自适应量子效率高精度实时预测方法及系统技术方案

本发明专利技术提供了一种自适应量子效率高精度实时预测方法及系统，主要包括：利用输入探测器的光强、该光强下输出探测器的外电流以及该输入探测器的本振光光子数涨落百分比，构建本地字典集，利用本地字典集对深度神经网络进行初始训练和联合训练，利用训练好的深度神经网络对芯片CVQKD系统的量子效率进行高精度实时预测，并根据该精确实时量子效率预测结果，精确评估系统实际安全密钥率。本发明专利技术考虑芯片CVQKD系统的应用时存在的实际安全性，并利用深度神经网络能极大地提取系统的自适应特征的性能，为芯片CVQKD系统中随本振光涨落的量子效率实时精确估计提供了方法。方案实现方式简单，便于大规模推广，适合大规模商用。适合大规模商用。适合大规模商用。

【技术实现步骤摘要】
自适应量子效率高精度实时预测方法及系统


[0001]本专利技术涉及安全漏洞防御方法，具体地，涉及一种自适应量子效率高精度实时预测方法及系统，尤其是一种基于光强监控和深度神经网络的自适应量子效率高精度实时预测方法。

技术介绍

[0002]在量子密码学领域，量子密钥分发(QKD，quantum key distribution)技术由于其基于量子力学保证的无条件安全性，近年来取得了迅速的发展与巨大的成就。量子密钥分发技术目前已较为成熟，它可以使认证的通信双方Alice和Bob通过一个不安全的量子信道来共享密钥。特别地，这个量子信道可以被潜在的窃听者自由的控制和处理。目前，量子密钥分发系统主要分为离散变量量子密钥分发(DVQKD，discrete
‑
variable quantum key distribution)系统和连续变量量子密钥分发(CVQKD,continuous
‑
variable quantum key distribution)系统两大类。与DVQKD系统相比，利用弱相干态和一个平衡零差探测器的C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应量子效率高精度实时预测方法，其特征在于，包括以下步骤：步骤S1：收集用于深度神经网络训练所需的数据，包括输入探测器的光强P0以及在该光强下输出探测器的外电流I
ph
；步骤S2：计算输入探测器的本振光光子数涨落百分比利用输入探测器的光强P0、该光强下输出探测器的外电流I
ph
以及该输入探测器的本振光光子数涨落百分比构建本地字典集D：其中i代表数据组的序号，总共有N组数据；步骤S3：构建深度神经模型利用步骤S2得到的本地字典集对深度神经网络进行初始训练，当该深度神经网络满足能根据输入探测器的光强精确预测本振光光子数涨落百分比的判决条件时进入步骤S4，否则继续扩充本地字典集直至满足上述条件；步骤S4：对深2度神经网络进行联合训练，当该深度神经网络满足能根据输入本振光强精确预测量子效率的判决条件时，完成联合训练阶段，否则继续训练；步骤S5：利用训练好的深度神经网络对芯片CVQKD系统的量子效率进行高精度实时预测，并根据该精确实时量子效率预测结果，精确评估系统实际安全密钥率。2.根据权利要求1所述的自适应量子效率高精度实时预测方法，其特征在于：所述步骤S2中输入探测器的本振光光子数涨落百分比计算如下：其中：输入探测器的本振光的功率涨落百分比，其中P0表示输入探测器的光强，I
ph
表示探测器因输入光强产生的外电流；ρ0：自由载流子的体密度；V
eff
：自由载流子所在区域的有效体积度量；m
*
：载流子的有效质量；f
rep
：芯片CVQKD系统的重复频率；N
LO
：每个本振光脉冲中所含的光子数个数；Hv：h为普朗克常数，v为光子的频率，两者的乘积代表光子的能量；代表自由载流子系综在吸收光子前的平均初速度；换元后得到：其中n代表硅基锗探测器的锗材料的折射率，ε0代表真空中的介电常数，c代表真空中的光速，q
e
代表电子的电荷量，β
IB
代表带间吸收系数，代表初始量子效率常数，β
s
代表散射吸收系数。3.根据权利要求1所述的自适应量子效率高精度实时预测方法，其特征在于：所述步骤S3中的判决条件为：满足对给定精度的ε1和δ1，对于任意满足，对于任意满足的输入光强P0，若该深度神经网络在输入光强下的映射结果满足
时，则深度神经网络完成初始训练。4.根据权利要求1所述的自适应量子效率高精度实时预测方法，其特征在于：所述步骤S4中的判决条件为：对于给定精度的ε2，若满足：其中代表函数值中的第二个分量，则认为深度神经网络联合训练结束。5.根据权利要求1所述的自适应量子效率高精度实时预测方法，其特征在于：所述步骤S5中，根据分束监控的输入光强利用训练好的深度神经网络对量子效率进行实时的精确预测：其中其中6.一...

【专利技术属性】
技术研发人员：黄鹏，李琅，周颖明，曾贵华，
申请(专利权)人：上海循态量子科技有限公司，
类型：发明
国别省市：