使用 LightGBM 的动态 DWDM-QKD 网络中的噪声抑制信道分配
量子物理
2020-01-08 v1
摘要
将量子密钥分发（QKD）与现有光网络集成以降低部署成本并实现高效的资源利用备受期望，且一些点对点传输实验已验证了其可行性。然而，在 QKD 与动态数据流量共存的现实场景中仍存在许多问题。一方面，在存在时变噪声的情况下，传统的静态信道分配方案无法保证量子信道的质量。另一方面，考虑到具有可变特征的动态经典数据流量引起的复杂噪声生成，实现高性能的在线量子信道分配极具挑战。为了解决这些问题，我们提出了一种基于机器学习的噪声抑制信道分配（ML-NSCA）方案。在该方案中，基于 LightGBM 的机器学习框架被训练以预测具有最低噪声影响的最优信道分配，据此周期性地重新分配量子信道以保证高安全密钥率。为了提高机器学习框架的准确性和可扩展性，我们还优化了训练过程中的特征提取方法。性能评估结果表明，所提方案能有效抵抗现实光网络中的动态噪声影响，并以比以往方案更低的操作复杂度获得更高的安全密钥率。
引用
@article{arxiv.1909.04420,
title = {Noise-suppressing channel allocation in dynamic DWDM-QKD networks using LightGBM},
author = {Jianing Niu and Yongmei Sun and Yongrui Zhang and Yuefeng Ji},
journal= {arXiv preprint arXiv:1909.04420},
year = {2020}
}