基于回归决策树的测量设备无关型量子密钥分发参数优化

摘要

量子密钥分发(quantum key distribution,QKD)结合一次一密的加密方式,可以实现无条件安全的量子通信.双场(twin-field,TF)QKD和测量设备无关(measurement-device-independent,MDI)QKD具有较高的安全性,同时适合构建以测量端为中心的网络,具有广阔的应用前景.但在实际应用过程中,参数配置对QKD性能有着极大影响,而实际场景中存在着用户数量大、位置距离中心站点非对称、并且用户大部分处在实时移动中的特点.面对上述实时的参数配置需求,传统的参数优化方式将无法满足.本文提出将监督机器学习算法应用于QKD参数优化配置中,通过机器学习模型预测不同场景下TF和MDI两种常用协议的最优参数.将神经网络、最近邻、随机森林、梯度提升决策树和分类回归决策树(classification and regression tree,CART)等监督学习模型进行对比,结果显示CART模型在R^(2)等回归评估指标上均有最优表现.在随机划分训练组、验证组情况下,预测参数的密钥率与最优密钥率比值的均值在0.995以上;在“超精度”和“超范围”两种极限情况下,该均值仍能维持在0.988左右,且在残差分析中具有较好的环境鲁棒性,展现出较好的性能.此外,基于CART的新方案相较于传统方案在计算实时性表现上有很大提升,将单次预测时间缩短至微秒量级,很好地满足了通信方在移动状态下的实时通信需求.