机器学习在量子通信资源优化配置中的应用

摘要：

在未来量子通信网络的大规模应用中,如何根据当前用户实际情况实现资源优化配置,比如选择最优量子密钥分发协议(quantum key distribution,QKD)和最优系统参数等,是实现网络应用的一个重要考察指标.传统的QKD最优协议选择以及参数优化配置方法,大多是通过局部搜索算法来实现.该方法需要花费大量的计算资源和时间.为此,本文提出了将机器学习算法应用到QKD资源优化配置之中,通过回归机器学习的方式来同时进行不同情境下的最优协议选择以及最优协议的参数优化配置.此外,将包括随机森林(random forest,RF)、最近邻(k-nearest neighbor,KNN)、逻辑回归(logistic regression)等在内的多种回归机器学习模型进行对比分析.数据仿真结果显示,基于机器学习的新方案与基于局部搜索算法的传统方案相比,在资源损耗方面实现了质的跨越,而且RF在多个回归评估指标上都取得了最佳的效果.此外,通过残差分析,发现以RF回归模型为代表的机器学习方案在最优协议选择以及参数优化配置方面具有很好的环境鲁棒性.因此,本工作将对未来量子通信网络实际应用起到重要的推进作用.

关键词：量子通信、量子密钥分发、回归机器学习、资源优化配置

所属期刊栏目：71

分类号：TN918;TP391.4;S

资助基金：国家重点研究发展计划项目;国家重点研究发展计划项目;国家自然科学基金;江苏省自然科学基金;江苏省研究生科研创新计划项目;资助的课题

在线出版日期：2023-02-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：16-21