[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

说明书

本发明公开了一种基于机器学习的动态DWDM‑QKD网络中自适应信道分配方法。本方法主要针对量子密钥分发与光网络融合中时变噪声干扰问题，在不影响已有经典业务服务机制的前提下，提供一种有效的噪声抑制信道分配方案。针对无法提前预知经典业务请求这一难题，本方案中设计了一种基于机器学习的最佳量子信道预测模型，经训练后能够根据网络状态在线预测具有最低噪声干扰的波长信道，基于这一预测结果周期性地对量子信道进行重新分配。本方案能够显著降低量子信号受到的噪声干扰，从而提高密钥生成率等性能，并且在实施量子信道分配过程中既无需对系统性能进行实时监控，也无需复杂的计算，极大降低了网络管控的负担，并且能够满足网络的实时性要求。

技术领域

本专利涉及量子通信领域，尤其涉及量子密钥分发与经典光网络的融合技术。该方案主要为动态的融合型量子密钥分发网络提供自适应的信道分配方案，有效降低量子信号受到的噪声干扰，提高量子密钥分发系统与实际光通信网络的融合性。

背景技术

目前，量子信号与经典信号共纤传输的可行性已经得到了初步验证，前期的研究已经表明合理的信道规划对于降低量子信号受到的噪声干扰，保证量子密钥分发(quantumkey di stribut ion,QKD)系统的正常工作有着至关重要的作用。而在短期之内，QKD有望与现有的实际光通信网络融合，在该场景下，信道上的噪声会随着经典业务到达和离去动态变化，为了保证量子信道始终受到较低的噪声干扰，需要对量子信道的分配进行动态的调整。前期的信道规划方案均需要采取遍历的方式寻找特定信道数目及信道间隔下的噪声抑制信道分配方式，这些方案具有较高的计算复杂度，只适合于静态的信道规划问题，而无法适用于动态网络环境下的实时信道分配。考虑到在复杂光网络中实时的量子信道噪声评估以及根据噪声优化信道分配的复杂性，现有的基于密集波分复用(Dense wavelengthdivision multiplexing,DWDM)的QKD网络中仍然采取固定波段的信道分配(Fixed-bandchannel allocation,FBCA)方式，即将量子信号与经典信号分别放置于两个独立的波段。通常，为了降低拉曼散射中斯托克斯分量的影响，将量子信道固定在低波长处。显然，这种固定的信道分配方式无法在动态的经典业务环境下保证量子信道的质量，因此需要研究如何在复杂网络环境下实时地进行量子信道调整使其适应时变的信道噪声分布。

机器学习(Machine Learning，ML)具有根据历史经验进行预测及决策的能力，近年来被广泛用于光通信网络中解决较为复杂的问题。特别是一些研究成果中利用机器学习对还未建立的路由中包含的各个光纤链路的性能进行预测，判断其的传输质量能否满足需求，从而采取相应的措施来提高光网络的可靠性。2018年，布里斯托大学的Y.OU等人将传统光网络中基于机器学习的性能预测方案扩展至QKD与光网络融合这一场景中，提出了一种基于ML的动态网络环境下的QKD系统性能预测方案。在该方案中，每当经典通信业务请求到达时，首先调用机器学习模块来预测当前的信道分配方案下QKD系统的性能，若性能无法满足实际需求，则重新按照备用方案来进行信道分配。该方案虽然能够实现QKD系统的稳定可靠工作，但是无法有效提高系统的密钥生成率，除此之外，该方案中实时的性能评估及频繁的备用信道切换对网络的管控带来了较大的计算能力及功率的消耗，以上缺陷限制了该方案的实际应用。

综上，QKD与动态光网络融合场景为量子信道的噪声抑制带来了更大的挑战，需要根据信道上的噪声分布合理地调整信道分配策略来降低噪声干扰。现有的波长分配方案在实时性和有效性方面均存在不足，因此应进一步结合QKD系统的特性，以提高一段时间内的密钥生成量为目标，研究自适应的噪声抑制信道分配方案。

发明内容