[发明专利]基于机器学习的CVQKD实时性能优化方法及系统

说明书

本发明提供了一种基于机器学习的CVQKD实时性能优化方法及系统，包括：从CVQKD系统中收集机器学习所需的物理参数，根据所采集的物理参数，采用支持向量机算法得到预测模型，基于所述预测模型得到对应物理参数的预测数据，根据得到的预测数据，在CVQKD系统的接收端进行反馈控制。本发明通过机器学习得到CVQKD系统中物理参数的预测数据，从而对CVQKD系统进行反馈控制，使物理参数维持在一个稳定的值，从而解决CVQKD系统因物理参数不稳定而造成的系统安全性问题，提高系统性能及稳定性。同时，该方案相较于现有的实时监控方案结构简单，成本低廉。

技术领域

本发明涉及量子通信技术领域，具体地，涉及基于机器学习的CVQKD实时性能优化方法及系统。

背景技术

在计算机信息技术和通信技术迅速发展的背景下，对信息安全性的要求日益增加。近年来，随着经典计算机计算能力的提高和量子计算机研究的重大突破，依赖于数学密码的信息安全体制将面临着严峻的挑战。量子保密通信的出现开辟了基于物理机制的密码学的新思路和新方法，它的出现改变了传统的基于数学方法的加密方式，并且它基于物理特性的无条件安全性给它带来了无与伦比的优势。

量子密钥分发(Quantum key distribution，QKD)技术整体上分为两大类：离散变量量子密钥分发（DVQKD）和连续变量量子密钥分发（CVQKD），和离散变量量子密钥分发技术相比，连续变量量子密钥分发技术具有更高的通信速率和效率，因此，吸引了世界上许多研究机构对其理论和应用技术进行了深入研究；同时也正是如此，使得连续变量量子保密通信技术成为整个保密通信技术的一个重要分支。目前国内外对于连续变量量子保密通信研发了各种各样的协议，其中应用最广泛的是高斯调制相干态连续变量量子密钥分发协议，该协议在理论上被证明是无条件安全的。

然而，在实际实验系统中，由于本振光强度变化、信道的扰动、环境温度的变化、器件的抖动等物理参数波动原因将会导致系统的不稳定，且该不稳定性还有可能会对系统的实际安全性造成威胁，攻击者可以利用该波动带来的系统漏洞，对系统进行攻击获取密钥信息。现有的实时监控方案计算系统密钥率的任何参数都需要用散粒噪声方差进行标定，但是由于系统的物理参数波动，所以和其密切相关的散粒噪声方差也将发生抖动，且系统的复杂度和开销较大。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于机器学习的CVQKD实时性能优化方法及系统。

根据本发明提供的一种基于机器学习的CVQKD实时性能优化方法，包括步骤：

训练数据收集步骤：从CVQKD系统中收集机器学习所需的物理参数；

预测数据计算步骤：根据所采集的物理参数，采用支持向量机算法得到预测模型，基于所述预测模型得到对应物理参数的预测数据；

反馈控制步骤：根据得到的预测数据，在CVQKD系统的接收端进行反馈控制。

优选的，所述物理参数包括本振光强度。

优选的，通过光纤分束器在CVQKD系统接收端分出一部分本振光进行本振光强度测量收集。

优选的，根据得到的本振光强度的预测数据，通过可调衰减器对本振光进行反馈控制。

根据本发明提供的一种基于机器学习的CVQKD实时性能优化系统，包括：

训练数据收集模块：从CVQKD系统中收集机器学习所需的物理参数；

预测数据计算模块：根据所采集的物理参数，采用支持向量机算法得到预测模型，基于所述预测模型得到对应物理参数的预测数据；

反馈控制模块：根据得到的预测数据，在CVQKD系统的接收端进行反馈控制。

优选的，所述物理参数包括本振光强度。