CN113472536B - 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 PDF

Info

Publication number
CN113472536B
CN113472536B CN202110932049.0A CN202110932049A CN113472536B CN 113472536 B CN113472536 B CN 113472536B CN 202110932049 A CN202110932049 A CN 202110932049A CN 113472536 B CN113472536 B CN 113472536B
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.)
Active
Application number
CN202110932049.0A
Other languages
English (en)
Other versions
CN113472536A (zh
Inventor
史文昊
罗浩
黎胤
邓晗
毛堉昊
王一军
郭迎
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.)
Guoke Blue Shield Beijing Technology Co ltd
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202110932049.0A priority Critical patent/CN113472536B/zh
Publication of CN113472536A publication Critical patent/CN113472536A/zh
Application granted granted Critical
Publication of CN113472536B publication Critical patent/CN113472536B/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
    • 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

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
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
Figure BDA0003211377040000041
和
Figure BDA0003211377040000042
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
Figure BDA0003211377040000043
和
Figure BDA0003211377040000044
进行归一化处理，即
Figure BDA0003211377040000045
其中，xj为信号发送端的第j行的初始密钥元素，
Figure BDA0003211377040000046
为信号发送端的归一化后第j行的初始密钥，
Figure BDA0003211377040000047
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
Figure BDA0003211377040000048
Figure BDA0003211377040000049
其中，yj为信号接收端第j行的初始密钥，
Figure BDA00032113770400000410
为信号接收端归一化后第j行的初始密钥，
Figure BDA00032113770400000411
为信号接收端分组之后第j行初始密钥，||yj||为信号接收端第j行初始密钥的模，且
Figure BDA00032113770400000412
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
Figure BDA00032113770400000413
的前半部分
Figure BDA00032113770400000414
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
Figure BDA00032113770400000415
的前半部分
Figure BDA00032113770400000416
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
Figure BDA00032113770400000417
与
Figure BDA00032113770400000418
与
Figure BDA00032113770400000419
与
Figure BDA00032113770400000420
间的关系，记为
Figure BDA00032113770400000421
其中，
Figure BDA00032113770400000422
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
Figure BDA00032113770400000423
和信号接收端初始密钥随机序列归一化后初始密钥元素
Figure BDA0003211377040000051
的后半部分
Figure BDA0003211377040000052
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
Figure BDA0003211377040000053
的后半部分
Figure BDA0003211377040000054
在信号接收端得到全部向量
Figure BDA0003211377040000055
再将信号接收端第j行初始密钥元素的模||yj||的后半部分
Figure BDA0003211377040000056
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
Figure BDA0003211377040000057
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
Figure BDA0003211377040000058
与
Figure BDA0003211377040000059
与
Figure BDA00032113770400000510
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
Figure BDA00032113770400000511
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
Figure BDA00032113770400000512
在信号接收端得到全部的||xj||；
信号接收端利用
Figure BDA00032113770400000513
计算出所有的分组后第j行的初始密钥元素
Figure BDA00032113770400000514
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：
Figure BDA00032113770400000515
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
Figure BDA00032113770400000516
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
Figure BDA0003211377040000061
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：
Figure BDA0003211377040000062
其中，
Figure BDA0003211377040000063
是误差函数，
Figure BDA0003211377040000064
是在参数估计失败的概率为∈PE的情况下，置信区间的大小；
Figure BDA0003211377040000065
为窃听者能从信号接收端处窃听到的信息的最大值，其中，y为信号接收端，E为窃听者，且
Figure BDA0003211377040000066
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，
Figure BDA0003211377040000067
且有：
Figure BDA0003211377040000068
Figure BDA0003211377040000069
λ5＝1
式中，A、B、C和D均为中间参数，且有：
Figure BDA00032113770400000610
Figure BDA00032113770400000611
Figure BDA00032113770400000612
Figure BDA0003211377040000071
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
Figure BDA0003211377040000072
信道传输损耗
Figure BDA0003211377040000073
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
Figure BDA0003211377040000074
其中，
Figure BDA0003211377040000075
是信道传输损耗t的最大似然估计，且
Figure BDA0003211377040000076
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；
Figure BDA0003211377040000077
是信道高斯噪声的方差σ2的最大似然估计，σ2为信道高斯噪声zi的方差，且σ2＝N0+ηTξ+Vel，其中，N0为散弹噪声方差；
Figure BDA0003211377040000078
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
Figure BDA0003211377040000111
和
Figure BDA0003211377040000112
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
Figure BDA0003211377040000121
其中，xj为信号发送端的第j行的初始密钥元素，
Figure BDA0003211377040000122
为信号发送端的归一化后第j行的初始密钥，
Figure BDA0003211377040000123
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
Figure BDA0003211377040000124
Figure BDA0003211377040000125
其中，yj为信号接收端第j行的初始密钥，
Figure BDA0003211377040000126
为信号接收端归一化后第j行的初始密钥，
Figure BDA0003211377040000127
为信号接收端分组之后第j行初始密钥，||yj||为信号接收端第j行初始密钥的模，且
Figure BDA0003211377040000128
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
Figure BDA0003211377040000129
的前半部分
Figure BDA00032113770400001210
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
Figure BDA00032113770400001211
的前半部分
Figure BDA00032113770400001212
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
Figure BDA00032113770400001213
与
Figure BDA00032113770400001214
与
Figure BDA00032113770400001215
与
Figure BDA00032113770400001216
间的关系，记为
Figure BDA00032113770400001217
其中，
Figure BDA00032113770400001218
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
Figure BDA00032113770400001219
和信号接收端初始密钥随机序列归一化后初始密钥元素
Figure BDA00032113770400001220
的后半部分
Figure BDA00032113770400001221
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
Figure BDA00032113770400001222
的后半部分
Figure BDA00032113770400001223
在信号接收端得到全部向量
Figure BDA00032113770400001224
信号接收端第j行初始密钥元素的模||yj||的后半部分
Figure BDA00032113770400001225
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
Figure BDA00032113770400001226
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
Figure BDA0003211377040000131
与
Figure BDA0003211377040000132
与
Figure BDA0003211377040000133
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
Figure BDA0003211377040000134
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
Figure BDA0003211377040000135
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
Figure BDA0003211377040000136
计算出所有的分组后第j行的初始密钥元素
Figure BDA0003211377040000137
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：
Figure BDA0003211377040000138
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：
Figure BDA0003211377040000141
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
Figure BDA0003211377040000142
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
Figure BDA0003211377040000143
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：
Figure BDA0003211377040000144
其中，
Figure BDA0003211377040000145
是误差函数，
Figure BDA0003211377040000146
是在参数估计失败的概率为∈PE的情况下，置信区间的大小。
Figure BDA0003211377040000147
为窃听者能从信号接收端处窃听到的信息的最大值，其中，y为信号接收端，E为窃听者，且
Figure BDA0003211377040000148
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，
Figure BDA0003211377040000149
且有：
Figure BDA00032113770400001410
Figure BDA00032113770400001411
λ5＝1
式中，A、B、C和D均为中间参数，且有：
Figure BDA0003211377040000151
Figure BDA0003211377040000152
Figure BDA0003211377040000153
Figure BDA0003211377040000154
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
Figure BDA0003211377040000155
信道传输损耗
Figure BDA0003211377040000156
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
Figure BDA0003211377040000157
其中，
Figure BDA0003211377040000158
是信道传输损耗t的最大似然估计，且
Figure BDA0003211377040000159
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；
Figure BDA00032113770400001510
是信道高斯噪声的方差σ2的最大似然估计，σ2为信道高斯噪声zi的方差，且σ2＝N0+ηTξ+Vel，其中，N0为散弹噪声方差；
Figure BDA00032113770400001511
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
Figure BDA00032113770400001512
Figure BDA00032113770400001513
为信道高斯噪声的方差σ2的最大值，且有：
Figure BDA0003211377040000161
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
Figure BDA0003211377040000171
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，向信号接收端发送；
步骤2：接着通过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
Figure 358347DEST_PATH_IMAGE001
和信号接收端的随机序列
Figure 524886DEST_PATH_IMAGE002
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
Figure 258224DEST_PATH_IMAGE001
和信号接收端的随机序列
Figure 117596DEST_PATH_IMAGE002
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，
Figure 539481DEST_PATH_IMAGE003
，其中，
Figure 712974DEST_PATH_IMAGE004
为信号发送端发送的第
Figure 38169DEST_PATH_IMAGE005
个初始密钥，
Figure 68442DEST_PATH_IMAGE006
为信号接收端接收的第
Figure 243203DEST_PATH_IMAGE005
个初始密钥，
Figure 17123DEST_PATH_IMAGE007
是总的初始密钥数量，
Figure 193896DEST_PATH_IMAGE008
；
Figure 598332DEST_PATH_IMAGE009
为信道传输损耗，
Figure 791547DEST_PATH_IMAGE010
为第
Figure 572422DEST_PATH_IMAGE005
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
Figure 354433DEST_PATH_IMAGE001
和信号接收端的初始密钥随机序列
Figure 787162DEST_PATH_IMAGE002
划分为
Figure 202094DEST_PATH_IMAGE011
维向量
Figure 98243DEST_PATH_IMAGE012
和
Figure 734761DEST_PATH_IMAGE013
；即将初始密钥随机序列
Figure 28470DEST_PATH_IMAGE014
和
Figure 445545DEST_PATH_IMAGE015
由一维行向量转换为
Figure 351578DEST_PATH_IMAGE016
的矩阵，其中
Figure 108181DEST_PATH_IMAGE017
为行数，
Figure 41633DEST_PATH_IMAGE011
为列数，
Figure 680425DEST_PATH_IMAGE018
表示第
Figure 590481DEST_PATH_IMAGE018
行，
Figure 467170DEST_PATH_IMAGE019
。
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
Figure 899420DEST_PATH_IMAGE001
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
Figure 228770DEST_PATH_IMAGE001
和信号接收端的初始密钥随机序列
Figure 742184DEST_PATH_IMAGE002
划分为
Figure 676642DEST_PATH_IMAGE011
维向量
Figure 483055DEST_PATH_IMAGE012
和
Figure 299702DEST_PATH_IMAGE013
进行归一化处理，即
Figure 613877DEST_PATH_IMAGE020
，其中，
Figure 199579DEST_PATH_IMAGE021
为信号发送端第
Figure 442473DEST_PATH_IMAGE018
行的初始密钥元素，
Figure 949678DEST_PATH_IMAGE022
为信号发送端归一化后第
Figure 287118DEST_PATH_IMAGE018
行的初始密钥，
Figure 245103DEST_PATH_IMAGE012
为信号发送端分组后第
Figure 908166DEST_PATH_IMAGE018
行的初始密钥，
Figure 512453DEST_PATH_IMAGE023
为信号发送端第
Figure 902852DEST_PATH_IMAGE018
行的初始密钥的模，且
Figure 463147DEST_PATH_IMAGE024
；
Figure 782264DEST_PATH_IMAGE025
，其中，
Figure 795219DEST_PATH_IMAGE026
为信号接收端第
Figure 980520DEST_PATH_IMAGE018
行的初始密钥，
Figure 395321DEST_PATH_IMAGE027
为信号接收端归一化后第
Figure 150918DEST_PATH_IMAGE018
行的初始密钥，
Figure 916749DEST_PATH_IMAGE013
为信号接收端分组之后第
Figure 648950DEST_PATH_IMAGE018
行初始密钥，
Figure 387099DEST_PATH_IMAGE028
为信号接收端第
Figure 579177DEST_PATH_IMAGE018
行初始密钥的模，且
Figure 769987DEST_PATH_IMAGE029
。
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
Figure 525454DEST_PATH_IMAGE027
的前半部分
Figure 901465DEST_PATH_IMAGE030
共
Figure 716974DEST_PATH_IMAGE031
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
Figure 457397DEST_PATH_IMAGE022
的前半部分
Figure 501707DEST_PATH_IMAGE032
共
Figure 276765DEST_PATH_IMAGE031
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
Figure 105919DEST_PATH_IMAGE033
间的关系，记为
Figure 818791DEST_PATH_IMAGE034
，其中，
Figure 181639DEST_PATH_IMAGE035
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
Figure 328980DEST_PATH_IMAGE034
和信号接收端初始密钥随机序列归一化后初始密钥元素
Figure 502604DEST_PATH_IMAGE027
的后半部分
Figure 952040DEST_PATH_IMAGE036
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
Figure 633425DEST_PATH_IMAGE022
的后半部分
Figure 586338DEST_PATH_IMAGE037
，在信号接收端得到全部向量
Figure 196442DEST_PATH_IMAGE022
；
再将信号接收端第
Figure 867595DEST_PATH_IMAGE018
行初始密钥元素的模
Figure 355601DEST_PATH_IMAGE038
的后半部分
Figure 428600DEST_PATH_IMAGE039
作为人工神经网络的输入，将信号发送端第
Figure 209605DEST_PATH_IMAGE018
行初始密钥元素的模
Figure 368054DEST_PATH_IMAGE023
的后半部分
Figure 391242DEST_PATH_IMAGE040
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
Figure 318747DEST_PATH_IMAGE041
之间的关系，记为
Figure 270654DEST_PATH_IMAGE042
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
Figure 181978DEST_PATH_IMAGE043
和信号接收端第
Figure 697273DEST_PATH_IMAGE018
行初始密钥元素的模
Figure 274358DEST_PATH_IMAGE028
的前半部分
Figure 849696DEST_PATH_IMAGE044
预测出信号发送端第
Figure 451579DEST_PATH_IMAGE018
行初始密钥元素的模
Figure 583614DEST_PATH_IMAGE023
的后半部分
Figure 688973DEST_PATH_IMAGE045
，在信号接收端得到全部的
Figure 746797DEST_PATH_IMAGE023
；
信号接收端利用
Figure 304817DEST_PATH_IMAGE046
计算出所有的分组后第
Figure 489811DEST_PATH_IMAGE018
行的初始密钥元素
Figure 200409DEST_PATH_IMAGE012
，并将其还原为一维随机序列
Figure 179866DEST_PATH_IMAGE001
，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：
Figure 756341DEST_PATH_IMAGE047
其中，
Figure 466065DEST_PATH_IMAGE048
是人工神经网络准确预测的初始密钥的数量；
Figure 280437DEST_PATH_IMAGE007
是总的初始密钥数量；
Figure 712686DEST_PATH_IMAGE049
是连续变量量子密钥分发方法中协商步骤的效率；
Figure 42037DEST_PATH_IMAGE050
是和隐私放大步骤安全性相关的系数，且
Figure 552521DEST_PATH_IMAGE051
；
Figure 565608DEST_PATH_IMAGE052
是信号发送端和信号接收端的互信息量，其中
Figure 886868DEST_PATH_IMAGE053
和
Figure 690132DEST_PATH_IMAGE054
分别为信号发送端和信号接收端，因采用的是零差检测，故
Figure 489461DEST_PATH_IMAGE055
，且
Figure 825895DEST_PATH_IMAGE056
，其中，
Figure 318056DEST_PATH_IMAGE057
为信号接收端检测器电噪声；
Figure 605687DEST_PATH_IMAGE058
为过量噪声；
Figure 208707DEST_PATH_IMAGE059
为信号接收端检测器效率；
Figure 196386DEST_PATH_IMAGE060
为信号发送端调制方差；
Figure 593869DEST_PATH_IMAGE061
为信道透射比；
Figure 637305DEST_PATH_IMAGE062
是参数估计失败的概率，且有：
Figure 44015DEST_PATH_IMAGE063
其中，
Figure 558304DEST_PATH_IMAGE064
是误差函数，
Figure 657847DEST_PATH_IMAGE065
是在参数估计失败的概率为
Figure 451229DEST_PATH_IMAGE062
的情况下，置信区间的大小；
Figure 396051DEST_PATH_IMAGE066
为窃听者能从信号接收端处窃听到的信息的最大值，其中，
Figure 764847DEST_PATH_IMAGE054
为信号接收端，
Figure 35291DEST_PATH_IMAGE067
为窃听者，且
Figure 4384DEST_PATH_IMAGE068
其中，
Figure 931059DEST_PATH_IMAGE069
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，
Figure 731524DEST_PATH_IMAGE070
是第
Figure 844974DEST_PATH_IMAGE071
个特征值；上式中，
Figure 848833DEST_PATH_IMAGE072
，且有：
Figure 338720DEST_PATH_IMAGE073
Figure 242960DEST_PATH_IMAGE074
Figure 792890DEST_PATH_IMAGE075
式中，A、B、C和D均为中间参数，且有：
Figure 533313DEST_PATH_IMAGE076
其中，
Figure 312044DEST_PATH_IMAGE077
为连续变量量子密钥分发方法中EPR态的方差，且
Figure 24785DEST_PATH_IMAGE078
；
Figure 542354DEST_PATH_IMAGE079
为信道透射比
Figure 225533DEST_PATH_IMAGE080
的最小值，且有
Figure 119540DEST_PATH_IMAGE081
，信道传输损耗
Figure 421208DEST_PATH_IMAGE082
，
Figure 860411DEST_PATH_IMAGE059
为信号接收端检测器效率；
Figure 778688DEST_PATH_IMAGE083
为信道传输损耗
Figure 194495DEST_PATH_IMAGE009
的最小值，且有
Figure 678566DEST_PATH_IMAGE084
其中，
Figure 741200DEST_PATH_IMAGE085
是信道传输损耗
Figure 428664DEST_PATH_IMAGE086
的最大似然估计，且
Figure 133315DEST_PATH_IMAGE087
，其中，
Figure 409576DEST_PATH_IMAGE004
为信号发送端的第
Figure 957625DEST_PATH_IMAGE089
个初始密钥，
Figure 319336DEST_PATH_IMAGE006
为信号接收端的第
Figure 578410DEST_PATH_IMAGE089
个初始密钥，
Figure 771494DEST_PATH_IMAGE007
为初始密钥总数，
Figure 487515DEST_PATH_IMAGE008
；
Figure 133260DEST_PATH_IMAGE090
是信道高斯噪声的方差
Figure 196025DEST_PATH_IMAGE091
的最大似然估计，
Figure 243616DEST_PATH_IMAGE091
为信道高斯噪声
Figure 867889DEST_PATH_IMAGE010
的方差，且
Figure 930DEST_PATH_IMAGE092
，其中，
Figure 867386DEST_PATH_IMAGE093
为散弹噪声方差；
Figure 769483DEST_PATH_IMAGE094
，
Figure 561727DEST_PATH_IMAGE095
是信道附加噪声，且
Figure 916485DEST_PATH_IMAGE096
，其中，
Figure 586632DEST_PATH_IMAGE097
为过量噪声；
Figure 343235DEST_PATH_IMAGE098
是检测附加噪声，且
Figure 867950DEST_PATH_IMAGE099
，其中，
Figure 975583DEST_PATH_IMAGE059
为信号接收端检测器效率；
Figure 980580DEST_PATH_IMAGE100
是信道总噪声，且
Figure DEST_PATH_IMAGE101
。
CN202110932049.0A 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 Active CN113472536B (zh)

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 CN113472536A (zh) 2021-10-01
CN113472536B true 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)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
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
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
CN114912608B (zh) * 2022-05-16 2023-04-07 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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Title
基于光前置放大器的量子密钥分发融合经典通信方案;钟海 等;《物理学报》;20210120;全文 *
机器学习在量子保密通信中的应用与研究;王琴;《南京邮电大学学报( 自然科学版)》;20201030;全文 *

Also Published As

Publication number Publication date
CN113472536A (zh) 2021-10-01

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
CN111970279B (zh) 连续变量量子密钥分发攻击检测方法及其检测系统
CN111130779B (zh) 一种实时跟踪补偿的oam纠缠调制密钥分发网络系统和方法
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
Amhoud et al. A unified statistical model for atmospheric turbulence-induced fading in orbital angular momentum multiplexed FSO systems
CN108141288A (zh) 具有增强安全性的高速通信系统和方法
CN105141376A (zh) 一种cvqkd系统及其散粒噪声方差的实时监测方法
Li et al. Increasing system tolerance to turbulence in a 100-Gbit/s QPSK free-space optical link using both mode and space diversity
CN114374441B (zh) 一种免疫信道扰动的量子密钥分发相位解码装置
Zhao et al. Performance analysis of d-dimensional quantum cryptography under state-dependent diffraction
Tan et al. Chip-based quantum key distribution against trojan-horse attack
Hosseinidehaj et al. CV-MDI quantum key distribution via satellite
Ji et al. Design and investigation of 10 Gb/s FSO wiretap channel using OCDMA time-diversity reception
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
Liang et al. Bayesian parameter estimation for continuous-variable quantum key distribution
CN112929163B (zh) 测量装置无关的连续变量量子密钥分发方法及系统
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
Shahkarami et al. Efficient deep learning of nonlinear fiber-optic communications using a convolutional recurrent neural network
Zhang et al. Deeponet-based waveform-level simulation for a wideband nonlinear wdm system
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

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