CN113472536A - 基于人工神经网络的高效连续变量量子密钥分发系统及其实现方法 - Google Patents
基于人工神经网络的高效连续变量量子密钥分发系统及其实现方法 Download PDFInfo
- Publication number
- CN113472536A CN113472536A CN202110932049.0A CN202110932049A CN113472536A CN 113472536 A CN113472536 A CN 113472536A CN 202110932049 A CN202110932049 A CN 202110932049A CN 113472536 A CN113472536 A CN 113472536A
- Authority
- CN
- China
- Prior art keywords
- signal
- light
- receiving end
- signal receiving
- initial key
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000005540 biological transmission Effects 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000010287 polarization Effects 0.000 claims description 53
- 230000003287 optical effect Effects 0.000 claims description 43
- 230000010355 oscillation Effects 0.000 claims description 41
- 238000010606 normalization Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 24
- 239000013307 optical fiber Substances 0.000 claims description 16
- 230000001427 coherent effect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 238000002834 transmittance Methods 0.000 claims description 8
- 230000003321 amplification Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000000835 fiber Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000003111 delayed effect Effects 0.000 claims description 4
- 238000012805 post-processing Methods 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 125000004432 carbon atom Chemical group C* 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 5
- 238000003780 insertion Methods 0.000 description 5
- 230000037431 insertion Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- GQYHUHYESMUTHG-UHFFFAOYSA-N lithium niobate Chemical compound [Li+].[O-][Nb](=O)=O GQYHUHYESMUTHG-UHFFFAOYSA-N 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 240000006365 Vitis vinifera Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N3/08—Learning methods
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 Communication System (AREA)
Abstract
本发明公开了基于人工神经网络的高效连续变量量子密钥分发系统及实现方法，所述系统包括信号发送端、传输信道和信号接收端；所述方法为信号发送端将光进行偏振，幅度、相位调制使其加载有原始密钥信息，然后通过传输信道将其传输至信号接收端，在信号接收端对接收到的光信号进行调制、零差检测，然后选择信号发送端与信号接收端的初始密钥进行人工神经网络学习，进而得到信号发送端和信号接收端密钥的关系，实现信号接收端持有信号发送端的全部密钥。在保证系统安全性的前提下，提高了密钥率和安全传输距离，同时参数估计和整个预测过程的精确性得到保证。本发明不需要添加很多硬件设备，不会带来系统的沉重负担，易于在普通CV‑QKD中实现。
Description
技术领域
本发明属于量子通信技术领域，特别是涉及基于人工神经网络的高效连续变量量子密钥分发系统及其实现方法。
背景技术
在保密通信中，量子密钥分发技术(Quantum Key Distribution，QKD)用于产生和分发密钥，作为QKD的一种实现方式，连续变量量子密钥分发(Continuous-VariableQuantum Key Distribution，CV-QKD)使用正交调制和相干检测技术来进行密钥分发，具有无条件的安全性，其实现更简单、与经典相干光通信系统的兼容性更好、码率更高、损耗更低、安全性更强。近年来，CV-QKD中的典型代表：高斯调制相干态(Gaussian modulatedcoherent state，GMCS)方案发展迅速，在对抗集体攻击和相干攻击上具有很好的安全性。该协议中，信号发送端将正交分量x和p调制为相互独立的高斯分布相干态实现密钥信息编码，通过一条安全性未知的光纤链路传输，信号接收端接收到之后进行零差检测(随机测量两个正交分量是中的任意一个)或者外差检测(测量两个正交分量)，再进行后处理：筛选、参数估计、协商和隐私放大，最后提取出密钥。筛选完成之后，收发端具有相关初始密钥。为了估算窃听者窃取信息量上限，通信双方必须评估出透射比T和过量噪声ξ，传统的参数估计需要通信双方公开一部分初始密钥，这部分初始密钥越多，信道估计就越精确，但会导致信息利用率差，密钥率大幅降低。在此情况下，如何在保证CV-QKD系统总体安全性前提下，进一步减小公开部分初始密钥数量、提高密钥率和延长密钥的安全传输距离，不显著增加系统的硬件器件和复杂度，关系到CV-QKD技术的进一步发展和应用。
发明内容
本发明实施例的目的在于提供一种基于人工神经网络的高效连续变量量子密钥分发系统及其实现方法，以实现连续变量量子密钥分发(Continuous-Variable QuantumKey Distribution,CV-QKD)系统在不增加系统硬件器件和系统复杂度时减少公开部分初始密钥数量、提高密钥率和延长密钥安全传输距离。
为解决上述技术问题，本发明所采用的技术方案是基于人工神经网络的高效连续变量量子密钥分发系统，所述系统包括信号发送端、传输信道和信号接收端；
所述信号发送端包括：
连续波激光器，用于产生连续波激光，并将产生的激光传输至幅度调制器1；
幅度调制器1，将接收的激光调制为特定脉宽和频率的脉冲激光；并将激光传输至分束器；
分束器：将接收的激光分为信号光和本振光，其中信号光和本振光的强度比例为99:1；信号光传输至起偏镜1；本振光传输至起偏镜2；
起偏镜1，对接收的信号光产生偏振，使其与本振光在偏振方向上分离；并将信号光传输至幅度调制器2；
幅度调制器2，对信号光进行幅度调制；
相位调制器1，对信号光进行相位调制；
数据预处理中心1，位于信号发送端，对初始密钥进行分组操作和归一化操作；
可变衰减器，对对调制后的信号光强度进行调整，产生需要的信号发送端调制方差；
起偏镜2，使本振光产生偏振，与信号光在偏振方向上分离；
延迟线1，产生定量延迟，在时间域上分离本振光和信号光，实现本振光和信号光时分复用；
偏振合束器，用于将调制的信号光和本振光耦合，将耦合后的光信号通过光纤信道传输；
所述传输信道包括：
光纤信道，对光信号产生衰减、色散效应，在光纤信道中传输时窃听者可能会对传输的光信号进行窃取或篡改；
经认证的经典信道，为传统电缆信道，且已保证信息在传输时只可被窃取而不可被篡改；
所述信号接收端包括：
偏振控制器1，用于对接收的光信号进行偏振补偿，使其入射到偏振分束器；
偏振分束器，分离接收到的光信中的信号光和本振光，并使信号光入射到延迟线2，本振光入射到相位调制器2；
延迟线2，对信号光进行延迟，以补偿在信号发送端延迟线造成的本振光的延迟，使信号接收端的信号光和本振光对齐；
相位调制器2，对本振光进行相位调制，以随机选择正交分量测量基；将相位调制后的本振光传输至偏振控制器2；
偏振控制器2，对相位调制器2输出的本振光进行偏振补偿；
50:50分束器，将信号光和本振光等比例混合，接着均分为两部分，送入零差检测器；
零差检测器，包括两个PIN型光电二极管和一个减法器，光电二极管用以将光信号转化为电流，减法器用以将两个支路的信号相减；
数据预处理中心2，位于信号接收端，对初始密钥进行分组操作和归一化操作；
人工神经网络模块，利用信号发送端发送来的经过分组和归一化操作之后的数据进行训练，对信号接收端本地初始数据和接收数据之间的关联掌握后，对信号发送端的全部数据进行预测；
数据终端，对人工神经网络模块预测出的全部数据进行数据合并和反归一化处理，最终获得信号发送端的全部初始密钥，并进行系统后处理过程中的参数估计、协商和隐私放大步骤，最终得出密钥率。
本发明所采用的另一技术方案是基于人工神经网络的高效连续变量量子密钥分发系统的实现方法，所述方法包括以下步骤：
步骤1：信号发送端发送激光，并将其调制为脉冲相干光序列，将脉冲相干光分为99％信号光和1％本振光；信号光进行偏振、幅度、相位调制使其加载有原始密钥信息，然后将其通过衰减发送至偏振合束器；本振光进行偏振、延时然后发送至偏振合束器；偏振合束器将调制的信号光和本振光耦合成一路信号后，发送至信号接收端；
步骤2：光纤信道将调制好的光信号传输至信号接收端
步骤3：信号接收端对光信号偏振态调整，分离为信号光和本振光；本振光通过相位调制随机选择测量基，并通过修正之后送入分束器；信号光先进行延迟、相位补偿，并传输至分束器；分束器将信号光和本振光混合后均分为两路大小相同光信号，进行零差检测；
步骤4：完成零差检测后，将信号发送端持有的初始密钥随机序列X(x1,x2,…,xN)和信号接收端的随机序列Y(y1,y2,…,yN)进行分组和归一化处理；
步骤5：将分组和归一化处理信号发送端持有的初始密钥随机序列X(x1,x2,…,xN)和信号接收端的随机序列Y(y1,y2,…,yN)进行人工神经网络训练，进而得到信号发送端和信号接收端密钥的关系，实现信号接收端持有信号发送端的全部密钥；
步骤6：检测该方法密钥率。
进一步的，所述步骤4中信号发送端和信号接收端的随机序列相互关联，称为初始密钥；在光纤信道中，yi＝txi+zi，其中，xi为信号发送端发送的第i个初始密钥，yi为信号接收端接收的第i个初始密钥，N总的初始密钥数量，i＝1,2，…，N；t为信道传输损耗，zi为第i个信道高斯噪声。
进一步的，所述步骤4中信号发送端持有的初始密钥随机序列和信号接收端的随机序列分组具体为：将信号发送端持有的初始密钥随机序列X(x1,x2,…,xN)和信号接收端的初始密钥随机序列Y(y1,y2,…,yN)划分为d维向量
和
即将初始密钥随机序列X和Y由一维行向量转换为m×d的矩阵，其中m为行数，d为列数，j表示第j行，m＝N/d，j＝1,2，…，m。
进一步的，所述信号发送端持有的初始密钥随机序列X(x1,x2,…,xN)和信号接收端的随机序列进行归一化处理为：对信号发送端持有的初始密钥随机序列X(x1,x2,…,xN)和信号接收端的初始密钥随机序列Y(y1,y2,…,yN)划分为d维向量
和
进行归一化处理，即
其中，xj为信号发送端的第j行的初始密钥元素，
为信号发送端的归一化后第j行的初始密钥，
为信号发送端的分组后第j行的初始密钥，||xj||为信号发送端的第j行的初始密钥的模，且且
进一步的，所述步骤5具体为：将信号接收端初始密钥随机序列归一化后初始密钥元素
的前半部分
共m/2个元素作为神经人工神经网络的输入；信号发送端初始密钥随机序列归一化后初始密钥元素
的前半部分
共m/2个元素发送至信号接收端，信号接收端接收后将其作为人工神经网络的输出，对人工神经网络进行训练，得到
与
与
与
间的关系，记为
其中，
为人工神经网络第一个阶段训练预测得到的初始密钥；根据
和信号接收端初始密钥随机序列归一化后初始密钥元素
的后半部分
预测出信号发送端初始密钥随机序列归一化后初始密钥元素
的后半部分
在信号接收端得到全部向量
再将信号接收端第j行初始密钥元素的模||yj||的后半部分
作为人工神经网络的输入，将信号发送端第j行初始密钥元素的模||xj||的后半部分
由经认证的经典信道发送至信号接收端，信号接收端接收后将其作为人工神经网络的输出，对神经网络进行训练，得到
与
与
与||xm||之间的关系，记为Q(||yi||)＝||xi||，其中Q(||yi||)为人工神经网络第二个阶段训练预测得到的初始密钥；根据Q(||yi||)＝||xi||和信号接收端第j行初始密钥元素的模||yj||的前半部分
预测出信号发送端第j行初始密钥元素的模||xj||的后半部分
在信号接收端得到全部的||xj||；
信号接收端利用
计算出所有的分组后第j行的初始密钥元素
并将其还原为一维随机序列X(x1,x2,…,xN)，则信号接收端持有了信号发送端的全部密钥。
进一步的，所述步骤6的密钥率为：
其中，n是人工神经网络准确预测的初始密钥的数量；N总的初始密钥数量；β是连续变量量子密钥分发方法中协商步骤的效率；Δ(n)是和隐私放大步骤安全性相关的系数，且
I(x:y)是信号发送端和信号接收端的互信息量，其中x和y分别为信号发送端和信号接收端，因采用的是零差检测，故I(x:y)写为Ihom(x:y)，且
其中，Vel为信号接收端检测器电噪声；ξ为过量噪声；η为信号接收端检测器效率；VA为信号发送端调制方差；T为信道透射比；∈PE是参数估计失败的概率，且有：
其中，
是误差函数，
是在参数估计失败的概率为∈PE的情况下，置信区间的大小；
其中，p为连续变量量子密钥分发方法的协方差矩阵的特征值的个数，λq是第q个特征值；上式中，
且有：
λ5＝1
式中，A、B、C和D均为中间参数，且有：
其中，V为连续变量量子密钥分发方法中EPR态的方差，且V＝VA+1；
Tmin为信道透射比T的最小值，且有
信道传输损耗
η为信号接收端检测器效率；tmin为信道传输损耗t的最小值，且有
其中，
是信道传输损耗t的最大似然估计，且
其中，xi为信号发送端的第i个初始密钥，yi为信号接收端的第i个初始密钥，N为初始密钥总数，i＝1,2，…，N；
χline是信道附加噪声，且χline＝1/Tmin-1+ξ，其中，ξ为过量噪声；
χhom是检测附加噪声，且χhom＝[(1-η)+Vel]/η，其中，η为信号接收端检测器效率；
χtot是信道总噪声，且χtot＝χline+χhom/Tmin。
本发明的有益效果是：在保证系统安全性的前提下，提高了密钥率和安全传输距离，同时参数估计和整个预测过程的精确性得到保证。本发明不需要添加很多硬件设备，不会带来系统的沉重负担，易于在普通CV-QKD中实现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的系统原理示意图；
图2是本发明实施例的方案总体流程图；
图3是本发明实施例的具体流程图；
图4是本发明实施例与传统CV-QKD系统的“密钥率-传输距离曲线”对比图；
图5是本发明实施例的预测精确度-数据长度曲线图和预测精确度-传输距离图。
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。
如图1所示为本发明实施例的基于人工神经网络的高效连续变量量子密钥分发系统，包括信号发送端、传输信道和信号接收端；
信号发送端包括：
连续波激光器，用于产生连续波激光，并将产生的激光传输至幅度调制器1；
幅度调制器1，将接收的激光调制为特定脉宽和频率的脉冲激光；并将激光传输至分束器；
分束器：将接收的激光分为信号光和本振光，其中信号光和本振光的强度比例为99:1；信号光传输至起偏镜1；本振光传输至起偏镜2；
起偏镜1，对接收的信号光产生偏振，使其与本振光在偏振方向上分离；并将信号光传输至幅度调制器2；
幅度调制器2，对信号光进行幅度调制；
相位调制器1，对信号光进行相位调制；
幅度调制器2和相位调制器1的作用，是从一个二维高斯分布中随机选择正交分量x或p进行幅度调制和相位调制，调制完成后形成载有原始密钥信息的高斯分布的信号光；
数据预处理中心1，位于信号发送端，对初始密钥进行分组操作和归一化操作；
可变衰减器，对对调制后的信号光强度进行调整，产生需要的信号发送端调制方差；
起偏镜2，使本振光产生偏振，与信号光在偏振方向上分离；
延迟线1，产生定量延迟，在时间域上分离本振光和信号光，实现本振光和信号光时分复用；
偏振合束器，用于将调制的信号光和本振光耦合，将耦合后的光信号通过光纤信道传输。
传输信道包括：
光纤信道，对光信号产生衰减、色散效应，在光纤信道中传输时窃听者可能会对传输的光信号进行窃取或篡改。
经认证的经典信道，为传统电缆信道，且已保证信息在传输时只可被窃取而不可被篡改。
信号接收端包括：
偏振控制器1，用于对接收的光信号进行偏振补偿，使其入射到偏振分束器；
偏振分束器，分离接收到的光信中的信号光和本振光，并使信号光入射到延迟线2，本振光入射到相位调制器2；
延迟线2，对信号光进行延迟，以补偿在信号发送端延迟线造成的本振光的延迟，使信号接收端的信号光和本振光对齐；
相位调制器2，由计算机控制，对本振光进行相位调制，以随机选择正交分量测量基x或p；将相位调制后的本振光传输至偏振控制器2；
偏振控制器2，对相位调制器2输出的本振光进行偏振补偿；
50:50分束器，将信号光和本振光等比例混合，接着均分为两部分，送入零差检测器；
零差检测器，包括两个PIN型光电二极管和一个减法器，光电二极管用以将光信号转化为电流，减法器用以将两个支路的信号相减。
数据预处理中心2，位于信号接收端，对初始密钥进行分组操作和归一化操作；
人工神经网络模块，利用信号发送端发送来的经过分组和归一化操作之后的数据进行训练，对信号接收端本地初始数据和接收数据之间的关联掌握后，对信号发送端的全部数据进行预测；
数据终端，对人工神经网络模块预测出的全部数据进行数据合并和反归一化处理，最终获得信号发送端的全部初始密钥，并进行CV-QKD系统的后处理过程中的参数估计、协商和隐私放大步骤，最终得出密钥率。
连续波激光器采用Wavelength Reference Clarity-NLL-1542-HP型激光器，中心波长：1312,1530,1542,1550nm可选，线宽<50kHz(低功率版本)、<150kHz(高功率版本)，输出功率可达：2mW(低功率版本)、25-30mW(高功率版本)，光纤接口SCAPC/FCAPC，绝对精度：<±0.1ppm，典型值为<±0.02pm；
幅度调制器均为EOSPACE生产的铌酸锂电光强度调制器，可提供10G/20G/40G/60G/110GHz的速率，波长覆盖700nm,850nm，980nm，1060nm，1310nm，1550nm(C波段和L波段)，1700nm，2000+nm等，具有宽工作带宽、超低插入损耗(<2dB)、超低驱动电压、高消光比的特点；
分束器采用Holo/Or的1×2的可调分束比分束器；
起偏镜均采用PLC-10-1550型，透过率>98％；
偏振分束器采用HPBS-1550-SM，偏振合束器采用HPBC-1550-SM，消光比20dB，插入损耗1dB；
零差检测器采用Thorlabs的PDB780CAC带放大器的紧凑型平衡光电探测器，带宽400MHz或2.5GHz，共模抑制比(CMRR)大于25dB；
光纤信道采用的是标准单模光纤SMF28；
相位调制器采用EOSPACE生产的铌酸锂相位调制器，可以提供10G/20G/40G的速率，具有工作带宽，超低插入损耗，超低驱动电压的特点。波长覆盖700nm,850nm，980nm，1060nm，1310nm，1550nm(C波段和L波段)，1700nm，2000nm等，可以提供小于3dB甚至2dB的插入损耗。
可变衰减器采用Rebes STA-60-10-D8高精度可计数可调衰减器，频率覆盖75-110GHz，衰减范围0-60dB，低损耗；
偏振控制器采用Alnair的MLC系列高精度手动偏振控制器，主要用于双波片或三波片组合的高精度偏振控制。插入损耗小于0.8dB，可用于1310nm和1550nm波段。
延迟线采用Kylia电动可变光延迟线VODL，具有3ns、6ns、9ns或12ns的光学延迟范围。
如图2所示为基于人工神经网络的高效连续变量量子密钥分发系统的实现方法，包括步骤为：
步骤1：连续波激光器产生的连续激光通过幅度调制器1调制成特定脉宽和频率的脉冲相干光序列，接着送至99:1分束器将脉冲相干光分为信号光(占比99％)和本振光(占比1％)；信号光通过起偏镜1发生偏振，接着由幅度调制器2和相位调制器1完成高斯调制，具体是随机选择分别满足独立高斯分布的随机数正交分量x或p(测量基)，再控制相应的幅度调制器或相位调制器1进行调制，调制完成后的信号光上加载有原始密钥信息，记为ax或ap；接着信号光通过可变衰减器实现调制方差VA(信号发送端调制器输出的信号方差)控制，并将信号光送入偏振合束器；本振光通过起偏镜2发生偏振，偏振方向与信号光垂直；偏振后的本振光通过延迟线1在时间域上将本振光和信号光隔离，之后本振光送入偏振合束器；延迟线1的延迟大小为可以使本振光位于两个相邻的信号脉冲中间；偏振合束器将信号光和本振光耦合成一路信号后，送入光纤信道传输；
步骤2：光纤信道将调制好的光信号传输至信号接收端
步骤3：偏振控制器1对接收的光信号进行因长距离传输导致的偏振态调整，接着传输至偏振分束器对光信号分离为信号光和本振光；本振光部分通过相位调制器2，利用信号接收端产生的随机初始密钥b，实现对测量基(x或p)的随机选择，接着偏振控制器2对偏振光进行修正后送入50:50分束器；信号光通过延迟线2，一方面对信号发送端本振光路径中由于延迟线1引入的延迟进行补偿，另一方面对信号接收端本振光路径由于相位调制引入的延迟进行补偿，使信号光和本振光实现精确对齐；信号光和本振光在50:50分束器混合后均分为两路大小相同光信号，进行零差检测。
步骤4：完成零差检测后，信号接收端得到测量结果bx或bp，信号接收端接收到的初始密钥随机序列Y(y1,y2,…,yN)；信号接收端公开每一个脉冲测量基，信号发送端保留与信号接收端公开的测量基相对应的ax或ap，信号发送端持有的初始密钥随机序列X(x1,x2,…,xN)，信号发送端和信号接收端的随机序列相互关联，称为初始密钥；在实际光纤信道中，yi＝txi+zi，其中，xi为信号发送端的第i个初始密钥，yi为信号接收端的第i个初始密钥，N是总的初始密钥数量，i＝1,2，…，N；t为信道传输损耗，zi为第i个信道高斯噪声；将信号发送端持有的初始密钥随机序列X(x1,x2,…,xN)放入数据预处理中心1，将信号接收端的随机序列为Y(y1,y2,…,yN)放入信号接收端的数据预处理中心2，完成分组和归一化处理；
(1)分组具体为：
将信号发送端持有的初始密钥随机序列X(x1,x2,…,xN)和信号接收端的初始密钥随机序列Y(y1,y2,…,yN)划分为d维向量
和
即将初始密钥随机序列X和Y由一维行向量转换为m×d的矩阵，其中m为行数，d为列数，j表示第j行，m＝N/d，j＝1,2，…，m。
(2)归一化处理具体为：
将信号发送端和信号接收端分组后的d维向量进行归一化处理，即
其中，xj为信号发送端的第j行的初始密钥元素，
为信号发送端的归一化后第j行的初始密钥，
为信号发送端的分组后第j行的初始密钥，||xj||为信号发送端的第j行的初始密钥的模，且
步骤5：如图3所示为对神经网络训练示意图，将信号接收端初始密钥随机序列归一化后初始密钥元素
的前半部分
共m/2个元素作为神经人工神经网络的输入；信号发送端初始密钥随机序列归一化后初始密钥元素
的前半部分
共m/2个元素发送至信号接收端，信号接收端接收后将其作为人工神经网络的输出，对人工神经网络进行训练，训练过程不断优化神经网络参数达到最好训练效果，最终找出
与
与
与
间的关系，记为
其中，
为人工神经网络第一个阶段训练预测得到的初始密钥；根据
和信号接收端初始密钥随机序列归一化后初始密钥元素
的后半部分
预测出信号发送端初始密钥随机序列归一化后初始密钥元素
的后半部分
在信号接收端得到全部向量
信号接收端第j行初始密钥元素的模||yj||的后半部分
作为人工神经网络的输入，将信号发送端第j行初始密钥元素的模||xj||的后半部分
由经认证的经典信道发送至信号接收端，信号接收端接收后将其作为人工神经网络的输出，对神经网络进行训练，训练过程中不断优化神经网络参数达到最好训练效果，最终找出
与
与
与||xm||之间的关系，记为Q(||yi||)＝||xi||，其中Q(||yi||)为人工神经网络第二个阶段训练预测得到的初始密钥；根据Q(||yi||)＝||xi||和信号接收端第j行初始密钥元素的模||yj||的前半部分
预测出信号发送端第j行初始密钥元素的模||xj||的后半部分
在信号接收端得到全部的||xj||。
在两次对人工神经网络的训练回归中，回归值R为输出和目标间的相关性，回归值R越接近1表示相关性越密切，越接近0表示相关性差，本发明训练中的回归值R大于0.8，训练效果良好。
信号接收端利用
计算出所有的分组后第j行的初始密钥元素
并将其还原为一维随机序列X(x1,x2,…,xN)，则信号接收端持有了信号发送端的全部初始密钥；
本专利中的人工神经网络采用的是反射传播(Back Propagation，BP)神经网络，采用了一个输入层、一个隐藏层和一个输出层，隐藏层中含有12个神经元，激活函数采用的是tansig函数(双曲正切s型传递函数)，其表达式为：
其中，z为输入的自变量，e为自然常数；
输出层激活函数采用的是purelin函数(线性传递函数)，其表达式为：
purelin(z)＝z
其中，z为输入的自变量；
训练函数采用是Levenberg-Marquardt算法，人工神经网络中的各参数设置详见表1：
表1人工神经网络参数设置
| 参数名 | 取值 | 参数名 | 取值 |
| 最大迭代次数 | 500 | 最大训练时间 | 无穷大 |
| 学习率 | 0.01 | 最小性能梯度 | 10<sup>-12</sup> |
| 显示频率 | 50 | 最大验证失败次数 | 10 |
| 性能目标 | 10<sup>-5</sup> | 动量常数 | 0.9 |
步骤6：密钥率K为：
其中，n是人工神经网络准确预测的初始密钥的数量；N是总的初始密钥数量；β是CV-QKD方案中协商步骤的效率；Δ(n)是和隐私放大步骤安全性相关的系数，且
I(x:y)是信号发送端和信号接收端的互信息量，其中x和y分别为信号发送端和信号接收端，本发明采用的是零差检测，故I(x:y)可写作Ihom(x:y)，且
其中，Vel为信号接收端检测器电噪声；ξ为过量噪声；η为信号接收端检测器效率；VA为信号发送端调制方差；T为信道透射比；∈PE是参数估计失败的概率，且有：
其中，
是误差函数，
是在参数估计失败的概率为∈PE的情况下，置信区间的大小。
其中，p为连续变量量子密钥分发方法的协方差矩阵的特征值的个数，λq是第q个特征值；上式中，
且有：
λ5＝1
式中，A、B、C和D均为中间参数，且有：
其中，V为在CV-QKD的纠缠方案中，EPR态的方差，且V＝VA+1；
Tmin为信道透射比T的最小值，且有
信道传输损耗
η为信号接收端检测器效率；tmin为信道传输损耗t的最小值，且有
其中，
是信道传输损耗t的最大似然估计，且
其中，xi为发送端的第i个初始密钥，yi为接收端第i个初始密钥，N为初始密钥总数，i＝1,2，…，N；
χline是信道附加噪声，且χline＝1/Tmin-1+ξ，其中，ξ为过量噪声；
χhom是检测附加噪声，且χhom＝[(1-η)+Vel]/η，其中，η为信号接收端检测器效率；
χtot是信道总噪声，且χtot＝χline+χhom/Tmin；
过量噪声ξ的方差
为信道高斯噪声的方差σ2的最大值，且有：
将本发明与传统的连续变量量子密钥分发系统进行数值模拟，计算检测二者的密钥率，绘制成“密钥率-传输距离曲线”，如图4所示，为便于对比，还加入了“理想”人工神经网络方案(即假设预测精确度S＝1的理想情况，实际中无法实现)，共有三条曲线：传统方案曲线、基于实际人工神经网络的本方案曲线和“理想”人工神经网络方案曲线，分别以点线、虚线和实线绘制。预测精确度S＝n/N也影响最终密钥率的大小，通过理论分析和实际实验发现，初始密钥总数N不同时，人工神经网络的预测准确率也是不一样，因此图4中绘制了在初始密钥总数N取三个不同值：1.2×105、1.2×106和1.2×107时的“密钥率-传输距离曲线”。从图4可以看出：
1、在同样的初始密钥总数N下，“理想”人工神经网络方案的密钥率最高，基于实际人工神经网络的本方案的密钥率次之，且差距较小，而传统方案密钥率最小，和前两种方案差距明显，且三种方案的密钥率都随着传输距离的增长而衰减，这是因为在光纤信道中，透射比T＝10-(0.2×L)/10，其中，L是传输距离，它是随着传输距离的增大而快速减小的，从而导致可用于提取最终密钥的初始密钥数量减小；
2、同一种方案下，N越大，密钥率越高，是因为N越大，能够提供给人工神经网络进行训练的信息量就越大，训练就越充分，预测就越接近真实值。但是密钥率的提高不是无限的，实验中发现，随着N增大到一定程度，密钥率将不再有明显的变化，如图5所示，当数据长度N大于106时，预测精确度S大致处于(80％，83％)区间，当数据长度N小于106时，预测精确度S将会有显著的下降，此时的数据长度已不够神经网络进行足够的训练，因而预测效果变差；但是，当数据长度达到107、108甚至更多时，预测精确度S也不会有显著的增长，这是在改变人工神经网络内部构造、算法、隐藏层和隐藏神经元数量、激励函数等各种因素的前提下，单纯的增加N并不能持续提高人工神经网络的性能，而且，过大的N将会导致人工神经网络训练和预测的时间大大的增加，大幅增加系统负担，严重影响整个系统的实时性能；
将本发明与另外两种提高CV-QKD系统密钥率的方案矩量法、交换顺序法进行综合对比，如表2所示，可以看出，三种方案中，本发明实例实现相对更简单，对信道要求低适用于不稳定的信道环境，有硬件性能有一定要求，密钥率中等。
表2本发明实例与两种方案综合对比
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (7)
1.基于人工神经网络的高效连续变量量子密钥分发系统，其特征在于，所述系统包括信号发送端、传输信道和信号接收端；
所述信号发送端包括：
连续波激光器，用于产生连续波激光，并将产生的激光传输至幅度调制器1；
幅度调制器1，将接收的激光调制为特定脉宽和频率的脉冲激光；并将激光传输至分束器；
分束器：将接收的激光分为信号光和本振光，其中信号光和本振光的强度比例为99:1；信号光传输至起偏镜1；本振光传输至起偏镜2；
起偏镜1，对接收的信号光产生偏振，使其与本振光在偏振方向上分离；并将信号光传输至幅度调制器2；
幅度调制器2，对信号光进行幅度调制；
相位调制器1，对信号光进行相位调制；
数据预处理中心1，位于信号发送端，对初始密钥进行分组操作和归一化操作；
可变衰减器，对调制后的信号光强度进行调整，产生需要的信号发送端调制方差；
起偏镜2，使本振光产生偏振，与信号光在偏振方向上分离；
延迟线1，产生定量延迟，在时间域上分离本振光和信号光，实现本振光和信号光时分复用；
偏振合束器，用于将调制的信号光和本振光耦合，将耦合后的光信号通过光纤信道传输；
所述传输信道包括：
光纤信道，对光信号产生衰减、色散效应，在光纤信道中传输时窃听者可能会对传输的光信号进行窃取或篡改；
经认证的经典信道，为传统电缆信道，且已保证信息在传输时只可被窃取而不可被篡改；
所述信号接收端包括：
偏振控制器1，用于对接收的光信号进行偏振补偿，使其入射到偏振分束器；
偏振分束器，分离接收到的光信中的信号光和本振光，并使信号光入射到延迟线2，本振光入射到相位调制器2；
延迟线2，对信号光进行延迟，以补偿在信号发送端延迟线造成的本振光的延迟，使信号接收端的信号光和本振光对齐；
相位调制器2，对本振光进行相位调制，以随机选择正交分量测量基；将相位调制后的本振光传输至偏振控制器2；
偏振控制器2，对相位调制器2输出的本振光进行偏振补偿；
50：50分束器，将信号光和本振光等比例混合，接着均分为两部分，送入零差检测器；
零差检测器，包括两个PIN型光电二极管和一个减法器，光电二极管用以将光信号转化为电流，减法器用以将两个支路的信号相减；
数据预处理中心2，位于信号接收端，对初始密钥进行分组操作和归一化操作；
人工神经网络模块，利用信号发送端发送来的经过分组和归一化操作之后的数据进行训练，对信号接收端本地初始数据和接收数据之间的关联掌握后，对信号发送端的全部数据进行预测；
数据终端，对人工神经网络模块预测出的全部数据进行数据合并和反归一化处理，最终获得信号发送端的全部密钥，并进行系统后处理过程中的参数估计、协商和隐私放大步骤，最终得出密钥率。
2.基于人工神经网络的高效连续变量量子密钥分发系统的实现方法，其特征在于，所述方法包括以下步骤：
步骤1：信号发送端发送激光，并将其调制为脉冲相干光序列，将脉冲相干光分为99％信号光和1％本振光；信号光进行偏振、幅度、相位调制使其加载有原始密钥信息，然后将其通过衰减发送至偏振合束器；本振光进行偏振、延时然后发送至偏振合束器；偏振合束器将调制的信号光和本振光耦合成一路信号后，发送至信号接收端；
步骤2：光纤信道将调制好的光信号传输至信号接收端；
步骤3：信号接收端对光信号偏振态调整，分离为信号光和本振光；本振光通过相位调制随机选择测量基，并通过修正之后送入分束器；信号光先进行延迟、相位补偿，并传输至分束器；分束器将信号光和本振光混合后均分为两路大小相同光信号，进行零差检测；
步骤4：完成零差检测后，将信号发送端持有的初始密钥随机序列X(x1，x2，…，xN)和信号接收端的随机序列Y(y1，y2，…，yN)进行分组和归一化处理；
步骤5：将分组和归一化处理信号发送端持有的初始密钥随机序列X(x1，x2，…，xN)和信号接收端的随机序列Y(y1，y2，…，yN)进行人工神经网络训练，进而得到信号发送端和信号接收端密钥的关系，进而实现信号接收端持有信号发送端的全部密钥；
步骤6：检测该方法密钥率。
3.根据权利要求2所述的基于人工神经网络的高效连续变量量子密钥分发系统的实现方法，其特征在于，所述步骤4中信号发送端和信号接收端的随机序列相互关联，称为初始密钥；在光纤信道中，yi＝txi+zi，其中，xi为信号发送端发送的第i个初始密钥，yi为信号接收端接收的第i个初始密钥，N是总的初始密钥数量，i＝1，2，...，N；t为信道传输损耗，zi为第i个信道高斯噪声。
4.根据权利要求2所述的基于人工神经网络的高效连续变量量子密钥分发系统的实现方法，其特征在于，所述步骤4中信号发送端持有的初始密钥随机序列和信号接收端的随机序列分组具体为：将信号发送端持有的初始密钥随机序列X(x1，x2，…，xN)和信号接收端的初始密钥随机序列Y(y1，y2，…，yN)划分为d维向量
和
即将初始密钥随机序列X和Y由一维行向量转换为m×d的矩阵，其中m为行数，d为列数，j表示第j行，m＝N/d，j＝1，2，…，m。
5.根据权利要求4所述的基于人工神经网络的高效连续变量量子密钥分发系统的实现方法，其特征在于，所述信号发送端持有的初始密钥随机序列X(x1，x2，…，xN)和信号接收端的随机序列进行归一化处理为：对信号发送端持有的初始密钥随机序列X(x1，x2，…，xN)和信号接收端的初始密钥随机序列Y(y1，y2，…，yN)划分为d维向量
和
进行归一化处理，即
其中，xj为信号发送端第j行的初始密钥元素，
为信号发送端归一化后第j行的初始密钥，
为信号发送端分组后第j行的初始密钥，||xj||为信号发送端第j行的初始密钥的模，且
6.根据权利要求2所述的基于人工神经网络的高效连续变量量子密钥分发系统的实现方法，其特征在于，所述步骤5具体为：将信号接收端初始密钥随机序列归一化后初始密钥元素
的前半部分
共m/2个元素作为神经人工神经网络的输入；信号发送端初始密钥随机序列归一化后初始密钥元素
的前半部分
共m/2个元素发送至信号接收端，信号接收端接收后将其作为人工神经网络的输出，对人工神经网络进行训练，得到
与
与
与
间的关系，记为
其中，
为人工神经网络第一个阶段训练预测得到的初始密钥；根据
和信号接收端初始密钥随机序列归一化后初始密钥元素
的后半部分
预测出信号发送端初始密钥随机序列归一化后初始密钥元素
的后半部分
在信号接收端得到全部向量
再将信号接收端第j行初始密钥元素的模||yj||的后半部分
作为人工神经网络的输入，将信号发送端第j行初始密钥元素的模||xj||的后半部分
由经认证的经典信道发送至信号接收端，信号接收端接收后将其作为人工神经网络的输出，对神经网络进行训练，得到
与
与||xm||之间的关系，记为Q(||yi||)＝||xi||，其中Q(||yi||)为人工神经网络第二个阶段训练预测得到的初始密钥；根据Q(||yi||)＝||xi||和信号接收端第j行初始密钥元素的模||yj||的前半部分
预测出信号发送端第j行初始密钥元素的模||xj||的后半部分
在信号接收端得到全部的||xj||；
信号接收端利用
计算出所有的分组后第j行的初始密钥元素
并将其还原为一维随机序列X(x1，x2，…，xN)，则信号接收端持有了信号发送端的全部密钥。
7.根据权利要求2所述的基于人工神经网络的高效连续变量量子密钥分发系统的实现方法，其特征在于，所述步骤6的密钥率为：
其中，n是人工神经网络准确预测的初始密钥的数量；N是总的初始密钥数量；β是连续变量量子密钥分发方法中协商步骤的效率；Δ(n)是和隐私放大步骤安全性相关的系数，且
I(x:y)是信号发送端和信号接收端的互信息量，其中x和y分别为信号发送端和信号接收端，因采用的是零差检测，故I(x:y)写为Ihom(x:y)，且
其中，Vel为信号接收端检测器电噪声；ξ为过量噪声；η为信号接收端检测器效率；VA为信号发送端调制方差；T为信道透射比；∈PE是参数估计失败的概率，且有：
其中，
是误差函数，
是在参数估计失败的概率为∈PE的情况下，置信区间的大小；
其中，p为连续变量量子密钥分发方法的协方差矩阵的特征值的个数，λq是第q个特征值；上式中，
且有：
λ5＝1
式中，A、B、C和D均为中间参数，且有：
其中，V为连续变量量子密钥分发方法中EPR态的方差，且V＝VA+1；
Tmin为信道透射比T的最小值，且有
信道传输损耗
η为信号接收端检测器效率；tmin为信道传输损耗t的最小值，且有
其中，
是信道传输损耗t的最大似然估计，且
其中，xi为信号发送端的第i个初始密钥，yi为信号接收端的第i个初始密钥，N为初始密钥总数，i＝1，2，...，N；
χline是信道附加噪声，且χline＝1/Tmin-1+ξ，其中，ξ为过量噪声；
χhom是检测附加噪声，且χhom＝[(1-η)+Vel]/η，其中，η为信号接收端检测器效率；
χtot是信道总噪声，且χtot＝χline+χhom/Tmin。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110932049.0A CN113472536B (zh) | 2021-08-13 | 2021-08-13 | 基于人工神经网络的高效连续变量量子密钥分发系统及其实现方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110932049.0A CN113472536B (zh) | 2021-08-13 | 2021-08-13 | 基于人工神经网络的高效连续变量量子密钥分发系统及其实现方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113472536A true CN113472536A (zh) | 2021-10-01 |
| CN113472536B CN113472536B (zh) | 2022-04-15 |
Family
ID=77866584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110932049.0A Active CN113472536B (zh) | 2021-08-13 | 2021-08-13 | 基于人工神经网络的高效连续变量量子密钥分发系统及其实现方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113472536B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114221758A (zh) * | 2021-11-29 | 2022-03-22 | 湖南大学 | 一种往返式双相位调制的量子密钥共享系统及方法 |
| CN114867013A (zh) * | 2022-04-21 | 2022-08-05 | 中国电信股份有限公司 | 密钥生成方法、装置、电子设备及存储介质 |
| CN114912608A (zh) * | 2022-05-16 | 2022-08-16 | 南京邮电大学 | 一种适用于双场量子密钥分发系统的全局相位跟踪预测方法 |
| CN115118418A (zh) * | 2022-07-06 | 2022-09-27 | 北京邮电大学 | 一种基于锁频技术的本地本振连续变量量子密钥分发系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011002276A1 (en) * | 2009-06-29 | 2011-01-06 | Mimos Berhad | Quantum key distribution in terms of the greenberger-horne-zeilinger state - multi-key generation |
| CN111970280A (zh) * | 2020-08-18 | 2020-11-20 | 中南大学 | 连续变量量子密钥分发系统的攻击检测方法 |
| CN112929160A (zh) * | 2021-01-22 | 2021-06-08 | 西安电子科技大学 | 即插即用参考系和测量设备无关量子密钥分发系统及方法 |
-
2021
- 2021-08-13 CN CN202110932049.0A patent/CN113472536B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011002276A1 (en) * | 2009-06-29 | 2011-01-06 | Mimos Berhad | Quantum key distribution in terms of the greenberger-horne-zeilinger state - multi-key generation |
| CN111970280A (zh) * | 2020-08-18 | 2020-11-20 | 中南大学 | 连续变量量子密钥分发系统的攻击检测方法 |
| CN112929160A (zh) * | 2021-01-22 | 2021-06-08 | 西安电子科技大学 | 即插即用参考系和测量设备无关量子密钥分发系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王琴: "机器学习在量子保密通信中的应用与研究", 《南京邮电大学学报( 自然科学版)》 * |
| 钟海 等: "基于光前置放大器的量子密钥分发融合经典通信方案", 《物理学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114221758A (zh) * | 2021-11-29 | 2022-03-22 | 湖南大学 | 一种往返式双相位调制的量子密钥共享系统及方法 |
| CN114867013A (zh) * | 2022-04-21 | 2022-08-05 | 中国电信股份有限公司 | 密钥生成方法、装置、电子设备及存储介质 |
| CN114867013B (zh) * | 2022-04-21 | 2024-03-29 | 中国电信股份有限公司 | 密钥生成方法、装置、电子设备及存储介质 |
| CN114912608A (zh) * | 2022-05-16 | 2022-08-16 | 南京邮电大学 | 一种适用于双场量子密钥分发系统的全局相位跟踪预测方法 |
| CN115118418A (zh) * | 2022-07-06 | 2022-09-27 | 北京邮电大学 | 一种基于锁频技术的本地本振连续变量量子密钥分发系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113472536B (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113472536B (zh) | 基于人工神经网络的高效连续变量量子密钥分发系统及其实现方法 | |
| CN108365953B (zh) | 基于深度神经网络的自适应差分相移量子密钥分发系统及其实现方法 | |
| US20220029798A1 (en) | Oam measurement device independent quantum key distribution system based on real-time tracking compensation and method thereof | |
| CN106788706B (zh) | 可抵御实际攻击的连续变量量子密钥分发方法 | |
| CN107682144B (zh) | 基于双相位调制和数据后处理的连续变量密钥分发方法 | |
| Kashi et al. | Fiber nonlinear noise-to-signal ratio monitoring using artificial neural networks | |
| CN107947929B (zh) | 基于k-近邻处理的连续变量量子密钥分发系统及实现方法 | |
| CN112511300B (zh) | 基于差分相移的连续变量量子密钥分发系统及方法 | |
| CN105141376A (zh) | 一种cvqkd系统及其散粒噪声方差的实时监测方法 | |
| CN108141288A (zh) | 具有增强安全性的高速通信系统和方法 | |
| CN114374441B (zh) | 一种免疫信道扰动的量子密钥分发相位解码装置 | |
| Li et al. | Increasing system tolerance to turbulence in a 100-Gbit/s QPSK free-space optical link using both mode and space diversity | |
| Tan et al. | Chip-based quantum key distribution against trojan-horse attack | |
| Feng et al. | Intelligent optical performance monitoring based on intensity and differential-phase features for digital coherent receivers | |
| CN113452523B (zh) | 针对连续变量量子密钥分发过程的异常通信检测方法 | |
| Ji et al. | Design and investigation of 10 Gb/s FSO wiretap channel using OCDMA time-diversity reception | |
| CN112929163B (zh) | 测量装置无关的连续变量量子密钥分发方法及系统 | |
| Kim et al. | Modulation format identification of square and non-square M-QAM signals based on amplitude variance and OSNR | |
| US11777612B2 (en) | Method for nonlinear compensation of coherent high-capacity high-order qam system | |
| CN113992323B (zh) | 一种基于芯片的测量设备无关量子密钥分发系统及方法 | |
| CN209517161U (zh) | 一种量子通信与量子时频传输的融合网络系统 | |
| Yang et al. | A novel nonlinear noise power estimation method based on error vector correlation function using artificial neural networks for coherent optical fiber transmission systems | |
| CN217135504U (zh) | 一种自适应压缩态光信号产生装置 | |
| CN115361118A (zh) | 具有损耗容忍的参考系和测量设备无关量子密钥分发方法 | |
| Ahmed et al. | Security analysis of gaussian and discrete modulations in fso/cv-qkd systems employing llo under phase and amplitude attacks |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231017 Address after: Room 415, 4th Floor, Building A1, No. 2 Courtyard of Shaoyaoju, Chaoyang District, Beijing, 100020 Patentee after: Guoke Blue Shield (Beijing) Technology Co.,Ltd. Address before: 410083 zuojialong, Yuelu Mountain, Yuelu District, Changsha City, Hunan Province Patentee before: CENTRAL SOUTH University |
|
| TR01 | Transfer of patent right |