[发明专利]基于反向传播神经网络的CV-QKD协议码率预测方法及系统

说明书

本发明公开了一种基于反向传播神经网络的CV‑QKD协议码率预测方法及系统，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和测试集的所有数据；对训练集和测试集的数据做数据预处理工作；使用训练集数据对反向传播神经网络进行训练；使用测试集数据对反向传播神经网络训练结果进行评估；将训练好的反向传播神经网络用于实际模拟过程，实验测出参数后，进行预处理工作后输入反向传播神经网络，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，并且因为特殊的损失函数设计和数据预处理工作，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，具体涉及基于反向传播神经网络的CV-QKD协议码率预测方法及系统。

背景技术

随着计算机技术的不断发展，基于计算复杂度的现代密码学系统将逐渐失效，与之相对的，量子密码系统的发展可以应对现代密码系统将被量子算法破解的问题，其安全性由物理学原理保证，可以实现真正意义上的无条件安全。量子密钥分发是量子密码领域研究发展最成熟的一个分支，根据具体实现方式，可以分为基于单光子编码类的离散变量量子密钥分发和基于光场正则分量编码类的连续变量量子密钥分发两大类。

连续变量量子密钥分发因为具有较高的密钥码率，且可以与现存的经典光通信系统融合，所以具体应用时会极大地减少部署成本。由于上述优势，连续变量量子密钥分发技术发展迅速，并受到了研究者的广泛关注。一般说来，目前连续变量量子密钥分发协议，按照编码方式分类，有离散调制和高斯调制两类。离散调制连续变量量子密钥分发协议因为具有长距离通信下比高斯调制更高的协商效率和与现有基础设施兼容的特性而受到很多研究者的关注。

其中，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反向传播神经网络的CV-QKD协议码率预测方法及系统，解决了现有的码率计算方案遇到的困难，现有方案虽然保证了离散调制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计算的要求。本发明采用了深度学习中的反向传播神经网络来预测离散调制CV-QKD协议的码率，训练完成的反向传播神经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，并且因为特殊的损失函数设计和数据预处理工作，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：本发明一种基于反向传播神经网络的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和测试集的所有数据；

S2：对训练集和测试集的数据做数据预处理工作；

S3：使用训练集数据对反向传播神经网络进行训练；