基于机器学习的新型连续变量量子密钥分发方法技术

本发明专利技术公开了一种基于机器学习的新型连续变量量子密钥分发方法，包括发送端制备具有已知标记的调制相干态并发送接收端；接收端获取测量结果；提取特征并划分训练集和测试集；用训练集训练分类器、得到训练分类器、用测试集测试并得到量子分类器；发送端将密钥制备调制相干态并发送接收端；接收端接收调制相干态并获取测量结果；接收端将测量结果提取特征，采用量子分类器预测获取类别标记；重复上述步骤直至发送端和接收端共享原始密钥，分发结束。本发明专利技术方法性能优异，占用资源较少，实时性更好，而且也适用于现有的连续变量量子密钥分发系统。

A New Continuous Variable Quantum Key Distribution Method Based on Machine Learning

【技术实现步骤摘要】
基于机器学习的新型连续变量量子密钥分发方法
本专利技术具体涉及一种基于机器学习的新型连续变量量子密钥分发方法。
技术介绍
十几年来，连续变量量子密钥分发一直是量子密码学和量子保密通信中的研究热点，它提供了一个理论上完美的方式无条件地保障了合法用户双方在不可信量子信道中的通信安全。连续变量量子密钥分发相比较于离散变量量子密钥分发的一个绝对优势在于它与大部分现代通信技术的兼容性，因此连续变量量子密钥分发可以较容易地部署在目前使用的通信网络上。此外，无论是渐近领域还是有限长领域，连续变量量子密钥分发协议对抗任意集体攻击的安全性已经得到了证明，并且其对集体攻击的组合安全性也在最近得到证明。一般来说，连续变量量子密钥分发包括两大类：高斯调制连续变量量子密钥分发协议和离散调制连续变量量子密钥分发协议。前者Alice将信息通过高斯调制策略编码在相干态的两个正交分量上，Bob收到量子态后对其进行相干检测即可以恢复出Alice编码的信息。高斯调制与传统单光子量子密钥分发协议相比具有更好的重复评率以至于可以产生更高的密钥率，然而其在远距离传输的场景下的极低协商效率使得高斯调制连续变量量子密钥分发协议无法适用于远距离通信的需求。另一方面，离散调制连续变量量子密钥分发协议通过制备几类非正交相干态并利用其正交分量在相空间的符号而不是正交分量本身编码信息，由于符号编码的信息已经离散化，因此许多优秀的纠错码可以被直接用于离散调制产生的密钥，从而使得离散调制连续变量量子密钥分发协议更适合于在远距离低信噪比条件下进行密钥分发。无论是基于高斯调制还是离散调制，目前绝大多数连续变量量子密钥分发协议都是基于通信相关技术，并且都遵从与一个相似的模式，即产生原始密钥后，包括数据协商、参数估计、纠错和秘密放大的后处理过程随之进行。但是，数据协商、参数估计和纠错过程占用了系统的大量资源，从而严重影响了连续变量量子密钥系统的性能，同时也严重影响了系统的实时性。
技术实现思路
本专利技术的目的在于提供一种性能优异、占用资源较少且实时性更好的基于机器学习的新型连续变量量子密钥分发方法。本专利技术提供的这种基于机器学习的新型连续变量量子密钥分发方法，包括态学习过程和态预测过程，具体包括如下步骤：态学习过程：S1.发送端制备具有已知标记的调制相干态，并发送给接收端；S2.接收端测量接收到的调制相干态，从而获取测量结果；S3.在收集到足够多步骤S2的测量结果后，接收端对其进行特征提取，并将提取后的数据划分为训练集和测试集；S4.用步骤S3获取的训练集对分类器进行训练，从而得到训练分类器；S5.用步骤S3获取的测试集对步骤S4得到的训练分类器进行测试，并重复步骤S4～S5直至训练分类器通过测试，从而得到最终的量子分类器；态预测过程：S6.发送端将具有未知标记的调制相干态发送给接收端；S7.接收端测量接收到的调制相干态，并获取测量结果；S8.接收端将步骤S7获取的测量结果进行特征提取，并采用步骤S5得到的量子分类器对提取后的数据进行预测，从而获取该数据的类别标记；S9.重复步骤S8若干次，直至发送端和接收端共享原始密钥，此时量子密钥分发结束。所述的基于机器学习的新型连续变量量子密钥分发方法，还包括如下步骤：S10.发送端和接收端对各自的原始密钥进行随机哈希函数操作，从而保证发送端和接收端之间共享完全相同的密钥。步骤S1和步骤S6所述的发送给接收端，具体为通过不可信量子信道发送给接收端。步骤S2和步骤S7所述的测量接收到的调制相干态，具体为采用相干检测器测量接收到的调制相干态。步骤S3和步骤S8所述的特征提取，具体为采用如下步骤进行特征提取：A.接收端设置若干虚拟参考态；B.在笛卡尔坐标系下，接收端计算虚拟参考态与接收到的调制相干态所对应的信号态之间的欧几里得距离；C.将步骤B得到的一组欧几里得距离作为特征，来描述接收端接收到的调制相干态所对应的信号态。步骤S4所述的分类器为量子多标记分类器。所述的量子多标记分类器，具体为采用如下算式作为多标记分类器：式中P(Hj|Cj)为在N(|x〉)中有Cj个带标记的数据具有类别标记yj的条件下Hj为真的后验概率；为在N(|x〉)中有Cj个带标记的数据具有类别标记yj的条件下Hj为假的后验概率；t(|x〉)为相干态|x〉的阈值函数；N(|x〉)为训练集中的|x〉的k个最近邻相干态的子集；Cj为|x〉的近邻中属于第j个类别yj的数量。本专利技术提供的这种基于机器学习的新型连续变量量子密钥分发方法，将监督学习中的学习、测试和预测思想引入连续变量量子密钥分发系统，在保证量子保密通信系统的理论无条件安全性的基础上，利用机器学习提升了连续变量量子密钥分发的性能，而且本专利技术方法为轻量级算法，原始密钥消耗和计算存储资源消耗均较低，因此实时性更好，而且也适用于现有的连续变量量子密钥分发系统。附图说明图1为本专利技术方法的方法流程示意图。图2为本专利技术方法中的基于虚拟参考态的相干态特征提取示意图。图3为本专利技术方法中的量子多标记分类问题的示意图。具体实施方式如图1所示为本专利技术方法的方法流程示意图：本专利技术提供的这种基于机器学习的新型连续变量量子密钥分发方法，包括态学习过程和态预测过程，具体包括如下步骤：态学习过程：S1.发送端制备具有已知标记的调制相干态，并发送(通过不可信量子信道发送)给接收端；S2.接收端测量(采用相干检测器)接收到的调制相干态，从而获取测量结果；S3.在收集到足够多步骤S2的测量结果后，接收端对其进行特征提取，并将提取后的数据划分为训练集和测试集；具体为采用如下步骤进行特征提取：A.接收端设置若干虚拟参考态；B.在笛卡尔坐标系下，接收端计算虚拟参考态与接收到的调制相干态所对应的信号态之间的欧几里得距离；C.将步骤B得到的一组欧几里得距离作为特征，来描述接收端接收到的调制相干态所对应的信号态；由于接收端对接收到的相干态进行相干检测时，只能获得该相干态的q正交分量、p正交分量等少量信息，因此为了提供尽可能多的信息来描述该相干态以及更好的将连续变量量子密钥分发与机器学习思想算法相结合，本专利技术方法提出了一种基于虚拟参考态的相干态特征提取方法，如图2所示：发送端(Alice)发送调制的相干态给Bob(接收端)，Bob在收到相干态之后设置若干虚拟参考态用于计算信号态和参考态之间的相似度；具体的，该相似度由欧几里得距离来度量，在笛卡尔坐标系下设y＝(y1,y2,...,yn)，z＝(z1,z2,...,zn)，是欧几里得n为空间的两个点，那么点y和z的距离d为：特别的，在二维相空间中有其中w为虚拟参考态的数量，t＝(p',q')为信号态的笛卡尔坐标，r＝(pr,qr)为第r个参考态的笛卡尔坐标；通过特征提取，够早了一组特征d＝(d1,d2,...,dw)，从而更好的描述接收方接收到的信号态；同时，由于虚拟参考态并非真实存在，因此发送方并不需要制备这些态；S4.用步骤S3获取的训练集对量子多标记分类器进行训练，从而得到训练分类器；具体为采用如下算式作为多标记分类器：式中P(Hj|Cj)为在N(|x〉)中有Cj个带标记的数据具有类别标记yj的条件下Hj为真的后验概率；为在N(|x〉)中有Cj个带标记的数据具有类别标记yj的条件下Hj为假的后验概率；t(|x〉本文档来自技高网...

【技术保护点】
1.一种基于机器学习的新型连续变量量子密钥分发方法，包括态学习过程和态预测过程，具体包括如下步骤：态学习过程：S1.发送端制备具有已知标记的调制相干态，并发送给接收端；S2.接收端测量接收到的调制相干态，从而获取测量结果；S3.在收集到足够多步骤S2的测量结果后，接收端对其进行特征提取，并将提取后的数据划分为训练集和测试集；S4.用步骤S3获取的训练集对分类器进行训练，从而得到训练分类器；S5.用步骤S3获取的测试集对步骤S4得到的训练分类器进行测试，并重复步骤S4～S5直至训练分类器通过测试，从而得到最终的量子分类器；态预测过程：S6.发送端将具有未知标记的调制相干态发送给接收端；S7.接收端测量接收到的调制相干态，并获取测量结果；S8.接收端将步骤S7获取的测量结果进行特征提取，并采用步骤S5得到的量子分类器对提取后的数据进行预测，从而获取该数据的类别标记；S9.重复步骤S8若干次，直至发送端和接收端共享原始密钥，此时量子密钥分发结束。

【技术特征摘要】
1.一种基于机器学习的新型连续变量量子密钥分发方法，包括态学习过程和态预测过程，具体包括如下步骤：态学习过程：S1.发送端制备具有已知标记的调制相干态，并发送给接收端；S2.接收端测量接收到的调制相干态，从而获取测量结果；S3.在收集到足够多步骤S2的测量结果后，接收端对其进行特征提取，并将提取后的数据划分为训练集和测试集；S4.用步骤S3获取的训练集对分类器进行训练，从而得到训练分类器；S5.用步骤S3获取的测试集对步骤S4得到的训练分类器进行测试，并重复步骤S4～S5直至训练分类器通过测试，从而得到最终的量子分类器；态预测过程：S6.发送端将具有未知标记的调制相干态发送给接收端；S7.接收端测量接收到的调制相干态，并获取测量结果；S8.接收端将步骤S7获取的测量结果进行特征提取，并采用步骤S5得到的量子分类器对提取后的数据进行预测，从而获取该数据的类别标记；S9.重复步骤S8若干次，直至发送端和接收端共享原始密钥，此时量子密钥分发结束。2.根据权利要求1所述的基于机器学习的新型连续变量量子密钥分发方法，其特征在于还包括如下步骤：S10.发送端和接收端对各自的原始密钥进行随机哈希函数操作，从而保证发送端和接收端之间共享完全相同的密钥。3.根据权利要求1所述的基于机器学习的新型连续变量量子密钥分发方法，其特征在于步骤S1和步骤S6所述的发送给接收端，具体为通过不...

【专利技术属性】
技术研发人员：廖骎，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南,43