基于回归决策树的测量设备无关型量子密钥分发参数优化

作     者：刘天乐 徐枭 付博伟 徐佳歆 刘靖阳 周星宇 王琴 Liu Tian-Le;Xu Xiao;Fu Bo-Wei;Xu Jia-Xin;Liu Jing-Yang;Zhou Xing-Yu;Wang Qin

作者机构：南京邮电大学通信与信息工程学院南京210003 南京邮电大学量子信息技术研究所南京210003 

出 版 物：《物理学报》 (Acta Physica Sinica)

年 卷 期：2023年第72卷第11期

页      面：147-156页

核心收录：

学科分类：11[军事学] 1105[军事学-军队指挥学] 07[理学] 0839[工学-网络空间安全] 08[工学] 110505[军事学-密码学] 070201[理学-理论物理] 110503[军事学-军事通信学] 0702[理学-物理学] 

基　　金：国家重点研发计划(批准号:2018YFA0306400) 国家自然科学基金(批准号:12074194,62101285,62201276) 江苏省自然科学基金前沿引领技术(批准号:BK20192001)资助的课题 

主　　题：量子密钥分发 测量设备无关 分类回归决策树 参数优化 

摘      要：量子密钥分发(quantum key distribution,QKD)结合一次一密的加密方式,可以实现无条件安全的量子通信.双场(twin-field,TF)QKD和测量设备无关(measurement-device-independent,MDI)QKD具有较高的安全性,同时适合构建以测量端为中心的网络,具有广阔的应用前景.但在实际应用过程中,参数配置对QKD性能有着极大影响,而实际场景中存在着用户数量大、位置距离中心站点非对称、并且用户大部分处在实时移动中的特点.面对上述实时的参数配置需求,传统的参数优化方式将无法满足.本文提出将监督机器学习算法应用于QKD参数优化配置中,通过机器学习模型预测不同场景下TF和MDI两种常用协议的最优参数.将神经网络、最近邻、随机森林、梯度提升决策树和分类回归决策树(classification and regression tree,CART)等监督学习模型进行对比,结果显示CART模型在R^(2)等回归评估指标上均有最优表现.在随机划分训练组、验证组情况下,预测参数的密钥率与最优密钥率比值的均值在0.995以上;在“超精度和“超范围两种极限情况下,该均值仍能维持在0.988左右,且在残差分析中具有较好的环境鲁棒性,展现出较好的性能.此外,基于CART的新方案相较于传统方案在计算实时性表现上有很大提升,将单次预测时间缩短至微秒量级,很好地满足了通信方在移动状态下的实时通信需求.