基于监控数据的量子密钥分配物理层模型的开发与论证

量子密钥分配 (QKD) 是确保通信系统长期安全的有前景技术。与传统密钥交换方法如 RSA 相比，后者可能被量子计算机从理论上破解[1]，而 QKD 基于量子力学提供了增强的安全性[2]。尽管 QKD 设备已成熟且商业化，但其实现方式往往保密且防篡改。本论文解决 QKD 系统的实际缺陷问题，如低且波动的密钥率 (SKR) 和性能不稳定。通过将理论 SKR 推导应用于来自波兰某 QKD 系统的测量数据，我们洞察当前系统性能，开发机器学习 (ML) 模型预测系统行为。我们的研究方法包括构建理论 QKD 模型[2]和使用 Keras (TensorFlow[3]) 实现 ML 模型。关键发现表明，虽然理论模型提供了基础性见解，但 ML 模型在预测 QKD 系统性能方面具有更高精度，能够适应环境和操作参数。本论文强调了理论模型的局限性，凸显了 ML 模型在 QKD 系统中的实际意义。未来研究应致力于开发一种能够对 SKR 进行长期预测的综合物理层模型，以防止加密系统因 SKR 大幅下降而耗尽密钥。总之，本论文建立了使用 ML 模型预测 QKD 系统性能的基础方法，为未来在 SKR 长期预测方面的发展奠定了基础。