连续变量量子密钥分发中的信道篡改攻击的缓解

尽管在连续变量量子密钥分发 (CV-QKD) 中取得了显著进展，但实际的CV-QKD系统可能受到各种攻击的破坏。因此，识别CV-QKD实现的新型攻击向量和对策对于CV-QKD的持续稳健性至关重要。特别是，由于CV-QKD依赖公共量子信道，针对通信中断的脆弱性来自可能的对手实施的拒绝服务 (DoS) 攻击。以DoS攻击为灵感，本文引入了一种名为信道放大 (Channel Amplification, CA) 攻击的新型威胁，其中的Eve通过放大来操控通信信道。我们在CV-QKD光纤 setup 中具体建模了此类攻击。为对抗此威胁，我们提出了一种检测和缓解策略。检测涉及基于决策树分类器的机器学习 (ML) 模型，对包括CA和DoS攻击在内的各种信道篡改攻击进行分类。对于缓解，Bob通过对攻击类型和频率进行分类，后选 (post-select) 余弦数据。我们的ML模型在区分和分类这些攻击方面表现出高准确率。探讨了CA攻击对秘密密钥速率 (SKR) 的影响，具体取决于Eve的位置以及本地激光 (LO) 的相对强度噪声。我们提出的缓解策略改善了CA攻击的受攻击 SKR，并在某些情况下改善了混合CA-DoS攻击。我们的研究在此背景下首次将ML分类和后选技术应用于实际应用。这些发现对于增强CV-QKD系统对新兴信道威胁的鲁健性具有重要意义。