CN113364586B - 连续变量量子密钥分发系统的数据协调方法 - Google Patents
连续变量量子密钥分发系统的数据协调方法 Download PDFInfo
- Publication number
- CN113364586B CN113364586B CN202110673585.3A CN202110673585A CN113364586B CN 113364586 B CN113364586 B CN 113364586B CN 202110673585 A CN202110673585 A CN 202110673585A CN 113364586 B CN113364586 B CN 113364586B
- Authority
- CN
- China
- Prior art keywords
- layer
- quantum key
- data
- continuous variable
- distribution system
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0056—Systems characterized by the type of code used
- H04L1/0061—Error detection codes
-
- 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)
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Computer Security & Cryptography (AREA)
- Error Detection And Correction (AREA)
Abstract
本发明公开了一种连续变量量子密钥分发系统的数据协调方法,包括搭建高斯调制相干态连续变量量子密钥分发系统;获取不同信噪比下LDPC码译码过程的样本数据并处理得到样本集;搭建并训练得到连续变量量子密钥分发系统的LDPC译码器模型;在实际通信中采用训练好的LDPC译码器模型进行数据协调。本发明针对基于低密度奇偶校验码的多维协调过程进行设计,采用卷积降噪自编码器,通过降噪实现LDPC码的非迭代译码,达到更优的纠错性能,既提高了数据协调的效率,并且通过硬件可以加速神经网络的实现,也提高了数据协调的实现速度,从而提升整个连续变量量子密钥分发系统的工作效率和安全性。
Description
技术领域
本发明属于量子通信领域,具体涉及一种连续变量量子密钥分发系统的数据协调方法。
背景技术
随着经济技术的发展和人们生活水平的提高,信息安全已经成为了人们越来越关注的问题。为了保证信息传输的安全性,需要对信息进行加密处理。因其分发的密钥具有“绝对安全”的特性,量子密钥分发(QKD)系统成为量子物理原理在密码学领域获得实用化的最早的研究领域。量子密钥分发(QKD)系统的“绝对安全性”,来源于量子力学中的不可克隆原理和测量塌缩理论,因此具有很高的军事和民用价值。
根据信息编码维度,可以将QKD系统分为两大类:离散变量(Discrete Variable,DV)QKD系统和连续变量(Continuous Variable,CV)QKD系统。DV-QKD系统发展较为成熟,目前传输距离相对较远,但是其量子态的制备和探测难度相对较高;CV-QKD系统起步晚,但是量子态制备过程较为简单,探测方法可以利用零差探测或外差探测,近距离时其成码率更高,且易于经典光通信相容,故拥有巨大的潜力。
通常,CV-QKD系统工作过程可以简单地分为量子信道中的物理过程以及密钥分发后处理过程。在物理过程中,发送端经过量子信道发送一串信息给接收端。由于量子信道存在噪声,传输损耗以及可能存在的窃听者的影响,通信双方的原始密钥只是具有一定的相关性,但并不一致,且不安全。为了消除这些因素的影响,提取安全密钥,在完成物理部分后,需要对原始密钥进行后处理。后处理主要分为以下过程:基选择、参数估计、数据协调和私钥放大。而在CV-QKD的后处理过程中,数据协调已经成为CV-QKD发展的瓶颈之一。由于CV-QKD系统生成的原始密钥为连续变量,很难直接进行纠错,因此数据协调可分为两个步骤:先通过协商算法将连续变量进行量化,以得到能够直接纠错的数据,即将连续变量转换为离散形式;然后利用现有的信道编译码技术,选择合适的纠错码,通过交换离散形式的协调信息即可使合法通信双方获得一致的密钥。因此数据协调的效率对系统性能有非常大的影响。
目前主要包括三种数据协调算法:符号协调、slice协调以及多维协调。符号协调直接利用连续变量的符号作为其量化后的二进制信息,然后进行纠错;slice协调通过对原始连续变量进行分层量化,然后利用多级信道编解码技术使合法通信双方获得一致密钥;多维协调则通过旋转映射将高斯分布的连续变量转换为均匀分布的二进制数据及其对应的含噪声形式,然后利用高性能的纠错码实现纠错,使通信双方获得一致的安全密钥。其中,前两种数据协调算法适用于高信噪比条件,通常用于近距离CV-QKD系统中;而多维协调算法在极低信噪比下几乎没有信息损耗,配合接近香农极限的纠错码,通常采用低密度奇偶校验(Low-Density Parity-Check,LDPC)码,可以获得很好的协调性能,常用于远距离CV-QKD系统。
在数据协调过程中,复杂度最高的是纠错,然而现在使用的LDPC译码算法,复杂度高,处理速度缓慢,而且在初始密钥序列错误比特较多时,会导致纠错失败,达不到预期的协调效果。
发明内容
本发明的目的在于提供一种针对基于低密度奇偶校验(Low-Density Parity-Check,LDPC)码的多维协调过程的,而且纠错性能更加优秀,数据协调更为高效和安全的连续变量量子密钥分发系统的数据协调方法。
本发明提供的这种连续变量量子密钥分发系统的数据协调方法,包括如下步骤:
S1.搭建高斯调制相干态连续变量量子密钥分发系统;
S2.利用步骤S1搭建的量子密钥分发系统,获取不同信噪比下LDPC码译码过程的样本数据;
S3.对步骤S2获取的样本数据进行预处理,从而得到样本集;
S4.搭建基于卷积降噪自编码器的连续变量量子密钥分发系统的LDPC译码器初始模型;
S5.采用步骤S3得到的样本集对步骤S4得到的初始模型进行训练,从而得到基于卷积降噪自编码器的连续变量量子密钥分发系统的LDPC译码器模型;
S6.在连续变量量子密钥分发系统工作时,采用步骤S5训练得到的基于卷积降噪自编码器的连续变量量子密钥分发系统的LDPC译码器模型进行译码纠错,实现连续变量量子密钥分发系统的高性能数据协调。
步骤S1所述的高斯调制相干态连续变量量子密钥分发系统,具体包括量子密钥发送端、量子密钥接收端和量子密钥后处理端;量子密钥发送端采用脉冲激光器产生相关光源,重复频率为freq;然后将产生的相干光信号进行高斯调制,每个相干态有xA和pA两个分量,xA为正则振幅,pA为正则相位,且调制方差均为VA;调制后的相干态经过有噪量子信道传输给量子密钥接收端,且有噪量子信道的传输率为T,过量噪声为ε;量子密钥接收端采用平衡探测器对接收到的量子态进行探测,同时测量两个分量,得到xB和pB,xB为振幅,pB为相位,平衡探测器效率为η,电噪声为Vel;量子密钥后处理端用于进行量子密钥的后处理,从而使得通信双方获得一致的安全密钥。
步骤S2所述的获取不同信噪比下LDPC码译码过程的样本数据,具体为采用如下步骤获取数据:
A.原始密钥通过量子密钥后处理端的基选择和参数估计过程后,量子密钥发送端得到了连续变量X,量子密钥接收端得到了连续变量Y,二者均服从高斯分布,并且存在Y=t*X+E,其中t为与信道传输率和探测器效率有关的参数,可以设为1;E为量子信道噪声且服从高斯分布;
B.对步骤A得到的连续变量X和Y分别进行数据归一化,得到数据x和y;
C.量子密钥接收端采用真随机数发生器产生一组长度为d、服从均匀分布的二进制比特B=(b1,b2,...,bd),并转换为d维单位球面上的球面码,表示为
D.计算从y到u的旋转映射关系M(y,u),满足u=M(y,u)*y,并将映射关系通过经典认证信道发送给量子密钥发送端;
E.量子密钥发送端进行同样的旋转,得到v=M(y,u)*x=M(y,u)*(y+e)=u+w,其中e为量子信道噪声E归一化的数据点,w为虚拟信道噪声;综上,得到u的含噪形式v;
F.量子密钥接收端选择合适的LDPC码,采用校验位法,利用u计算编码后的数据Cu=u*G和协商信息,并将协商信息通过经典认证信道发送给量子密钥发送端;
G.量子密钥发送端利用协商信息和v,经过相应的计算,得到需要译码的数据Cv,将Cv和Cu分别作为译码器模型的样本输入数据和样本标签数据。
H.改变量子信道的噪声功率,并重复步骤A~步骤G,从而得到不同信噪比下数据协调的LDPC译码过程的样本数据,包括样本输入Sv和样本标签Sc。
步骤S3所述的对步骤S2获取的样本数据进行预处理,从而得到样本集;具体为采用最小最大归一化算法将样本数据进行归一化处理;然后将样本随机打乱顺序,并将输入数据与标签对应;最后将样本数据按设定的比例划分为训练样本和测试样本,得到样本集。
步骤S4所述的搭建基于卷积降噪自编码器的连续变量量子密钥分发系统的LDPC译码器初始模型,具体为采用如下步骤搭建模型:
编码部分:
编码输入层:输入数据为(n,1)的矩阵;
编码第一1D CNN层:接收编码输入层的数据;定义100个卷积核大小为20,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;每经过一个滤波器,神经网络学习到一个单一的特征;通过第一层训练,得到100个不同的特性;该神经网络层的输出为(n,100)的矩阵,每一列均包含一个滤波器的权值;
编码第二1D CNN层:接收编码第一1D CNN层的数据;定义100个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n,100)的矩阵;
编码最大池化层:接收编码第二1D CNN层的数据;定义大小为3的池化层,用于减少输出的复杂度和防止数据的过拟合;该神经网络层的输出为(n/3,100)的矩阵;
编码第三1D CNN层:接收编码最大池化层的数据;定义160个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/3,160)的矩阵;
编码第四1D CNN层:接收编码第三1D CNN层的数据;定义160个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/3,160)的矩阵;
编码平均池化层:接收编码第四1D CNN层的数据;定义大小为2的平均池化层,用于进一步避免过拟合;与最大池化层的功能不同,最大池化层是输出池化窗口内的最大值;平均池化层是输出池化窗口内的平均值;该神经网络层的输出为(n/6,160)的矩阵;
编码Dropout层:接收编码平均池化层的数据;选定保留率为0.5;该神经网络层的输出为(n/6,160)的矩阵;
解码部分:
解码第一1D CNN层:接收编码Dropout层的数据;定义160个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/6,160)的矩阵;
解码第二1D CNN层:接收解码第一1D CNN层的数据;定义160个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/6,160)的矩阵;
解码上采样层:接收解码第二1D CNN层的数据;定义大小为2的上采样层;该神经网络层的输出为(n/3,160)的矩阵;
解码Dropout层:接收解码上采样层的数据;选定保留率为0.5;该神经网络层的输出为(n/3,160)的矩阵;
解码第三1D CNN层:接收解码Dropout层的数据;定义100个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/3,100)的矩阵;
解码第四1D CNN层:接收解码第三1D CNN层的数据;定义100个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/3,100)的矩阵;
解码上采样层:接收解码第四1D CNN层的数据;定义大小为3的上采样层;该神经网络层的输出为(n,100)的矩阵;
解码第五1D CNN层:接收解码上采样层的数据;定义1个卷积核大小为20的滤波器,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n,1)的矩阵;注意:激活函数在训练过程中采用sigmoid(x)函数,在测试过程中需要采用[sgn(x)+1]/2函数。
本发明提供的这种连续变量量子密钥分发系统的数据协调方法,针对基于低密度奇偶校验(Low-Density Parity-Check,LDPC)码的多维协调过程进行设计,采用卷积降噪自编码器,通过降噪实现LDPC码的非迭代译码,达到更优的纠错性能,既提高了数据协调的效率,并且通过硬件可以加速神经网络的实现,也提高了数据协调的实现速度,从而提升整个连续变量量子密钥分发系统的工作效率和安全性。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法的分发系统的功能模块图。
图3为本发明方法的多维数据协调(反向协调)的流程示意图。
图4为本发明方法的数据协调模型的模型示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图;本发明提供的这种连续变量量子密钥分发系统的数据协调方法,包括如下步骤:
S1.搭建高斯调制相干态连续变量量子密钥分发系统;具体包括量子密钥发送端、量子密钥接收端和量子密钥后处理端;量子密钥发送端采用脉冲激光器产生相关光源,重复频率为freq;然后将产生的相干光信号进行高斯调制,每个相干态有xA和pA两个分量,xA为正则振幅,pA为正则相位,且调制方差均为VA;调制后的相干态经过有噪量子信道传输给量子密钥接收端,且有噪量子信道的传输率为T,过量噪声为ε;量子密钥接收端采用平衡探测器对接收到的量子态进行探测,同时测量两个分量,得到xB和pB,xB为振幅,pB为相位,平衡探测器效率为η,电噪声为Vel;量子密钥后处理端用于进行量子密钥的后处理,从而使得通信双方获得一致的安全密钥;
S2.利用步骤S1搭建的量子密钥分发系统,获取不同信噪比下LDPC码译码过程的样本数据;具体为采用如下步骤获取数据:
A.原始密钥通过量子密钥后处理端的基选择和参数估计过程后,量子密钥发送端得到了连续变量X,量子密钥接收端得到了连续变量Y,二者均服从高斯分布。并且存在Y=t*X+E,其中t为与信道传输率和探测器效率有关的参数,可以设为1;E为量子信道噪声且服从高斯分布;
B.对步骤A得到的连续变量X和Y分别进行数据归一化,得到数据x和y;
C.量子密钥接收端采用真随机数发生器产生一组长度为d、服从均匀分布的二进制比特B=(b1,b2,...,bd),并转换为d维单位球面上的球面码,表示为
D.计算从y到u的旋转映射关系M(y,u),满足u=M(y,u)*y,并将映射关系通过经典认证信道发送给量子密钥发送端;
E.量子密钥发送端进行同样的旋转,得到v=M(y,u)*x=M(y,u)*(y+e)=u+w,其中e为量子信道噪声E归一化的数据点,w为虚拟信道噪声;综上,得到u的含噪形式v;
F.量子密钥接收端选择合适的LDPC码,采用校验位法,利用u计算编码后的数据Cu=u*G和协商信息,并将协商信息通过经典认证信道发送给量子密钥发送端;
G.量子密钥发送端利用协商信息和v,经过相应的计算,得到需要译码的数据Cv,将Cv和Cu分别作为译码器模型的样本输入数据和样本标签数据。
H.改变量子信道的噪声功率,并重复步骤A~步骤G,从而得到不同信噪比下数据协调的LDPC译码过程的样本数据,包括样本输入Sv和样本标签Sc。
S3.对步骤S2获取的样本数据进行预处理,从而得到样本集;具体为采用最小最大归一化算法将样本数据进行归一化处理;然后将样本随机打乱顺序,并将输入数据与标签对应;最后将样本数据按设定的比例划分为训练样本和测试样本,从而得到样本集;
S4.搭建基于卷积降噪自编码器的连续变量量子密钥分发系统的LDPC译码器的初始模型;具体为采用如下步骤搭建模型:
编码部分:
编码输入层:输入数据为(n,1)的矩阵;
编码第一1D CNN层:接收编码输入层的数据;定义100个卷积核大小为20,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;每经过一个滤波器,神经网络学习到一个单一的特征;通过第一层训练,得到100个不同的特性;该神经网络层的输出为(n,100)的矩阵,每一列均包含一个滤波器的权值;
编码第二1D CNN层:接收编码第一1D CNN层的数据;定义100个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n,100)的矩阵;
编码最大池化层:接收编码第二1D CNN层的数据;定义大小为3的池化层,用于减少输出的复杂度和防止数据的过拟合;该神经网络层的输出为(n/3,100)的矩阵;
编码第三1D CNN层:接收编码最大池化层的数据;定义160个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/3,160)的矩阵;
编码第四1D CNN层:接收编码第三1D CNN层的数据;定义160个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/3,160)的矩阵;
编码平均池化层:接收编码第四1D CNN层的数据;定义大小为2的平均池化层,用于进一步避免过拟合;与最大池化层的功能不同,最大池化层是输出池化窗口内的最大值;平均池化层是输出池化窗口内的平均值;该神经网络层的输出为(n/6,160)的矩阵;
编码Dropout层:接收编码平均池化层的数据;选定保留率为0.5;该神经网络层的输出为(n/6,160)的矩阵;
解码部分:
解码第一1D CNN层:接收编码Dropout层的数据;定义160个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/6,160)的矩阵;
解码第二1D CNN层:接收解码第一1D CNN层的数据;定义160个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/6,160)的矩阵;
解码上采样层:接收解码第二1D CNN层的数据;定义大小为2的上采样层;该神经网络层的输出为(n/3,160)的矩阵;
解码Dropout层:接收解码上采样层的数据;选定保留率为0.5;该神经网络层的输出为(n/3,160)的矩阵;
解码第三1D CNN层:接收解码Dropout层的数据;定义100个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/3,100)的矩阵;
解码第四1D CNN层:接收解码第三1D CNN层的数据;定义100个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/3,100)的矩阵;
解码上采样层:接收解码第四1D CNN层的数据;定义大小为3的上采样层;该神经网络层的输出为(n,100)的矩阵;
解码第五1D CNN层:接收解码上采样层的数据;定义1个卷积核大小为20的滤波器,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n,1)的矩阵;注意:激活函数在训练过程中采用sigmoid(x)函数,在测试过程中需要采用[sgn(x)+1]/2函数;
S5.采用步骤S3得到的样本集对步骤S4得到的初始模型进行训练,从而得到基于卷积降噪自编码器的连续变量量子密钥分发系统的LDPC译码器模型;
S6.在连续变量量子密钥分发系统工作时,采用步骤S5训练好的LDPC译码器模型进行译码纠错,实现连续变量量子密钥分发系统的高性能数据协调。
Claims (5)
1.一种连续变量量子密钥分发系统的数据协调方法,包括如下步骤:
S1.搭建高斯调制相干态连续变量量子密钥分发系统;
S2.利用步骤S1搭建的量子密钥分发系统,获取不同信噪比下LDPC码译码过程的样本数据;
S3.对步骤S2获取的样本数据进行预处理,从而得到样本集;
S4.搭建基于卷积降噪自编码器的连续变量量子密钥分发系统的LDPC译码器初始模型;
S5.采用步骤S3得到的样本集对步骤S4得到的初始模型进行训练,从而得到基于卷积降噪自编码器的连续变量量子密钥分发系统的LDPC译码器模型;
S6.在连续变量量子密钥分发系统工作时,采用步骤S5训练得到的基于卷积降噪自编码器的连续变量量子密钥分发系统的LDPC译码器模型进行译码纠错,实现连续变量量子密钥分发系统的高性能数据协调。
2.根据权利要求1所述的连续变量量子密钥分发系统的数据协调方法,其特征在于步骤S1所述的高斯调制相干态连续变量量子密钥分发系统,具体包括量子密钥发送端、量子密钥接收端和量子密钥后处理端;量子密钥发送端采用脉冲激光器产生相关光源,重复频率为freq;然后将产生的相干光信号进行高斯调制,每个相干态有xA和pA两个分量,xA为正则振幅,pA为正则相位,且调制方差均为VA;调制后的相干态经过有噪量子信道传输给量子密钥接收端,且有噪量子信道的传输率为T,过量噪声为ε;量子密钥接收端采用平衡探测器对接收到的量子态进行探测,同时测量两个分量,得到xB和pB,xB为振幅,pB为相位,平衡探测器效率为η,电噪声为Vel;量子密钥后处理端用于进行量子密钥的后处理,从而使得通信双方获得一致的安全密钥。
3.根据权利要求2所述的连续变量量子密钥分发系统的数据协调方法,其特征在于步骤S2所述的获取不同信噪比下LDPC码译码过程的样本数据,具体为采用如下步骤获取数据:
A.原始密钥通过量子密钥后处理端的基选择和参数估计过程后,量子密钥发送端得到了连续变量X,量子密钥接收端得到了连续变量Y,二者均服从高斯分布,并且存在Y=t*X+E,其中t为与信道传输率和探测器效率有关的参数;E为量子信道噪声且服从高斯分布;
B.对步骤A得到的连续变量X和Y分别进行数据归一化,得到数据x和y;
D.计算从y到u的旋转映射关系M(y,u),满足u=M(y,u)*y,并将映射关系通过经典认证信道发送给量子密钥发送端;
E.量子密钥发送端进行同样的旋转,得到v=M(y,u)*x=M(y,u)*(y+e)=u+w,其中e为量子信道噪声E归一化的数据点,w为虚拟信道噪声;
F.量子密钥接收端选择合适的LDPC码,利用u计算编码后的数据Cu=u*G和协商信息,并将协商信息通过经典认证信道发送给量子密钥发送端;
G.量子密钥发送端利用协商信息和v,经过相应的计算,得到需要译码的数据Cv,将Cv和Cu分别作为译码器模型的样本输入数据和样本标签数据;
H.改变量子信道的噪声功率,并重复步骤A~步骤G,从而得到不同信噪比下数据协调的LDPC译码过程的样本数据,包括样本输入Sv和样本标签Sc。
4.根据权利要求3所述的连续变量量子密钥分发系统的数据协调方法,其特征在于步骤S3所述的对步骤S2获取的样本数据进行预处理,从而得到样本集;具体为采用最小最大归一化算法将样本数据进行归一化处理;然后将样本随机打乱顺序,并将输入数据与标签对应;最后将样本数据按设定的比例划分为训练样本和测试样本,得到样本集。
5.根据权利要求4所述的连续变量量子密钥分发系统的数据协调方法,其特征在于步骤S4所述的搭建基于卷积降噪自编码器的连续变量量子密钥分发系统的LDPC译码器初始模型,具体为采用如下步骤搭建模型:
编码部分:
编码输入层:输入数据为(n,1)的矩阵;
编码第一1D CNN层:接收编码输入层的数据;定义100个卷积核大小为20,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;每经过一个滤波器,神经网络学习到一个单一的特征;通过第一层训练,得到100个不同的特性;该神经网络层的输出为(n,100)的矩阵,每一列均包含一个滤波器的权值;
编码第二1D CNN层:接收编码第一1D CNN层的数据;定义100个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n,100)的矩阵;
编码最大池化层:接收编码第二1D CNN层的数据;定义大小为3的池化层,用于减少输出的复杂度和防止数据的过拟合;该神经网络层的输出为(n/3,100)的矩阵;
编码第三1D CNN层:接收编码最大池化层的数据;定义160个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/3,160)的矩阵;
编码第四1D CNN层:接收编码第三1D CNN层的数据;定义160个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/3,160)的矩阵;
编码平均池化层:接收编码第四1D CNN层的数据;定义大小为2的平均池化层,用于进一步避免过拟合;与最大池化层的功能不同,最大池化层是输出池化窗口内的最大值;平均池化层是输出池化窗口内的平均值;该神经网络层的输出为(n/6,160)的矩阵;
编码Dropout层:接收编码平均池化层的数据;选定保留率为0.5;该神经网络层的输出为(n/6,160)的矩阵;
解码部分:
解码第一1D CNN层:接收编码Dropout层的数据;定义160个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/6,160)的矩阵;
解码第二1D CNN层:接收解码第一1D CNN层的数据;定义160个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/6,160)的矩阵;
解码上采样层:接收解码第二1D CNN层的数据;定义大小为2的上采样层;该神经网络层的输出为(n/3,160)的矩阵;
解码Dropout层:接收解码上采样层的数据;选定保留率为0.5;该神经网络层的输出为(n/3,160)的矩阵;
解码第三1D CNN层:接收解码Dropout层的数据;定义100个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/3,100)的矩阵;
解码第四1D CNN层:接收解码第三1D CNN层的数据;定义100个卷积核大小为20的滤波器,激活函数采用ReLU函数,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n/3,100)的矩阵;
解码上采样层:接收解码第四1D CNN层的数据;定义大小为3的上采样层;该神经网络层的输出为(n,100)的矩阵;
解码第五1D CNN层:接收解码上采样层的数据;定义1个卷积核大小为20的滤波器,填充方式采用“SAME”方式的滤波器;该神经网络层的输出为(n,1)的矩阵;激活函数在训练过程中采用sigmoid(x)函数,在测试过程中需要采用[sgn(x)+1]/2函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110673585.3A CN113364586B (zh) | 2021-06-17 | 2021-06-17 | 连续变量量子密钥分发系统的数据协调方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110673585.3A CN113364586B (zh) | 2021-06-17 | 2021-06-17 | 连续变量量子密钥分发系统的数据协调方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113364586A CN113364586A (zh) | 2021-09-07 |
CN113364586B true CN113364586B (zh) | 2022-06-07 |
Family
ID=77534832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110673585.3A Active CN113364586B (zh) | 2021-06-17 | 2021-06-17 | 连续变量量子密钥分发系统的数据协调方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113364586B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114024669B (zh) * | 2021-11-03 | 2022-11-08 | 中南大学 | 离散调制cvqkd通信异常终端检测系统及方法 |
CN115348010B (zh) * | 2022-07-20 | 2024-04-26 | 中国电子科技集团公司第三十研究所 | 一种适用于连续变量量子密钥分发残余误码消除的方法与系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101830339B1 (ko) * | 2016-05-20 | 2018-03-29 | 한국전자통신연구원 | 양자 네트워크상에서의 양자키 분배 장치 및 방법 |
CN106789035B (zh) * | 2017-01-18 | 2021-04-27 | 北京邮电大学 | 一种用于连续变量量子密钥分发系统中的信噪比自适应数据协调方法 |
-
2021
- 2021-06-17 CN CN202110673585.3A patent/CN113364586B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113364586A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113364586B (zh) | 连续变量量子密钥分发系统的数据协调方法 | |
Lee et al. | Deep learning-constructed joint transmission-recognition for Internet of Things | |
CN106161012B (zh) | 一种基于极化码纠错的量子密钥分发后处理系统和方法 | |
CN106789035B (zh) | 一种用于连续变量量子密钥分发系统中的信噪比自适应数据协调方法 | |
CN107359987B (zh) | 有限维度效应下连续变量量子密钥分发多维协商方法 | |
CN110233728B (zh) | 一种基于喷泉码的连续变量量子密钥分发数据协调方法 | |
CN110474716A (zh) | 基于降噪自编码器的scma编解码器模型的建立方法 | |
CN108616356B (zh) | 一种用于离散调制连续变量量子密钥分发中的多维协商方法 | |
CN107359985B (zh) | 一种基于霍夫曼压缩编码的受控量子安全直接通信方法 | |
Erdemir et al. | Generative joint source-channel coding for semantic image transmission | |
CN106992856B (zh) | 基于gpu的大规模连续变量量子密钥分发的数据协调方法 | |
CN107645358B (zh) | 一种用于连续变量量子密钥分发中的码率自适应数据协调方法 | |
CN109660339B (zh) | 连续变量量子密钥分发数据协调fpga异构加速方法 | |
CN110011792A (zh) | 基于极化码的单步量子密钥分发后处理方法、系统、介质和设备 | |
CN112886970B (zh) | 一种用于连续变量量子密钥分发的协商方法 | |
CN110166241A (zh) | 一种适用于连续变量量子密钥分发的宽信噪比变化的数据纠错方法 | |
CN111786681A (zh) | 一种适用于cv-qkd系统数据后处理的级联译码方法 | |
Nemati et al. | VQ-VAE empowered wireless communication for joint source-channel coding and beyond | |
Cao et al. | Rate-adaptive polar-coding-based reconciliation for continuous-variable quantum key distribution at low signal-to-noise ratio | |
Li et al. | Quantum key distribution post-processing: A heterogeneous computing perspective | |
CN113114269A (zh) | 一种置信传播-信息修正译码方法 | |
CN114531227B (zh) | 一种基于压缩态的宽信噪比连续变量qkd数据协调方法及系统 | |
CN109586850A (zh) | 一种用于连续变量量子密钥分发系统中的基于极化码的分层数据协调方法 | |
CN114389805A (zh) | 一种基于高斯调制相干态的cv-qkd的后处理方法 | |
CN112187452B (zh) | 用于连续变量量子密钥分发的传输方法 |
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 |