[发明专利]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

权利要求书

1.一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，其目的在于降低QKD与动态经典业务共存时的噪声干扰，从而提高QKD系统的密钥生成率；其特征在于，该方法包括两个技术要点：首先，针对动态网络环境下难以提前获知经典请求的连接建立情况这一问题，构建机器学习模型，根据当前的网络状态及经典业务请求到达/离去规律，提前预测受到经典信号干扰最低的信道位置，作为最佳量子信道；其次，以不干扰已有的经典业务服务机制为前提，对量子信道采取了周期性重构的方式；

其中，基于机器学习的最佳量子信道的预测方法主要包括机器学习模型构建，机器学习模型训练以及基于机器学习模型的预测三个步骤：

步骤1，采用决策树或神经网络的标准框架构建机器学习模型；

步骤2，机器学习模型训练的关键技术是训练数据生成以及特征变量定义；训练数据可通过在模拟的DWDM-QKD网络中进行仿真计算或者在实际的DWDM-QKD网络中进行实验测量的方式生成，具体方式为：假设量子信道的重构周期为TS，对于每个时隙t_i，若t_i≡0(modTS)，则通过基于蒙特卡罗的信道评估方法得到该时隙各个可用的信道在下一周期成为最佳信道的概率p_opt；特征变量主要反映当前的网络状态，经特征筛选后，主要包含以下变量：各光纤链路上各个波长信道状态、该时段经典业务的平均业务量、各光纤链路的长度、各个波长信道上业务的剩余持续时间、各波长信道的信号功率、量子信道重构周期以及候选量子信道；

步骤3，机器学习模型训练好后能够在线执行最佳量子信道预测任务；

根据当前的网络状态提取各个特征变量，将特征变量输入至机器学习模型中，得到各个可用信道对应的性能评价参数p_opt；若DWDM-QKD网络中需要N个量子信道，则选择前N个p_opt值最大的信道作为最佳量子信道分配方案；

其中，在不干扰已有的经典业务服务机制的前提下，量子信道周期性重构的步骤为：对于每个时隙t_i，优先为该时隙到达的经典业务请求建立连接；判断当前时隙若满足t_i≡0(mod TS)，则需要根据当前的网络中各个链路信道利用情况预测下一周期的最佳量子信道分配方案，同时根据预测的最佳信道位置对量子信道进行重新分配；若不满足t_i≡0(modTS)，则量子信道仍然保持上一时隙的信道分配方案；为了保证系统的高效性，TS的设置应大于量子信道切换时间、量子信号传输时间以及QKD的后处理时间。

2.如权利要求1所述的方法，其特征在于，对于步骤2所述的训练数据的生成，由于难以提前获知下一周期到达的经典业务请求队列，导致对每个可用信道的性能评估也是非确定性的，因此设计了基于蒙特卡洛仿真的信道性能评估方法；即对于时隙t_i，首先随机生成了M个在t_i+1到t_i+TS之间的经典业务请求队列，对于每个请求队列重复的进行请求连接的建立及每个可用波长信道上的密钥生成率评估，同时记录每次重复过程中密钥生成率最高的信道；在完成M次随机仿真过程之后，统计结果，定义性能评价参数p_opt，表征未来周期内各可用信道优于其他信道的频率作为各信道成为性能最优信道的概率。