【技術實現步驟摘要】
本專利技術屬于量子信息處理，尤其涉及一種基于貝葉斯的量子密鑰分發的參數優化方法及系統。
技術介紹
1、本部分的陳述僅僅是提供了與本專利技術相關的
技術介紹
信息，不必然構成在先技術。
2、量子密鑰分發(英語：quantum?key?distribution，簡稱qkd)，是利用量子力學特性來保證通信安全性，它使通信的雙方能夠產生并分享一個隨機的、安全的密鑰，來加密和解密消息。在實際的密鑰分發中，考慮有限密鑰長度的情況下，充分優化的參數可以極大地提高密鑰率。當獨立于測量設備的qkd網絡的用戶數量越來越多的時候，參數的選擇(x基或z基的選擇概率、信號態和誘騙態的強度等)變得具有挑戰性。此外，隨著物聯網技術的發展，qkd的一個極具吸引力的發展方向可能是具有多設備和眾多連接的量子網絡，這也為優化大規模連接的量子網絡的系統參數帶來了巨大的計算挑戰。
3、目前，人們通常使用窮舉搜索算法或者局部搜索算法來搜索最佳參數。這些方法雖然可以準確地找到優化參數，但是這些算法計算量大，在低功耗平臺上運行速度慢，會導致系統的延遲，耗費大量的時間和硬件資源，難以實現高速量子密鑰分發(qkd)系統的實時參數優化以及大型量子通信網絡資源的最優配置需求。此外，xgboost模型包含許多超參數，超參數的調優過程非常復雜且耗時，并且現有的基于xgboost模型進行量子密鑰分發系統參數優化的方法并沒有給出明確的超參數調優方法，可能無法在一定的超參數搜索空間內得到包含最優超參數的xgboost模型，從而導致無法得到最優的系統參數，不能更好地提高密鑰生
4、由此可見，現有系統參數優化存在一定的不足：
5、(1)傳統的局部搜索算法或窮舉搜索算法，雖然也能給出最優系統參數，但是需要不停的搜索或枚舉，系統算法計算量大，效率低，耗費大量的時間和硬件資源，難以實現高速量子密鑰分發(qkd)系統的實時參數優化以及大型量子通信網絡資源的最優配置需求；
6、(2)現有的基于xgboost模型進行量子密鑰分發系統參數優化的方法沒有給出明確的超參數調優方法，無法在一定的超參數搜索空間內得到包含最優超參數的xgboost模型，從而導致無法得到最優的系統參數，模型預測精度低，大大降低了密鑰生成率，增強了系統的安全性。
技術實現思路
1、為克服上述現有技術的不足，本專利技術提供了一種基于貝葉斯的量子密鑰分發的參數優化方法及系統。通過基于xgboost模型，確定一個超參數優化空間，基于貝葉斯優化對xgboost模型的超參數迭代優化，構建包含最優超參數的基于貝葉斯優化的參數最優模型，利用基于貝葉斯優化的參數最優模型能夠準確預測待優化的系統參數，模型預測精度高、效率高，大大提高了密鑰生成率。
2、為實現上述目的，本專利技術的一個或多個實施例提供了如下技術方案：
3、第一方面，公開了一種基于貝葉斯的量子密鑰分發的參數優化方法，包括：
4、獲取待預測數據，并進行預處理，得到預處理后的數據；
5、將預處理后的數據輸入到訓練好的參數最優模型中，進行預測和優化，得到最優參數和最優密鑰生成率；
6、其中，所述參數最優模型在訓練時，包括：
7、獲取初始數據集，并將初始數據集輸入到包含初始超參數的xgboost模型中，得到超參數搜索空間；使用基于貝葉斯優化的超參數優化庫對所述超參數搜索空間進行迭代優化，得到包含最優超參數的參數最優模型。
8、作為進一步的技術方案，所述初始數據集包括系統參數、發送概率、信號態強度數據及誘騙態強度數據；所述系統參數包括本地誤碼率、暗計數率，發送的信號總數及通信雙方之間的傳輸距離。
9、作為進一步的技術方案，獲取初始數據集之后，對初始數據集進行預處理，具體為，使用z-score對初始數據集進行特征縮放，得到預處理后的數據。
10、作為進一步的技術方案，在訓練過程中，基于貝葉斯優化的超參數優化庫對所述超參數搜索空間進行迭代優化，得到包含最優超參數的參數最優模型，具體為：
11、構建最優超參數組合的最小損失函數；
12、利用最小損失函數，使用貝葉斯優化來迭代搜索最優超參數組合，得到最優超數據組合；
13、利用最優超參數組合，構建參數最優模型。
14、作為進一步的技術方案，基于最優參數，獲得最優參數的密鑰生成率，具體為：
15、將最優參數信號態強度、最優誘騙態強度及最優發送概率作為響應向量，將最優參數本地誤碼率、暗計數率、發送的脈沖總數及兩者間的通信距離作為系統條件向量；
16、根據系統向量和響應向量，得到局部最優參數；
17、根據局部最優參數，預測模型精度；
18、當模型精度最大時，最優參數為局部最優參數；
19、根據最優參數，得到最優密鑰生成率。
20、作為進一步的技術方案，根據最優參數，得到最優密鑰生成率，公式為：
21、
22、其中，r表示最優密鑰生成率，表示包含最優信號態強度、最優誘騙態強度及最優發送概率的響應向量，表示使用參數最優模型預測得到的最優參數。
23、第二方面，公開了一種基于貝葉斯的量子密鑰分發的參數優化系統，包括：
24、數據獲取處理模塊，用于獲取待預測數據，并進行預處理，得到預處理后的數據；
25、模型訓練預測模塊，用于將預處理后的數據輸入到訓練好的參數最優模型中，進行預測和優化，得到最優參數和最優密鑰生成率；其中，所述參數最優模型在訓練時，包括：獲取初始數據集，并將初始數據集輸入到包含初始超參數的xgboost模型中，得到超參數搜索空間；使用基于貝葉斯優化的超參數優化庫對所述超參數搜索空間進行迭代優化，得到包含最優超參數的參數最優模型。
26、本專利技術第三個方面是提供一種計算機裝置,包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現上述基于貝葉斯的量子密鑰分發的參數優化方法的步驟。
27、本專利技術第四個方面是提供一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時執行上述基于貝葉斯的量子密鑰分發的參數優化方法的步驟。
28、本專利技術第五個方面是提供一種計算機程序產品，其在計算機上運行時，使得計算機執行上述基于貝葉斯的量子密鑰分發的參數優化方法和功能。
29、以上一個或多個技術方案存在以下有益效果：
30、在本實施例中，通過基于貝葉斯優化的參數最優模型，能夠準確預測待優化的系統參數，提高了系統參數優化的效率，降低了時間成本，大大提高了密鑰生成率；同時，通過xgboost模型和貝葉斯優化庫的結合，使得模型的超本文檔來自技高網...
【技術保護點】
1.一種基于貝葉斯的量子密鑰分發的參數優化方法，其特征在于，包括：
2.如權利要求1所述的一種基于貝葉斯的量子密鑰分發的參數優化方法，其特征在于，所述初始數據集包括系統參數、發送概率、信號態強度數據及誘騙態強度數據；所述系統參數包括本地誤碼率、暗計數率，發送的信號總數及通信雙方之間的傳輸距離。
3.如權利要求1所述的一種基于貝葉斯的量子密鑰分發的參數優化方法，其特征在于，獲取初始數據集之后，對初始數據集進行預處理，具體為，使用Z-Score對初始數據集進行特征縮放，得到預處理后的數據。
4.如權利要求1所述的一種基于貝葉斯的量子密鑰分發的參數優化方法，其特征在于，在訓練過程中，基于貝葉斯優化的超參數優化庫對所述超參數搜索空間進行迭代優化，得到包含最優超參數的參數最優模型，具體為：
5.如權利要求1所述的一種基于貝葉斯的量子密鑰分發的參數優化方法，其特征在于，基于最優參數，獲得最優參數的密鑰生成率，具體為：
6.如權利要求1所述的一種基于貝葉斯的量子密鑰分發的參數優化方法，其特征在于，根據最優參數，得到最優密鑰生成率，公式
7.一種基于貝葉斯的量子密鑰分發的參數優化系統，其特征在于，執行如權利要求1-6任一項所述的基于貝葉斯的量子密鑰分發的參數優化方法，包括：
8.一種計算機裝置,包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1-6任一項所述方法的步驟。
9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時執行如權利要求1-6任一項所述方法的步驟。
10.一種計算機程序產品，其在計算機上運行，其特征在于，使得計算機執行如權利要求1-6任一項所述方法和功能。
...【技術特征摘要】
1.一種基于貝葉斯的量子密鑰分發的參數優化方法，其特征在于，包括：
2.如權利要求1所述的一種基于貝葉斯的量子密鑰分發的參數優化方法，其特征在于，所述初始數據集包括系統參數、發送概率、信號態強度數據及誘騙態強度數據；所述系統參數包括本地誤碼率、暗計數率，發送的信號總數及通信雙方之間的傳輸距離。
3.如權利要求1所述的一種基于貝葉斯的量子密鑰分發的參數優化方法，其特征在于，獲取初始數據集之后，對初始數據集進行預處理，具體為，使用z-score對初始數據集進行特征縮放，得到預處理后的數據。
4.如權利要求1所述的一種基于貝葉斯的量子密鑰分發的參數優化方法，其特征在于，在訓練過程中，基于貝葉斯優化的超參數優化庫對所述超參數搜索空間進行迭代優化，得到包含最優超參數的參數最優模型，具體為：
5.如權利要求1所述的一種基于貝葉斯的量子密鑰分發的參數...
【專利技術屬性】
技術研發人員：許啟豪，汪付強，趙微，吳成，李廣耀，
申請(專利權)人：山東省計算中心國家超級計算濟南中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。