CN115529124A - 基于lgbm的离散调制cv-qkd协议码率预测方法 - Google Patents
基于lgbm的离散调制cv-qkd协议码率预测方法 Download PDFInfo
- Publication number
- CN115529124A CN115529124A CN202110709999.7A CN202110709999A CN115529124A CN 115529124 A CN115529124 A CN 115529124A CN 202110709999 A CN202110709999 A CN 202110709999A CN 115529124 A CN115529124 A CN 115529124A
- Authority
- CN
- China
- Prior art keywords
- lgbm
- code rate
- network
- data
- training
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 230000006854 communication Effects 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims abstract description 12
- 238000002474 experimental method Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 8
- 230000001427 coherent effect Effects 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening 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
- H04L9/0858—Details about key distillation or coding, e.g. reconciliation, error correction, privacy amplification, polarisation coding or phase coding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/60—Receivers
- H04B10/61—Coherent receivers
- H04B10/63—Homodyne, i.e. coherent receivers where the local oscillator is locked in frequency and phase to the carrier signal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/60—Receivers
- H04B10/61—Coherent receivers
- H04B10/64—Heterodyne, i.e. coherent receivers where, after the opto-electronic conversion, an electrical signal at an intermediate frequency [IF] is obtained
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/70—Photonic quantum communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于LGBM的离散调制CV‑QKD协议码率预测方法,包括:根据离散调制CV‑QKD协议,使用光强、传输距离、额外噪声这三个参数计算出训练集的数据;将训练集数据中一部分数据作为测试集;使用训练集对LGBM网络进行训练;然后采用测试集的数据对LGBM网络进行测试,测试得到预测的码率值,当预测的码率值与标签相差超过0.1的测试数据占测试集数据的比例小于等于百分之十,则LGBM网络训练完成;将训练好的LGBM网络用于实际模拟过程,实验测出参数后,进行输入LGBM网络,得到码率对应的结果。本发明提高了协议在实际应用中的可行性和实用性,码率误差完全满足通讯要求且量子通信的无条件安全也得到了保证。
Description
技术领域
本发明涉及离散调制CV-QKD(连续变量量子密钥分发)技术领域,具体涉及基于LGBM的离散调制CV-QKD协议码率预测方法。
背景技术
在离散调制CV-QKD计算码率的过程中,需要保证计算出来的码率符合无条件安全性的要求。现有技术PhysRevX.9.041064这篇论文中,提到了一种采用凸优化算法进行码率计算的方案,虽然保证了离散调制CV-QKD的无条件安全性要求,但是推广到实际应用情况下存在以下两点问题:(1)在2.3主频的CPU服务器上搜索一个码率值用时在四秒钟上下,如果需要投入实用,这个计算时间远远超出了通信需求下的时间窗口。举例来说,超出时间窗口是指如果接收到实验参数的时间为零点五秒一组,在下一个零点五秒到来之前,前一组的码率我们就要计算得到结果,而计算码率的平均用时为四秒钟,这样显然达不到实时通信的需求;(2)由于计算码率对于计算资源消耗太大,比如在手机,无人机,卫星等对于体量限制很多的终端平台上,我们很难搭载高性能的计算机来做码率的计算工作,而可以允许搭载的计算机又远远达不到采用现有技术方案计算码率的强算力需求,使得码率计算程序根本无法在这些小型终端上运行起来。
发明内容
发明目的:本发明目的是提供一种基于LGBM的离散调制CV-QKD协议码率预测方法,解决了现有的码率计算的方案遇到的困难,现有方案保证了离散调制CV-QKD的无条件安全性要求,但是其平均耗时太长,对于计算资源消耗太大,无法达到在实际的远程通信过程中,需要在很短的时间窗口中完成码率的计算的要求。本发明采用了LGBM来预测离散调制CV-QKD协议的码率,训练完成的LGBM网络在预测码率时计算时间短,计算所须的硬件设施要求低。本发明提高了协议在实际应用中的可行性和实用性,码率误差完全满足通讯要求且量子通信的无条件安全也得到了保证。
技术方案:本发明一种基于LGBM的离散调制CV-QKD协议码率预测方法,包括以下步骤:
S1:根据离散调制CV-QKD协议,使用光强、传输距离、额外噪声这三个参数计算出训练集的数据;将训练集数据中一部分数据作为测试集;
S2:使用训练集对LGBM网络进行训练;
S3:然后采用测试集的数据对LGBM网络进行测试,测试得到预测的码率值,当预测的码率值与标签相差超过0.1的测试数据占测试集数据的比例小于等于百分之十,则LGBM网络训练完成,进行下一步;反之,重新进行S2;
S4:将训练好的LGBM网络用于实际模拟过程,实验测出参数后,进行输入LGBM网络,得到码率对应的结果。
进一步的,所述步骤S1中,训练集中一次训练的数据以及测试集中一次测试的数据均包括28个特征参数作为输入,一个标签作为输出。
进一步的,所述28个特征参数中16个来自于用光强、传输距离、额外噪声计算出来的对于半正定矩阵ρAB的约束,x取0到3,另外12个来源于半正定矩阵ρAB的非对角元;令为产生算子,为消灭算子, 分别代表作用在ρB x上的期望,ρB x表示发送端对ρAB做完|x><x|的测量后接收端的态,|x><x|是测到x对应的态的测量算符;x为0、1、2、3,其分别代表发送α,-α,iα,-iα四个相干态,α表示光的振幅,px表示发送相应光的概率。
进一步的,所述步骤S2中,LGBM网络的决策树数目设定为两棵,每棵树的叶子数设定为六片,树的深度设定为三层。
进一步的,所述步骤S2中,LGBM网络的损失函数采用平方误差函数。
本发明还提供上述基于LGBM的离散调制CV-QKD协议码率预测方法的系统,包括:
训练数据生成模块:用于产生训练对应离散调制CV-QKD协议的LGBM网络的训练集和测试集;
LGBM网络训练模块:用于训练并完善预测码率的LGBM网络,确保离散调制CV-QKD的无条件安全性得到保证;
码率预测模块:使用训练完成的LGBM网络在具体的通信或实验过程中预测离散调制CV-QKD协议的码率值。
本发明的有益效果:
(1)在保障了量子通讯无条件安全性的同时极大的加快了码率值的计算过程,使得原本平均用时为四秒钟一个点的计算效率增至一分钟可以得到上千个码率点,在离散调制CV-QKD协议的实用化过程里,码率计算不再作为通信效率的短板,实时量子通信也因此触手可及;
(2)可以在低能耗的小型计算设备上运行;在自由空间量子密钥分发的研究进程中,克服了计算设备算力不足的技术难关,使得离散调制CV-QKD技术有机会应用于小型移动终端,极大地增加了离散调制CV-QKD技术的适用性和商业价值。
附图说明
图1为本发明采用的LGBM网络设计示意图;
图2为零差测量实验装置示意图;
图3为外差测量实验装置示意图;
图4为本发明码率预测系统的示意图;
具体实施方式
下面结合附图和实施例对本发明做进一步描述:
如图1所示,本发明一种基于LGBM的离散调制CV-QKD协议码率预测方法,包括以下步骤:
S1:根据离散调制CV-QKD协议,使用光强、传输距离、额外噪声这三个参数计算出训练集的数据,其中光强参数在[0.35,0.6]随机取点,传输距离在0-200km之间每隔5km取点,额外噪声参数在[0.002,0.03]每隔0.001取点;将训练集数据中一部分数据作为测试集;训练集中一次训练的数据以及测试集中一次测试的数据均包括28个特征参数作为输入,一个标签作为输出;所述28个特征参数中16个来自于用光强、传输距离、额外噪声计算出来的对于半正定矩阵ρAB的约束,x取0到3,另外12个来源于半正定矩阵ρAB的非对角元。
在步骤S1中,该协议涉及两方,分别是发送端和接收端。发送端随机选择四个相干态之一制备,四个相干态可为{|α>,|-α>,|iα>,|-iα>},并通过一个不可信通道发给接收端。接收端使用零差探测或外差探测对接收到的相干态进行测量。两方再进行筛选、参数估计、纠错、隐私放大这一系列操作获得最终的安全密钥。
最终的码率公式写作:
ρAB是表示发送端与接收端共同的密度矩阵;D(ρ||σ)=Tr(ρlog2ρ)-Tr(ρlog2σ);表示对密度矩阵ρAB的后处理映射;Z是码率在量子信道的采样率;S对应实验观测的所有密度矩阵集合;ppass是选择因子,决定有多少轮的数据用于生成密钥;δEC代表纠错过程中每比特的信息漏洞。
Tr[ρAB]=1
ρAB≥0
在上面的七个约束中,x∈{0,1,2,3};令为产生算子,为消灭算子, 分别代表作用在ρB x上的期望。表示发送端对ρAB做完|x><x|的测量后接收端的态,idB是对接收端做归一化操作;x为0、1、2、3,其分别代表发送α,-α,iα,-iα四个相干态,α表示光的振幅,px表示发送相应光的概率。
前四个约束是基于实验观测的,第五和第七个约束是作为密度矩阵必须满足的,第六个约束来源于发送端的态,因为没有经过不可信的量子信道而未作改变。前四个约束对应着x的所有取值就得到了16个参数;第六个约束中有16个矩阵元的等式,就此又得到16个参数;第五和第七个约束各贡献一个参数。
但是这34个参数并不是全部作为特征输入LGBM网络,最终只有28个参数作为LGBM网络的特征输入。此外,我们用来生成训练集和测试集的方法也不是实验观测,而是使用光强、传输距离、额外噪声计算出的(x取0到3)作为对于半正定矩阵ρAB的约束,这对应着16个特征参数输入;另外12个来源于半正定矩阵ρAB的非对角元,可以直接由光强计算得到。
S2:使用训练集对LGBM网络进行训练;训练的过程采用现有的技术,具体为:调用微软的LGBM算法包,然后输入训练集数据进行训练;
其中,LGBM网络的决策树数目设定为两棵,每棵树的叶子数设定为六片,树的深度设定为三层;LGBM网络的损失函数采用平方误差函数;
S3:然后采用测试集的数据对LGBM网络进行测试,测试得到预测的码率值,当预测的码率值与标签相差超过0.1的测试数据占测试集数据的比例小于等于百分之十,则LGBM网络训练完成,进行下一步;反之,重新进行S2;
如图4所示,本发明还提供上述基于LGBM的离散调制CV-QKD协议码率预测方法的系统,包括:
训练数据生成模块:用于产生训练对应离散调制CV-QKD协议的LGBM网络的训练集和测试集;在实际通信的准备阶段由实验测得或是理论建模数值模拟得到对应实验条件下的数据,训练集中一次训练的数据以及测试集中一次测试的数据均包括28个特征参数作为输入,一个标签作为输出;
可采用零差探测离散调制CV-QKD协议;如图2,在接收端用分束器对本振光和信号光做干涉,得到的两路光信号用探测器检测,并将结果输入减法器。根据本振光和信号光之间的相对相位,减法器最终会得到正则动量p或正则坐标q。
使用现有技术方案的数值模拟手段产生用于训练LGBM网络的训练集和测试集。码率公式如下:
量子信道的采样率Z由投影算子得到:
LGBM网络训练模块:接收训练数据生成模块产生的训练集和测试集,然后采用这些数据用于训练并完善预测码率的LGBM网络,确保离散调制CV-QKD的无条件安全性得到保证;
离散调制CV-QKD协议计算码率所需的计算资源比较庞大计算时间比较漫长,如果有实时通信的需求,一种可以快速且对于计算资源要求低的新方法就十分的必要。在没有解析的方法提出之前,现有的数值计算方法里提升决策树模型是一个很好的加速计算减少消耗的方法。
决策树的数目设定为两棵;每棵树的叶子数设定为六片;树的深度设定为三层。
码率预测模块:使用LGBM网络训练模块训练完成的LGBM网络在具体的通信或实验过程中预测离散调制CV-QKD协议的码率值。
当然上述训练数据生成模块中采用的零差探测也可以改为现有的外差探测,如图3,信号光经过分束器分成两路;本振光同样也用分束器分成两路,并在一路加上pi/2的相位。两路信号光和本振光分别在两个分束器上进行干涉,得到的结果中,用加pi/2相位本振光与信号光干涉的记作ΔI2为正则动量,另一个记作ΔI1为正则坐标。
使用现有技术方案的数值模拟手段产生用于训练LGBM网络的训练集和测试集。码率公式如下:
Δa与Δp和后选择有关。
最后经过LGBM网络训练模块和码率预测模块,也可预测离散调制CV-QKD协议的码率值。
Claims (6)
1.一种基于LGBM的离散调制CV-QKD协议码率预测方法,其特征在于,包括以下步骤:
S1:根据离散调制CV-QKD协议,使用光强、传输距离、额外噪声这三个参数计算出训练集的数据;将训练集数据中一部分数据作为测试集;
S2:使用训练集对LGBM网络进行训练;
S3:然后采用测试集的数据对LGBM网络进行测试,测试得到预测的码率值,当预测的码率值与标签相差超过0.1的测试数据占测试集数据的比例小于等于百分之十,则LGBM网络训练完成,进行下一步;反之,重新进行S2;
S4:将训练好的LGBM网络用于实际模拟过程,实验测出参数后,进行输入LGBM网络,得到码率对应的结果。
2.根据权利要求1所述的基于LGBM的离散调制CV-QKD协议码率预测方法,其特征在于:所述步骤S1中,训练集中一次训练的数据以及测试集中一次测试的数据均包括28个特征参数作为输入,一个标签作为输出。
4.根据权利要求1所述的基于LGBM的离散调制CV-QKD协议码率预测方法,其特征在于:所述步骤S2中,LGBM网络的决策树数目设定为两棵,每棵树的叶子数设定为六片,树的深度设定为三层。
5.根据权利要求1所述的基于LGBM的离散调制CV-QKD协议码率预测方法,其特征在于:所述步骤S2中,LGBM网络的损失函数采用平方误差函数。
6.一种实现如权利要求1-5任何一项所述的基于LGBM的离散调制CV-QKD协议码率预测方法的系统,其特征在于,包括:
训练数据生成模块:用于产生训练对应离散调制CV-QKD协议的LGBM网络的训练集和测试集;
LGBM网络训练模块:用于训练并完善预测码率的LGBM网络,确保离散调制CV-QKD的无条件安全性得到保证;
码率预测模块:使用训练完成的LGBM网络在具体的通信或实验过程中预测离散调制CV-QKD协议的码率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110709999.7A CN115529124A (zh) | 2021-06-25 | 2021-06-25 | 基于lgbm的离散调制cv-qkd协议码率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110709999.7A CN115529124A (zh) | 2021-06-25 | 2021-06-25 | 基于lgbm的离散调制cv-qkd协议码率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115529124A true CN115529124A (zh) | 2022-12-27 |
Family
ID=84694102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110709999.7A Pending CN115529124A (zh) | 2021-06-25 | 2021-06-25 | 基于lgbm的离散调制cv-qkd协议码率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115529124A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108173646A (zh) * | 2017-12-28 | 2018-06-15 | 中国人民解放军陆军工程大学 | 基于演化历史重构的光子偏振态补偿方法 |
CN110601826A (zh) * | 2019-09-06 | 2019-12-20 | 北京邮电大学 | 一种基于机器学习的动态dwdm-qkd网络中的自适应信道分配方法 |
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 |
CN111082938A (zh) * | 2020-03-25 | 2020-04-28 | 北京中创为南京量子通信技术有限公司 | 一种提高量子密钥分发系统成码率的方法及装置 |
-
2021
- 2021-06-25 CN CN202110709999.7A patent/CN115529124A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108173646A (zh) * | 2017-12-28 | 2018-06-15 | 中国人民解放军陆军工程大学 | 基于演化历史重构的光子偏振态补偿方法 |
CN110601826A (zh) * | 2019-09-06 | 2019-12-20 | 北京邮电大学 | 一种基于机器学习的动态dwdm-qkd网络中的自适应信道分配方法 |
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 |
CN111082938A (zh) * | 2020-03-25 | 2020-04-28 | 北京中创为南京量子通信技术有限公司 | 一种提高量子密钥分发系统成码率的方法及装置 |
Non-Patent Citations (1)
Title |
---|
熊艳: "量子通信中密钥率优化研究", 《中国优秀硕士论文电子期刊网》, 11 April 2021 (2021-04-11) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106680780B (zh) | 频谱共享环境下基于射频隐身的雷达最优波形设计方法 | |
CN108051779B (zh) | 一种面向tdoa的定位节点优选方法 | |
CN110798314B (zh) | 一种基于随机森林算法的量子密钥分发参数优化方法 | |
Zhang et al. | Measurement‐based delay and Doppler characterizations for high‐speed railway hilly scenario | |
US20220239371A1 (en) | Methods, devices, apparatuses, and medium for optical communication | |
CN112953973A (zh) | 针对连续变量量子密钥分发系统的混合攻击检测方法 | |
CN114337792A (zh) | 卫星通信信号故障诊断方法及装置 | |
CN112182961A (zh) | 一种换流站无线网络信道大尺度衰落建模预测方法 | |
He et al. | Specific emitter identification via multiple distorted receivers | |
Ma et al. | Automatic modulation classification in impulsive noise: Hyperbolic-tangent cyclic spectrum and multibranch attention shuffle network | |
CN110868734B (zh) | 一种基于频谱数据分析的无人机集群动态拓扑挖掘方法 | |
CN113517984B (zh) | 基于反向传播神经网络的cv-qkd协议码率预测方法及系统 | |
CN115529124A (zh) | 基于lgbm的离散调制cv-qkd协议码率预测方法 | |
US10455636B2 (en) | Link packing in mmWave networks | |
CN107181705A (zh) | 一种半盲信道估计方法及系统 | |
Tato et al. | Neural network aided computation of generalized spatial modulation capacity | |
CN111711482A (zh) | 基于oam因子的弱湍条件下fso系统性能的确定方法 | |
CN110161471A (zh) | 一种针对云mimo雷达的采样率和量化比特的计算方法 | |
CN116744361A (zh) | 一种基于大数据的通信质量评估系统及方法 | |
CN116488713A (zh) | 一种基于ris辅助无线携能反向散射通信系统的资源优化方法 | |
CN115243293A (zh) | 网络优化模型的确定方法、装置、电子设备及存储介质 | |
CN114938232A (zh) | 基于lstm的同时同频全双工数字域自干扰抑制方法 | |
Yee et al. | Approximate conditional mean particle filtering for linear/nonlinear dynamic state space models | |
Li et al. | [Retracted] Decision Model of Wireless Communication Scheme Evaluation via Interval Number | |
CN114024669B (zh) | 离散调制cvqkd通信异常终端检测系统及方法 |
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 |