面向可信量子密钥分发网络的特洛伊木马检测的经验风险感知机器学习

量子密钥分发（QKD）是一种利用量子力学原理在传输过程中提供极高数据安全级别的密码技术。它因其实现可证明安全性的能力而广受认可。然而，理论概念与实际实现之间的差距引发了对 QKD 网络可信度的担忧。为了缩小这一差距，我们提出实施风险感知的机器学习技术，对时变量子信道上的特洛伊木马攻击进行风险分析。本研究中提出的信任条件旨在通过比较推荐安全边界之间的风险水平，来评估安全保证的离线评估。该评估基于所进行的风险分析。此外，所提出的可信 QKD 场景借助一个先进的点对点 QKD 设备展示了其数值结果，该设备在跨越 1 米、1 公里和 30 公里距离的光量子信道上运行。基于对 30 公里光纤连接的实验评估结果，可以得出结论：在 Eve 没有攻击时，QKD 设备向所提出的学习器提供了先验信息。根据最优分类器，我们的学习器提供的防御门具备识别任何潜在 Eve 攻击的能力，从而有效降低潜在漏洞的风险。在我们的可信 QKD 场景中，Eve 检测概率具有可证明的界限。