一种基于机器学习的CVQKD系统相位补偿方法及装置制造方法及图纸

本发明专利技术提出了一种基于机器学习的CVQKD系统相位补偿方法及装置，涉及量子密钥分发的相位补偿技术领域。该方法在有效传输数据前插入一段双方已知的标准序列，经接收端数据和发送端数据对比得到相位偏移量，通过基于支持向量机回归算法得到时间和相位漂移值的预测模型。在系统传输有效序列时，通过此模型对相位漂移值进行预测，作为相位补偿角度加载到发送端的相位调制器上进行相位补偿。本发明专利技术采用机器学习的方式，可以很好地分析系统相位漂移值，并能够作为相位补偿算法进行优化。此外，通过预测值直接对原始数据重构，不用对相位漂移值实时进行计算，一定程度上减少了系统开销。一定程度上减少了系统开销。一定程度上减少了系统开销。

【技术实现步骤摘要】
一种基于机器学习的CVQKD系统相位补偿方法及装置


[0001]本专利技术涉及量子密钥分发的相位补偿
，尤其涉及一种基于机器学习的CVQKD系统相位补偿方法及装置。

技术介绍

[0002]量子保密通信技术是目前被证明最接近实用的无条件安全通信技术。量子保密安全通信方案分为量子安全直接通信技术和量子密钥分发技术，量子密钥分发具有通信速率高、可扩展性强的优点。量子密钥分发的实现方式主要分为连续变量量子密钥分发(CVQKD)和离散变量量子密钥分发(DVQKD)，两者均通过对量子态编码进行信息传递。CVQKD的优势在于通信速率更高，可与传统激光通信设备融合运行，抗背景噪声干扰更强。CVQKD是指在整个密钥分发过程中，用于编码密钥信息的物理观测量所处的希尔伯特空间是无限维且连续的，而信息载体可以是各类光场量子态，例如相干态，压缩态，纠缠态等。
[0003]CVQKD系统中常用基于高斯调制相干态(GMCS)的方法，在发送端产生两束光：信号光和本振光，在接收端根据发送端的本振光来恢复信号。在实际过程中由于量子信道衰减、光纤抖动、温度等其他因素影响，本振光和信号光的相位差会随时间变化，进而影响系统的密钥率。CVQKD系统的本振光相位变化来源包括快漂移、慢漂移和相位噪声，快漂移来源于发送端激光器的相位抖动和中心频率变化，具有随机不确定性和局部相关性；慢漂移来源于传输光路的时延和激光器同步误差引起的缓慢变化，在数据分块之间近似线性变化关系。相位噪声也称为高斯白噪声，主要来源于系统噪声、信道噪声、温度以及窃听者Eve的攻击噪声。量子信号光受干扰后相位噪声放大会导致系统过噪声增加，但是量子信号强度太小并且相位噪声和其他系统噪声不易区分，所以很难专门补偿量子信号光的相位噪声。
[0004]目前常用的相位补偿方案大多都需要引入一个实时监测模块，这种方法增加了系统的复杂性。然而，在低信噪比的情况下使用强光对量子信号的相位进行相位补偿会给Eve留下攻击漏洞。

技术实现思路

[0005]有鉴于此，本专利技术提供一种CVQKD系统的相位补偿方法及装置，通过收集相位漂移值作为训练数据，得到支持向量机回归模型并预测相位漂移角度的未来变化趋势。
[0006]本专利技术所采用的技术方法是：
[0007]一种基于机器学习的CVQKD系统相位补偿方法，包括以下步骤：
[0008]在CVQKD系统的有效序列数据开始传输前，插入一段被发送端和接收端已知的标准序列，标准序列工作的重复频率与CVQKD系统工作的重复频率一致；
[0009]在发送端，首先传输标准序列数据，分束器将光脉冲分束为量子信号光和本振光，量子信号光经幅度和相位调制器完成高斯调制，经偏振分束器和法拉第镜完成偏振复用，本振光经延迟线完成时分复用，最后信号光经衰减器到达另一偏振分束器；
[0010]在接收端，偏振分束器将量子信号光和本振光分束，本振光完成测量基选择和时
间延迟，与量子信号光同时到达分束器完成合束，平衡零差检测器对合束后的信号进行测量并转换成电信号，信号采集设备从电信号中获得相位角度，通过与发送端数据进行对比，得到相位漂移角度；
[0011]在接收端，通过支持向量机回归算法构建时间t与相位漂移角度Δφ(t)的回归预测模型，预测未来时间的相位漂移角度；在传输有效序列时，将未来时间的相位漂移角度作为相位补偿角度加载到发送端的相位调制器上以进行相位补偿。
[0012]进一步地，所述通过支持向量机回归算法构建时间t与相位漂移角度Δφ(t)的回归预测模型，具体方式为：
[0013]将相位漂移角度一部分的数据点作为训练集，剩余部分的数据点作为模型的测试集；
[0014]通过支持向量机回归算法构建时间t和相位漂移角度Δφ(t)的回归预测模型；回归预测模型为：
[0015][0016]式中，α
i
是拉格朗日乘子，是其最优解，b是位移项，K<x
i
,x>是高斯核函数，物理模型是i＝1,2,
…
N,j＝1,2,
…
N，x
i
和x
j
是原空间的数据集，N是数据集的总数，σ＞0是高斯核的带宽，||Δ||是范数。
[0017]一种基于机器学习的CVQKD系统相位补偿装置，包括发送端和接收端；发送端包括激光器、幅度调制器、相位调制器、分束器、偏振分束器、法拉第镜和衰减器，接收端包括偏振分束器、相位调制器、分束器、平衡零差检测器和数据采集设备；
[0018]在发送端，传输有效序列之前，首先传输标准序列数据，分束器将光脉冲分束为量子信号光和本振光，量子信号光经幅度和相位调制器完成高斯调制，经偏振分束器和法拉第镜完成偏振复用，本振光经延迟线完成时分复用，最后信号光经衰减器到达另一偏振分束器；
[0019]在接收端，偏振分束器将量子信号光和本振光分束，本振光完成测量基选择和时间延迟，与量子信号光同时到达分束器完成合束，平衡零差检测器对合束后的信号进行测量并转换成电信号，信号采集设备从电信号中获得相位角度，通过与发送端数据进行对比，得到相位漂移角度；此外，通过支持向量机回归算法构建时间t与相位漂移角度Δφ(t)的回归预测模型，预测未来时间的相位漂移角度；在传输有效序列时，将未来时间的相位漂移角度作为相位补偿角度加载到发送端的相位调制器上以进行相位补偿。
[0020]进一步地，在CVQKD系统的有效序列数据开始传输前，插入一段被发送端和接收端已知的标准序列，标准序列工作的重复频率与CVQKD系统工作的重复频率一致。
[0021]进一步地，所述通过支持向量机回归算法构建时间t与相位漂移角度Δφ(t)的回归预测模型，具体方式为：
[0022]将相位漂移角度一部分的数据点作为训练集，剩余部分的数据点作为模型的测试集；
[0023]通过支持向量机回归算法构建时间t和相位漂移角度Δφ(t)的回归预测模型；回
归预测模型为：
[0024][0025]式中，α
i
是拉格朗日乘子，是最优解，b是位移项，K<x
i
,x>是多项式核函数，物理模型是K(x
i
,x
j
)＝(x
i
·
x
j
+1)
p
，i＝1,2,
…
N,j＝1,2,
…
N，x
i
和x
j
是原空间的数据集，N是数据集的总数，P＞1是多项式的次数。
[0026]本专利技术的有益效果在于：
[0027]1、本专利技术采用支持向量机回归模型，可以对本振光的慢漂移相位误差角度有很好的预测效果，通过预测的相位漂移角度可以直接对发送端的数据进行相位补偿，进而提升系统的安全密钥率。
[0028]2、本专利技术所提出的支持向量机回归模型能够有效对相位的慢漂移进行实时补偿，并且不需本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的CVQKD系统相位补偿方法，其特征在于，包括以下步骤：在CVQKD系统的有效序列数据开始传输前，插入一段被发送端和接收端已知的标准序列，标准序列工作的重复频率与CVQKD系统工作的重复频率一致；在发送端，首先传输标准序列数据，分束器将光脉冲分束为量子信号光和本振光，量子信号光经幅度和相位调制器完成高斯调制，经偏振分束器和法拉第镜完成偏振复用，本振光经延迟线完成时分复用，最后信号光经衰减器到达另一偏振分束器；在接收端，偏振分束器将量子信号光和本振光分束，本振光完成测量基选择和时间延迟，与量子信号光同时到达分束器完成合束，平衡零差检测器对合束后的信号进行测量并转换成电信号，信号采集设备从电信号中获得相位角度，通过与发送端数据进行对比，得到相位漂移角度；在接收端，通过支持向量机回归算法构建时间t与相位漂移角度Δφ(t)的回归预测模型，预测未来时间的相位漂移角度；在传输有效序列时，将未来时间的相位漂移角度作为相位补偿角度加载到发送端的相位调制器上以进行相位补偿。2.根据权利要求1所述的一种基于机器学习的CVQKD系统相位补偿方法，其特征在于，所述通过支持向量机回归算法构建时间t与相位漂移角度Δφ(t)的回归预测模型，具体方式为：将相位漂移角度一部分的数据点作为训练集，剩余部分的数据点作为模型的测试集；通过支持向量机回归算法构建时间t和相位漂移角度Δφ(t)的回归预测模型；回归预测模型为：式中，α
i
是拉格朗日乘子，是其最优解，b是位移项，K<x
i
,x>是高斯核函数，物理模型是i＝1,2,
···
N,j＝1,2,
···
N，x
i
和x
j
是原空间的数据集，N是数据集的总数，σ＞0是高斯核的带宽，||Δ||是范数。3.一种基于机器学习的CVQKD系统相位补偿装置，包括发送端和接收端；其特征在于，发送端包括激光器、幅度调制器、相位调制器、分束器、偏振分束器、法拉第镜和衰减器，接收端包括偏振分束器、相位调制器、分束器、平衡零差检测器和数据采...

【专利技术属性】
技术研发人员：宋贺良，刘旭超，李华贵，李少波，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：