[發明專利]一種基于機器學習的動態DWDM-QKD網絡中的自適應信道分配方法

有效

• 申請號: 201910842906.0
• 申請日: 2019-09-06
• 公開（公告）號: CN110601826B
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 孫詠梅;牛佳寧;張永銳;紀越峰
• 申請（專利權）人: 北京郵電大學
• 主分類號: H04L9/08
• 分類號: H04L9/08;H04B10/70;G06N20/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于機器學習的動態DWDM-QKD網絡中的自適應信道分配方法，其目的在于降低QKD與動態經典業務共存時的噪聲干擾，從而提高QKD系統的密鑰生成率；其特征在于，該方法包括兩個技術要點：首先，針對動態網絡環境下難以提前獲知經典請求的連接建立情況這一問題，構建機器學習模型，根據當前的網絡狀態及經典業務請求到達/離去規律，提前預測受到經典信號干擾最低的信道位置，作為最佳量子信道；其次，以不干擾已有的經典業務服務機制為前提，對量子信道采取了周期性重構的方式；

其中，基于機器學習的最佳量子信道的預測方法主要包括機器學習模型構建，機器學習模型訓練以及基于機器學習模型的預測三個步驟：

步驟1，采用決策樹或神經網絡的標準框架構建機器學習模型；

步驟2，機器學習模型訓練的關鍵技術是訓練數據生成以及特征變量定義；訓練數據可通過在模擬的DWDM-QKD網絡中進行仿真計算或者在實際的DWDM-QKD網絡中進行實驗測量的方式生成，具體方式為：假設量子信道的重構周期為TS，對于每個時隙t_i，若t_i≡0(modTS)，則通過基于蒙特卡羅的信道評估方法得到該時隙各個可用的信道在下一周期成為最佳信道的概率p_opt；特征變量主要反映當前的網絡狀態，經特征篩選后，主要包含以下變量：各光纖鏈路上各個波長信道狀態、該時段經典業務的平均業務量、各光纖鏈路的長度、各個波長信道上業務的剩余持續時間、各波長信道的信號功率、量子信道重構周期以及候選量子信道；

步驟3，機器學習模型訓練好后能夠在線執行最佳量子信道預測任務；

根據當前的網絡狀態提取各個特征變量，將特征變量輸入至機器學習模型中，得到各個可用信道對應的性能評價參數p_opt；若DWDM-QKD網絡中需要N個量子信道，則選擇前N個p_opt值最大的信道作為最佳量子信道分配方案；

其中，在不干擾已有的經典業務服務機制的前提下，量子信道周期性重構的步驟為：對于每個時隙t_i，優先為該時隙到達的經典業務請求建立連接；判斷當前時隙若滿足t_i≡0(mod TS)，則需要根據當前的網絡中各個鏈路信道利用情況預測下一周期的最佳量子信道分配方案，同時根據預測的最佳信道位置對量子信道進行重新分配；若不滿足t_i≡0(modTS)，則量子信道仍然保持上一時隙的信道分配方案；為了保證系統的高效性，TS的設置應大于量子信道切換時間、量子信號傳輸時間以及QKD的后處理時間。

2.如權利要求1所述的方法，其特征在于，對于步驟2所述的訓練數據的生成，由于難以提前獲知下一周期到達的經典業務請求隊列，導致對每個可用信道的性能評估也是非確定性的，因此設計了基于蒙特卡洛仿真的信道性能評估方法；即對于時隙t_i，首先隨機生成了M個在t_i+1到t_i+TS之間的經典業務請求隊列，對于每個請求隊列重復的進行請求連接的建立及每個可用波長信道上的密鑰生成率評估，同時記錄每次重復過程中密鑰生成率最高的信道；在完成M次隨機仿真過程之后，統計結果，定義性能評價參數p_opt，表征未來周期內各可用信道優于其他信道的頻率作為各信道成為性能最優信道的概率。