000930
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：
Figure BDA0002987210060000101
其中，
Figure BDA0002987210060000102
表示当前调制电压；
Figure BDA0002987210060000103
表示硅基集成调制器中载流子浓度波动变化的百分比。
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M1：将芯片CVQKD实际系统的收发端相连，在芯片CVQKD实际系统运行预设时间后，采集预设数量的实际调制电压数据
Figure BDA0002987210060000104
及相对应的实际正则位置分量
Figure BDA0002987210060000105
模块M2：根据实际调制电压数据
Figure BDA0002987210060000106
计算理论正则位置分量值
Figure BDA0002987210060000107
模块M3：利用预设数量的实际调制电压数据
Figure BDA0002987210060000108
相对应的实际正则位置分量
Figure BDA0002987210060000109
以及理论正则位置分量值
Figure BDA00029872100600001010
训练深度神经网络，得到初始训练后的深度神经网络；
模块M4：利用初始训练后的深度神经网络对高斯随机调制电压
Figure BDA00029872100600001011
的载流子波动值进行预测，得到载流子波动估计值
Figure BDA00029872100600001012
模块M5：利用载流子波动估计值
Figure BDA00029872100600001013
对高斯随机调制电压
Figure BDA00029872100600001014
进行校准，得到符合预设条件的高斯随机调制电压
Figure BDA00029872100600001015
比较符合预设条件的高斯随机调制电压
Figure BDA00029872100600001016
产生的相应的实际正则位置分量
Figure BDA00029872100600001017
与计算出的相应的理论正则位置分量
Figure BDA00029872100600001018
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
Figure BDA00029872100600001019
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：
Figure BDA00029872100600001020
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；
Figure BDA0002987210060000111
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：
Figure BDA0002987210060000112
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
Figure BDA0002987210060000113
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
Figure BDA0002987210060000114
为0时，方程(1)计算出的
Figure BDA0002987210060000115
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
Figure BDA0002987210060000116
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
Figure BDA0002987210060000117
然后利用这个预测出的
Figure BDA0002987210060000118
来对电压进行二次操作实现校准。
具体地，所述模块M3包括：
模块M3.1：根据实际正则位置分量值
Figure BDA0002987210060000119
与理论正则位置分量值
Figure BDA00029872100600001110
得到当前状态理论正则位置分量值
Figure BDA00029872100600001111
和实际调制电压数据
Figure BDA00029872100600001112
下估计出的的载流子波动值；
模块M3.2：利用预设数量的实际调制电压数据
Figure BDA00029872100600001113
相对应的实际正则位置分量
Figure BDA00029872100600001114
以及理论正则位置分量值
Figure BDA00029872100600001115
训练深度神经网络，得到初始训练后的深度神经网络。
具体地，所述模块M5包括：
模块M5.1：根据预设数量的实际调制电压数据
Figure BDA00029872100600001116
相对应的实际正则位置分量
Figure BDA00029872100600001117
以及理论正则位置分量值
Figure BDA00029872100600001118
构建本地字典数据库；
模块M5.2：通过量子随机数生成器产生高斯随机调制电压
Figure BDA00029872100600001119
模块M5.3：基于高斯随机调制电压
Figure BDA00029872100600001120
根据本地字典数据库，得到与高斯随机调制电压
Figure BDA0002987210060000121
最近邻的
Figure BDA0002987210060000122
以及相对应的
Figure BDA0002987210060000123
模块M5.4：将数据集
Figure BDA0002987210060000124
输入初始训练后的深度神经网络，得到当前调制电压
Figure BDA0002987210060000125
下的载波子波动预测值
Figure BDA0002987210060000126
模块M5.5：利用当前调制电压
Figure BDA0002987210060000127
以及相应的载波子波动预测值
Figure BDA0002987210060000128
计算得到符合预设条件的调制电压
Figure BDA0002987210060000129
模块M5.6：比较符合预设条件的调制电压
Figure BDA00029872100600001210
产生的相应的实际正则位置分量
Figure BDA00029872100600001211
与根据
Figure BDA00029872100600001212
计算出的相应的理论正则位置分量
Figure BDA00029872100600001213
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：
Figure BDA00029872100600001214
其中，
Figure BDA00029872100600001215
表示当前调制电压；
Figure BDA00029872100600001216
表示硅基集成调制器中载流子浓度波动变化的百分比。
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B：芯片CVQKD系统数据采集步骤，系统运行一段时间，采集大量的实际调制电压数据
Figure BDA00029872100600001217
及其对应的实际正则位置分量
Figure BDA00029872100600001218
并记录每次
Figure BDA00029872100600001219
和
Figure BDA00029872100600001220
下的理论正则位置分量值
Figure BDA0002987210060000131
为后期训练深度神经网络模型做准备；
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)：
Figure BDA0002987210060000132
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；
Figure BDA0002987210060000133
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；
可以发现调制电压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
Figure BDA0002987210060000134
然后利用这个预测出的
Figure BDA0002987210060000135
来对电压进行二次操作实现校准。
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：
在初始训练阶段，通过量子随机数生成器产生高斯随机调制电压
Figure BDA0002987210060000136
然后记录
Figure BDA0002987210060000137
并通过方程(2)计算
Figure BDA0002987210060000138
其中方程(2)为：
Figure BDA0002987210060000139
在接收端模块测量当前调制电压
Figure BDA00029872100600001310
产生的
Figure BDA00029872100600001311
结合方程(1)和方程(2)，通过比对
Figure BDA0002987210060000141
和
Figure BDA0002987210060000142
可以确定出当前的载流子波动值
Figure BDA0002987210060000143
输入数据集
Figure BDA0002987210060000144
到深度神经网络中，来训练模型
Figure BDA0002987210060000145
然后再重新产生一个新的高斯随机调制电压
Figure BDA0002987210060000146
根据前面的方法，计算
Figure BDA0002987210060000147
并测量
Figure BDA0002987210060000148
来确定当前的载流子波动值
Figure BDA0002987210060000149
多次重复上述操作，获取多组数据
Figure BDA00029872100600001410
来训练深度神经网络模型
Figure BDA00029872100600001411
同时，基于这些数据集建立起一个本地字典数据库：
Figure BDA00029872100600001412
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
Figure BDA00029872100600001413
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
Figure BDA00029872100600001414
最近邻的
Figure BDA00029872100600001415
及其对应的
Figure BDA00029872100600001416
来替代
Figure BDA00029872100600001417
这时数据集
Figure BDA00029872100600001418
被输入到神经网络来获取对应于当前调制电压
Figure BDA00029872100600001419
下的载流子波动预测值
Figure BDA00029872100600001420
然后利用
Figure BDA00029872100600001421
来对实际调制电压
Figure BDA00029872100600001422
进行校准：
Figure BDA00029872100600001423
此时，如果发现
Figure BDA00029872100600001424
产生的
Figure BDA00029872100600001425
与根据
Figure BDA00029872100600001426
计算出来的
Figure BDA00029872100600001427
满足关系：
Figure BDA00029872100600001428
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S1：将芯片CVQKD实际系统的收发端相连，在芯片CVQKD实际系统运行预设时间后，采集预设数量的实际调制电压数据
Figure FDA0003610909890000011
及相对应的实际正则位置分量
Figure FDA0003610909890000012
步骤S2：根据实际调制电压数据
Figure FDA0003610909890000013
计算理论正则位置分量值
Figure FDA0003610909890000014
步骤S3：利用预设数量的实际调制电压数据
Figure FDA0003610909890000015
相对应的实际正则位置分量
Figure FDA0003610909890000016
以及理论正则位置分量值
Figure FDA0003610909890000017
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
Figure FDA0003610909890000018
的载流子波动值进行预测，得到载流子波动估计值
Figure FDA0003610909890000019
步骤S5：利用载流子波动估计值
Figure FDA00036109098900000110
对高斯随机调制电压
Figure FDA00036109098900000111
进行校准，得到符合预设条件的高斯随机调制电压
Figure FDA00036109098900000112
比较符合预设条件的高斯随机调制电压
Figure FDA00036109098900000113
产生的相应的实际正则位置分量
Figure FDA00036109098900000114
与计算出的相应的理论正则位置分量
Figure FDA00036109098900000115
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
Figure FDA00036109098900000116
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：
Figure FDA00036109098900000117
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；
Figure FDA00036109098900000118
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：
Figure FDA0003610909890000021
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S5.1：根据预设数量的实际调制电压数据
Figure FDA0003610909890000022
相对应的实际正则位置分量
Figure FDA0003610909890000023
以及理论正则位置分量值
Figure FDA0003610909890000024
构建本地字典数据库；
步骤S5.2：通过量子随机数生成器产生高斯随机调制电压
Figure FDA0003610909890000025
步骤S5.3：基于高斯随机调制电压
Figure FDA0003610909890000026
根据本地字典数据库，得到与高斯随机调制电压
Figure FDA0003610909890000027
最近邻的
Figure FDA0003610909890000028
以及相对应的
Figure FDA0003610909890000029
步骤S5.4：将数据集
Figure FDA00036109098900000210
输入初始训练后的深度神经网络，得到当前调制电压
Figure FDA00036109098900000211
下的载波子波动预测值
Figure FDA00036109098900000212
步骤S5.5：利用当前调制电压
Figure FDA00036109098900000213
以及相应的载波子波动预测值
Figure FDA00036109098900000214
计算得到符合预设条件的调制电压
Figure FDA00036109098900000215
步骤S5.6：比较符合预设条件的调制电压
Figure FDA00036109098900000216
产生的相应的实际正则位置分量
Figure FDA00036109098900000217
与根据
Figure FDA00036109098900000218
计算出的相应的理论正则位置分量
Figure FDA00036109098900000219
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：
Figure FDA00036109098900000220
其中，
Figure FDA00036109098900000221
表示当前调制电压；
Figure FDA00036109098900000222
表示硅基集成调制器中载流子浓度波动变化的百分比。
2.根据权利要求1所述的基于芯片CVQKD实际系统中安全漏洞的防御方法，其特征在于，所述步骤S3包括：
步骤S3.1：根据实际正则位置分量值
Figure FDA0003610909890000031
与理论正则位置分量值
Figure FDA0003610909890000032
得到当前状态理论正则位置分量值
Figure FDA0003610909890000033
和实际调制电压数据
Figure FDA0003610909890000034
下估计出的的载流子波动值；
步骤S3.2：利用预设数量的实际调制电压数据
Figure FDA0003610909890000035
相对应的实际正则位置分量
Figure FDA0003610909890000036
以及理论正则位置分量值
Figure FDA0003610909890000037
训练深度神经网络，得到初始训练后的深度神经网络。
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M1：将芯片CVQKD实际系统的收发端相连，在芯片CVQKD实际系统运行预设时间后，采集预设数量的实际调制电压数据
Figure FDA0003610909890000038
及相对应的实际正则位置分量
Figure FDA0003610909890000039
模块M2：根据实际调制电压数据
Figure FDA00036109098900000310
计算理论正则位置分量值
Figure FDA00036109098900000311
模块M3：利用预设数量的实际调制电压数据
Figure FDA00036109098900000312
相对应的实际正则位置分量
Figure FDA00036109098900000313
以及理论正则位置分量值
Figure FDA00036109098900000314
训练深度神经网络，得到初始训练后的深度神经网络；
模块M4：利用初始训练后的深度神经网络对高斯随机调制电压
Figure FDA00036109098900000315
的载流子波动值进行预测，得到载流子波动估计值
Figure FDA00036109098900000316
模块M5：利用载流子波动估计值
Figure FDA00036109098900000317
对高斯随机调制电压
Figure FDA00036109098900000318
进行校准，得到符合预设条件的高斯随机调制电压
Figure FDA00036109098900000319
比较符合预设条件的高斯随机调制电压
Figure FDA00036109098900000320
产生的相应的实际正则位置分量
Figure FDA00036109098900000321
与计算出的相应的理论正则位置分量
Figure FDA00036109098900000322
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
Figure FDA00036109098900000323
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：
Figure FDA00036109098900000324
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；
Figure FDA00036109098900000325
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：
Figure FDA0003610909890000041
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M5.1：根据预设数量的实际调制电压数据
Figure FDA0003610909890000042
相对应的实际正则位置分量
Figure FDA0003610909890000043
以及理论正则位置分量值
Figure FDA0003610909890000044
构建本地字典数据库；
模块M5.2：通过量子随机数生成器产生高斯随机调制电压
Figure FDA0003610909890000045
模块M5.3：基于高斯随机调制电压
Figure FDA0003610909890000046
根据本地字典数据库，得到与高斯随机调制电压
Figure FDA0003610909890000047
最近邻的
Figure FDA0003610909890000048
以及相对应的
Figure FDA0003610909890000049
模块M5.4：将数据集
Figure FDA00036109098900000410
输入初始训练后的深度神经网络，得到当前调制电压
Figure FDA00036109098900000411
下的载波子波动预测值
Figure FDA00036109098900000412
模块M5.5：利用当前调制电压
Figure FDA00036109098900000413
以及相应的载波子波动预测值
Figure FDA00036109098900000414
计算得到符合预设条件的调制电压
Figure FDA00036109098900000415
模块M5.6：比较符合预设条件的调制电压
Figure FDA00036109098900000416
产生的相应的实际正则位置分量
Figure FDA00036109098900000417
与根据
Figure FDA00036109098900000418
计算出的相应的理论正则位置分量
Figure FDA00036109098900000419
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：
Figure FDA00036109098900000420
其中，
Figure FDA00036109098900000421
表示当前调制电压；
Figure FDA00036109098900000422
表示硅基集成调制器中载流子浓度波动变化的百分比。
4.根据权利要求3所述的基于芯片CVQKD实际系统中安全漏洞的防御系统，其特征在于，所述模块M3包括：
模块M3.1：根据实际正则位置分量值
Figure FDA0003610909890000051
与理论正则位置分量值
Figure FDA0003610909890000052
得到当前状态理论正则位置分量值
Figure FDA0003610909890000053
和实际调制电压数据
Figure FDA0003610909890000054
下估计出的的载流子波动值；
模块M3.2：利用预设数量的实际调制电压数据
Figure FDA0003610909890000055
相对应的实际正则位置分量
Figure FDA0003610909890000056
以及理论正则位置分量值
Figure FDA0003610909890000057
训练深度神经网络，得到初始训练后的深度神经网络。
CN202110303527.1A 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 Active CN113055167B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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