论文部分内容阅读
量子密钥分发技术(QKD)的出现为抵御未来计算能力高速发展带来的信息安全问题提供了新的解决方案。近年来,QKD的理论已得到了初步完善,正逐渐从实验室走向实际应用。下一阶段的发展重点将是大规模QKD组网技术,从提高可扩展性及降低实施成本的角度出发,将QKD与光网络融合,即搭建量子密钥分发光网络,成为了必然的发展趋势。本论文围绕如何在现有的光网络资源中承载量子信号的传输这一核心问题,重点针对QKD与光网络融合中噪声干扰及资源竞争两大挑战展开研究,从提高可靠性及资源共享的高效性两个层面提出相应的资源分配方案,主要的研究工作和创新成果如下:(1)针对量子信号与经典信号共纤传输中的多噪声源抑制问题,提出了联合优化四波混频与拉曼散射噪声的波长分配(JOCA)方案。该方案中通过非等间隔信道位置选择及拉曼散射最优的信道间隔选择,能够同时降低四波混频(FWM)及拉曼散射噪声对QKD系统的影响。基于搭建的支持信道重构的共纤传输实验平台展开了一系列噪声测试实验,实验结果验证了提出的JOCA方案能够基本消除FWM噪声干扰,同时使拉曼散射噪声降低23%以上。对QKD系统的性能评估结果表明,密钥生成率与传统方案相比可提高2~3倍。除此之外,为了提高方案的实用性还研究了 JOCA方案在点对多点光接入网中的扩展应用。在本文的仿真场景下,基于JOCA方案的量子光接入网的覆盖范围可提高至20 km,并且与传统方案下的量子光接入网相比密钥生成率最多可提升5倍。(2)针对动态网络环境下的时变噪声干扰问题,提出了基于机器学习的噪声抑制信道分配(ML-NSCA)方案。该方案中针对动态网络环境下数据业务无法准确预知这一挑战,设计了基于LightGBM的最佳量子信道预测模型,该模型采取基于蒙特卡洛的训练方法,解决了数据业务未知条件下的噪声预测问题。在此基础上,根据预测结果采取周期性量子信道重构方式保证QKD在时变噪声下的可靠性。为了提高机器学习的性能,对特征衍生及提取方法进行了优化。测试结果表明,设计的机器学习模型的预测准确率能够达到95%以上。提出的ML-NSCA方案提供了一种更加有效的时变噪声干扰抑制方案,与目前典型的固定波带信道分配(FBCA)方案以及性能预测信道分配(PPCA)方案相比,密钥生成率最大可分别提升42%和31%。(3)针对QKD与数据通信业务共存中的资源竞争问题,提出了密钥量驱动的波长分配(KSD-WA)机制,并设计了启发式优化算法及基于深度强化学习的优化算法。具体地,在基于密钥池的密钥存储与管理技术的保障下,提出的KSD-WA机制通过支持量子信道重构有效地回收网络中的波长碎片来承载量子信号的传输。同时,在物理层噪声干扰的限制下,为了保证生成的量子密钥量能够满足加密需求,对KSD-WA方案中的波长选择进行了优化,提出了最小增益保证(MGG)算法。进一步地,为了提高有效性及智能性,设计了基于深度强化学习的优化算法,实现了策略的自主学习。仿真结果表明,提出的MGG算法及深度强化学习算法能够有效提高密钥生成率,而深度强化学习算法表现出了更好的自适应性。另外,在满足同样加密需求的情况下,现有的信道分配方案严重干扰数据业务的服务(高负载下的阻塞率将提高约10%),而KSD-WA方案保证了数据业务的服务质量(与无QKD情况下相同),极大地提高了 QKD与实际光网络的兼容性。综上所述,本文重点研究了 QKD光网络中的资源分配机制,在噪声干扰抑制及高效资源共享两个方面提出了创新性的解决方案,并引入了机器学习进一步提高方案的高效性和智能性。本论文的研究提高了 QKD与光网络融合的可行性,为促进大规模QKD光网络的发展提供了技术支持。