基于量子k近邻算法的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量子k近邻算法的连续变量量子密钥分发方法，包括发送端制备带标签的离散调制相干态并发送接收端；接收端进行测量和特征提取并将特征编码到量子态中；接收端使用一部分相干态作为训练集和测试集训练量子k近邻算法分类器模型；发送端制备不带标签的离散调制相干态并发送给接收端；接收端进行测量和特征提取并将提取到的特征编码到量子态中；接收端采用量子k近邻算法分类器模型对待分类样本集进行预测完成相干态预测的过程；接收端进行若干轮预测，得到一串原始密钥；接收端和发送端进行后处理并得到密钥，完成基于量子k近邻算法的连续变量量子密钥分发。本发明专利技术方法密钥率更高、安全性更好且可靠性更高。高。高。

【技术实现步骤摘要】
基于量子k近邻算法的连续变量量子密钥分发方法


[0001]本专利技术属于量子通信领域，具体涉及一种基于量子k近邻算法的连续变量量子密钥分发方法。

技术介绍

[0002]量子密钥分发是量子保密通信领域中的一个分支。根据使用信号源的不同，量子密钥分发可以分为离散变量量子密钥分发和连续变量量子密钥分发。其中，连续变量量子密钥分发因具有成码率较高、信号源制备较容易、兼容现代通信技术等优点，近年来发展较为迅速，目前已经进入实用化的推广阶段。
[0003]连续变量量子密钥分发的信号调制技术可以分为两种：一种是连续型的高斯调制，另一种是离散型的离散调制。高斯调制连续变量量子密钥分发是将信息编码到相干态的两个正交分量上，是连续变量量子密钥分发技术最常采用的调制方式。然而，在考虑具体实现时，高斯调制技术往往需要更高的设备灵敏度以及更复杂的操作，从而使得其较难推广部署；离散调制连续变量量子密钥分发是将信息离散编码到多个非正交相干态上，这种调制技术更容易实现，同时其生成的原始密钥数据不再需要进行离散化的多维协商就能直接采用线性分组纠错码进行纠错，简化了数据后处理的步骤，有利于降低设备成本和资源消耗。经典的机器学习算法可以与离散调制连续变量量子密钥分发技术相结合，利用机器学习算法强大的学习和预测能力，可使密钥分发系统进一步分辨出由于攻击影响产生的异常信号态，从而降低攻击者窃听成功的概率，达到提高最终成码率和保障密钥安全分发的目的。
[0004]经典的k近邻算法属于机器学习中的分类算法；通过加入这一算法，通信双方可以自由约定其编码规则，这就是学习过程，并且保证这一过程不被攻击者窃听。安全完成学习过程后，接收方Bob就可以通过相干量子态的特征对发送方Alice发送的量子态进行预测，这就是预测过程。完成预测过程后，双方再对所得到的两串原始密钥串进行数据后处理，从而得到相同的密钥。
[0005]但是，在量子态的特征维度以及样本数目增加时，k近邻算法所耗费的时间会急剧增加，导致近乎不可接受的时间复杂度，从而无法满足实时性的量子密钥分发需求；此外，在通信双方在进行学习时必须保证学习过程不被窃听，但是这一条件较难满足。

技术实现思路

[0006]本专利技术的目的在于提供一种密钥率更高、安全性更好且可靠性更高的基于量子k近邻算法的连续变量量子密钥分发方法。
[0007]本专利技术提供的这种基于量子k近邻算法的连续变量量子密钥分发方法，包括如下步骤：
[0008]S1.发送端制备带标签的离散调制相干态，并发送给接收端；
[0009]S2.接收端对接收到的相干态进行测量和特征提取，并将提取到的特征编码到量
子态中，这些带标签的相干态称为训练样本集；
[0010]S3.接收端使用一部分相干态分别作为训练集和测试集，用于训练合适的量子k近邻算法分类器模型，完成相干态学习过程；
[0011]S4.发送端制备不带标签的离散调制相干态，并发送给接收端；
[0012]S5.接收端对接收到的相干态进行测量和特征提取，并将提取到的特征编码到量子态中，这些不带标签的相干态称为待分类样本集；
[0013]S6.接收端采用训练好的量子k近邻算法分类器模型，对步骤S4得到的待分类样本集进行预测，完成相干态预测的过程；
[0014]S7.接收端进行若干轮预测，得到一串原始密钥；
[0015]S8.接收端和发送端进行后处理，最终得到两串相同的密钥，完成基于量子k近邻算法的连续变量量子密钥分发。
[0016]所述的基于量子k近邻算法的连续变量量子密钥分发方法，还包括如下步骤：
[0017]在相干态学习或相干态预测的过程中，若攻击方进行了窃听，则发送方和接收方会发现，并进行对应的处理；所述的处理包括丢弃被窃取的密钥或终止通信。
[0018]步骤S1所述的发送端制备带标签的离散调制相干态，并发送给接收端，具体包括如下步骤：
[0019]发送端制备带标签的离散调制相干态，通过损耗量子信道发送给接收端，并将对应的标签通过经典信道发送给接收端；所述的标签为采用n态调制的二进制字符串，n为设定的正整数。
[0020]步骤S2所述的接收端对接收到的相干态进行测量和特征提取，并将提取到的特征编码到量子态中，具体为将提取到的特征编码到量子态中具体为制备叠加量子态存储训练样本集特征信息，其中，M为训练样本集数量，v
j
为训练样本的特征向量，D为特征向量的特征维度，v
ji
为向量v
j
的第i个特征值。
[0021]步骤S4所述的发送端制备不带标签的离散调制相干态，并发送给接收端，具体为发送端制备不带标签的离散调制相干态，并通过损耗量子信道发送给接收端。
[0022]步骤S5所述的接收端对接收到的相干态进行测量和特征提取，并将提取到的特征编码到量子态中，具体为将提取到的特征编码到量子态中具体指将特征编码到量子态指，制备叠加量子态存储待分类样本集信息，其中v0为待分类样本的特征向量，v
0i
为向量v0的第i个特征值。
[0023]步骤S6所述的相干态预测的过程，具体包括距离计算、最近邻搜索和分类预测。
[0024]所述的距离计算和最近邻搜索，具体包括如下步骤：
[0025]距离计算和最近邻搜索采用量子计算完成；
[0026]距离计算具体包括如下步骤：
[0027]对于任意两个量子态，用量子态之间的保真度来衡量量子态之间的距离；采用量子控制交换门c
‑
SWAP电路得到训练样本集和待分类样本集的保真度，SWAP(|φ>|ψ>)＝|ψ>
|φ>，其中SWAP(|φ>|ψ>)为酉门交换操作，|ψ>为存储训练样本集特征的量子态，|φ〉为存储待分类样本集特征的量子态；c
‑
SWAP电路在SWAP门的顶端加入了一个量子比特的输入，当该比特为|0>时不执行SWAP门的功能，为该比特为|1〉时执行SWAP门的功能；
[0028]最后，测量电路的第一个量子比特，测量结果为|0>的概率为P(0)＝(1+|<φ|ψ>|2)/2，<φ|ψ>为内积；
[0029]两个量子态的保真度的计算公式为F(φ,ψ)＝|<φ|ψ>|2，保真度计算式为F(φ,ψ)＝2P(0)
‑
1；
[0030]保真度越大，说明两者之间的相似度越大，距离越近；
[0031]计算完距离并将距离编码到量子态，该量子态为叠加态，表示为|σ>＝M
‑
1/2
∑
j
|j>||v
j
‑
v0|>，其中M为训练集样本的数量，|j&本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于量子k近邻算法的连续变量量子密钥分发方法，包括如下步骤：S1.发送端制备带标签的离散调制相干态，并发送给接收端；S2.接收端对接收到的相干态进行测量和特征提取，并将提取到的特征编码到量子态中，这些带标签的相干态称为训练样本集；S3.接收端使用一部分相干态分别作为训练集和测试集，用于训练合适的量子k近邻算法分类器模型，完成相干态学习过程；S4.发送端制备不带标签的离散调制相干态，并发送给接收端；S5.接收端对接收到的相干态进行测量和特征提取，并将提取到的特征编码到量子态中，这些不带标签的相干态称为待分类样本集；S6.接收端采用训练好的量子k近邻算法分类器模型，对步骤S4得到的待分类样本集进行预测，完成相干态预测的过程；S7.接收端进行若干轮预测，得到一串原始密钥；S8.接收端和发送端进行后处理，最终得到两串相同的密钥，完成基于量子k近邻算法的连续变量量子密钥分发。2.根据权利要求1所述的基于量子k近邻算法的连续变量量子密钥分发方法，其特征在于所述的基于量子k近邻算法的连续变量量子密钥分发方法，还包括如下步骤：在相干态学习或相干态预测的过程中，若攻击方进行了窃听，则发送方和接收方会发现，并进行对应的处理；所述的处理包括丢弃被窃取的密钥或终止通信。3.根据权利要求2所述的基于量子k近邻算法的连续变量量子密钥分发方法，其特征在于步骤S1所述的发送端制备带标签的离散调制相干态，并发送给接收端，具体包括如下步骤：发送端制备带标签的离散调制相干态，通过损耗量子信道发送给接收端，并将对应的标签通过经典信道发送给接收端；所述的标签为采用n态调制的二进制字符串，n为设定的正整数。4.根据权利要求3所述的基于量子k近邻算法的连续变量量子密钥分发方法，其特征在于步骤S2所述的接收端对接收到的相干态进行测量和特征提取，并将提取到的特征编码到量子态中，具体为将提取到的特征编码到量子态中具体为制备叠加量子态存储训练样本集特征信息，其中，M为训练样本集数量，v
j
为训练样本的特征向量，D为特征向量的特征维度，v
ji
为向量v
j
的第i个特征值。5.根据权利要求4所述的基于量子k近邻算法的连续变量量子密钥分发方法，其特征在于步骤S4所述的发送端制备不带标签的离散调制相干态，并发送给接收端，具体为发送端制备不带标签的离散调制相干态，并通过损耗量子信道发送给接收端。6.根据权利要求5所述的基于量子k近邻算法的连续变量量子密钥分发方法，其特征在于步骤S5所述的接收端对接收到的相干态进行测量和特征提取，并将提取到的特征编码到量子态中，具体为将提取到的特征编码到量子态中具体指将特征编码到量子态指，制备叠
加量子态存储待分类样本集信息，其中v0为待分类样本的特征向量，v
0i
为向量v0的第i个特征值。7.根据权利要求6所述的基于量子k近邻算法的连续变量量子密钥分发方法，其特征在于步骤S6所述的相干态预测的过程，具体包括距离计算、最近邻搜索和分类预测。8.根据权利要求7所述的基于量子k近邻算法的连续变量量子密钥分发方法，其特征在于所述的距离计算和最近邻搜索，具体包括如下步骤：距离计算和最近邻搜索采用量子计算完成；距离计算具体包括如下步骤：对于任意两个量子态，用量子态之间的保真度来衡量量子态之间的距离；采用量子控制交换门c
‑
SWAP电路得到训练样本集和待分类样本集的保真度，SWAP(|φ>|ψ>...

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