[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

本發明公開了一種基于機器學習的動態DWDM?QKD網絡中自適應信道分配方法。本方法主要針對量子密鑰分發與光網絡融合中時變噪聲干擾問題，在不影響已有經典業務服務機制的前提下，提供一種有效的噪聲抑制信道分配方案。針對無法提前預知經典業務請求這一難題，本方案中設計了一種基于機器學習的最佳量子信道預測模型，經訓練后能夠根據網絡狀態在線預測具有最低噪聲干擾的波長信道，基于這一預測結果周期性地對量子信道進行重新分配。本方案能夠顯著降低量子信號受到的噪聲干擾，從而提高密鑰生成率等性能，并且在實施量子信道分配過程中既無需對系統性能進行實時監控，也無需復雜的計算，極大降低了網絡管控的負擔，并且能夠滿足網絡的實時性要求。

技術領域

本專利涉及量子通信領域，尤其涉及量子密鑰分發與經典光網絡的融合技術。該方案主要為動態的融合型量子密鑰分發網絡提供自適應的信道分配方案，有效降低量子信號受到的噪聲干擾，提高量子密鑰分發系統與實際光通信網絡的融合性。

背景技術

目前，量子信號與經典信號共纖傳輸的可行性已經得到了初步驗證，前期的研究已經表明合理的信道規劃對于降低量子信號受到的噪聲干擾，保證量子密鑰分發(quantumkey di stribut ion,QKD)系統的正常工作有著至關重要的作用。而在短期之內，QKD有望與現有的實際光通信網絡融合，在該場景下，信道上的噪聲會隨著經典業務到達和離去動態變化，為了保證量子信道始終受到較低的噪聲干擾，需要對量子信道的分配進行動態的調整。前期的信道規劃方案均需要采取遍歷的方式尋找特定信道數目及信道間隔下的噪聲抑制信道分配方式，這些方案具有較高的計算復雜度，只適合于靜態的信道規劃問題，而無法適用于動態網絡環境下的實時信道分配。考慮到在復雜光網絡中實時的量子信道噪聲評估以及根據噪聲優化信道分配的復雜性，現有的基于密集波分復用(Dense wavelengthdivision multiplexing,DWDM)的QKD網絡中仍然采取固定波段的信道分配(Fixed-bandchannel allocation,FBCA)方式，即將量子信號與經典信號分別放置于兩個獨立的波段。通常，為了降低拉曼散射中斯托克斯分量的影響，將量子信道固定在低波長處。顯然，這種固定的信道分配方式無法在動態的經典業務環境下保證量子信道的質量，因此需要研究如何在復雜網絡環境下實時地進行量子信道調整使其適應時變的信道噪聲分布。

機器學習(Machine Learning，ML)具有根據歷史經驗進行預測及決策的能力，近年來被廣泛用于光通信網絡中解決較為復雜的問題。特別是一些研究成果中利用機器學習對還未建立的路由中包含的各個光纖鏈路的性能進行預測，判斷其的傳輸質量能否滿足需求，從而采取相應的措施來提高光網絡的可靠性。2018年，布里斯托大學的Y.OU等人將傳統光網絡中基于機器學習的性能預測方案擴展至QKD與光網絡融合這一場景中，提出了一種基于ML的動態網絡環境下的QKD系統性能預測方案。在該方案中，每當經典通信業務請求到達時，首先調用機器學習模塊來預測當前的信道分配方案下QKD系統的性能，若性能無法滿足實際需求，則重新按照備用方案來進行信道分配。該方案雖然能夠實現QKD系統的穩定可靠工作，但是無法有效提高系統的密鑰生成率，除此之外，該方案中實時的性能評估及頻繁的備用信道切換對網絡的管控帶來了較大的計算能力及功率的消耗，以上缺陷限制了該方案的實際應用。

綜上，QKD與動態光網絡融合場景為量子信道的噪聲抑制帶來了更大的挑戰，需要根據信道上的噪聲分布合理地調整信道分配策略來降低噪聲干擾。現有的波長分配方案在實時性和有效性方面均存在不足，因此應進一步結合QKD系統的特性，以提高一段時間內的密鑰生成量為目標，研究自適應的噪聲抑制信道分配方案。

發明內容