[发明专利]一种基于随机森林算法的量子密钥分发参数优化方法

说明书

本发明涉及量子通信领域，提供了一种基于随机森林算法的量子密钥分发参数优化方法。在有限数据长的情况下，经全局优化的参数能显著提高实际诱骗态QKD系统的安全码率。传统的局部搜索算法可以用来寻找最优参数，但是它们一般会消耗较多的时间资源和计算资源，无法满足高速QKD系统实时参数优化和大型量子通信网络资源优化配置的需求。本发明利用原始数据预先训练一个随机森林模型，而后利用它直接预测最优参数，可以根据当前系统配置快速准确地预测出待优化的传输参数，大大加快了参数优化过程。数值仿真证明，我们的方法相比于传统搜索算法时间成本更低，并且有着较高的预测精度，在高速QKD系统和未来大规模量子通信网络中有良好的应用前景。

技术领域

本发明涉及量子通信技术领域，尤其涉及量子密钥分发的参数优化。

背景技术

对于有限数据长情况下的诱骗态量子密钥分发(QKD，Quantum KeyDistribution)系统，充分优化的参数可以大大提高其密钥率。近年来，在移动平台(如无人机、掌上系统、甚至卫星)上实现QKD的技术备受关注，而这需要在低延迟和计算能力非常有限的情况下执行参数优化。另外，随着物联网的发展，QKD的一个极具潜力的发展方向可能是具有多设备互联的量子网络，这对大规模网络参数优化的控制器带来了巨大的计算挑战。传统上，这样的参数优化依赖于穷举搜索算法或者局部搜索算法，这些算法计算量大，在低功耗平台上运行速度慢，必然导致系统的延迟，无法满足大型QKD系统和QKD网络的需求，甚至对中等规模的网络也是不可行的。

发明内容

为了解决现有技术的不足，本发明提出一种基于机器学习的参数优化方法，应用于量子密钥分发系统。

为实现上述目的，本发明提供如下技术方案：一种基于随机森林算法的量子密钥分发参数优化方法，所述优化方法使用随机森林(RF，random forest)来预测给定系统条件下量子密钥分发的最佳强度和发送概率，在训练过程中，将一系列表示为的数据输入到随机森林模型中进行训练，使训练后的随机森林模型掌握函数的特性；所述优化方法的训练过程包括：训练集生成、预处理、训练模型；预测过程包括：测试集生成、预测、结果比较。详见以下步骤说明：

步骤一、利用程序随机生成系统参数组合，而后使用局部搜索算法(LSA，localsearch algorithm)计算每组系统参数对应的最优传输参数及密钥率，从而构成训练数据集。其中系统参数主要包括本底误码率e_d，暗计数率d，探测器效率η_d，发送脉冲数N，以及通信双方之间的传输距离L，由于探测器效率η_d可以转换为透光率，因而为了简化RF结构将其设置为固定值。

步骤二、采用Standardization进行特征缩放，即

其中σ表示特征x的方差，经标准化后的数据符合标准正态分布，能够加速权重参数的收敛。注意此处仅对输入特征即系统参数进行标准化。将上述预处理后的数据输入到RF训练器中以训练得到RF模型。

步骤三、封装测试，借助已经训练好的RF模型，向其中输入任意给定系统参数组合就可以直接预测最优参数根据和分别计算码率并比较。

进一步，所述方法仅在初次使用时需要进行训练，此后可以直接进行参数优化。

进一步，所述方法适用于任何协议，且不受实验设施影响。

与现有技术相比，本发明的有益效果是：本发明利用原始数据预先训练一个随机森林模型，训练完成后它根据输入的当前系统参数快速地预测出最优的传输参数，该方法大大加快了参数优化过程。该方法的可行性高，普适性强，仿真结果表明，本发明优化一组参数仅需1毫秒，明显提升QKD系统参数优化过程的效率。

附图说明

图1是本发明随机森林的训练过程和测试过程的数据流图。

图2是本发明使用的随机森林结构例图。