| 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 |
| |
| 作者姓名： | 刘天乐 徐枭 付博伟 徐佳歆 刘靖阳 周星宇 王琴 |
| |
| 作者单位： | 1. 南京邮电大学通信与信息工程学院;2. 南京邮电大学量子信息技术研究所 |
| |
| 基金项目： | 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~~； |
| |
| 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R2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”...
|
| 关 键 词： | 量子密钥分发 测量设备无关 分类回归决策树 参数优化 |
|
|
