基于数据集降维处理的多芯光纤中量子信道噪声预测方法

1.本专利涉及量子通信领域，尤其涉及与多芯光纤光网络融合的量子密钥分发系统。本发明为基于多芯光纤的量子密钥分发光网络提供了噪声预测方法，该方法具有预测速度快，预测准确率高，适用范围广的特点，可促进量子密钥分发技术的实用化。


背景技术：

2.量子密钥分发(quantum key distribution,qkd)可以为通信双方提供密钥，配合一次一密，可以实现理论上无条件的信息安全。当前点对点的qkd技术已日益完善，传输距离和密钥生成率都得到了显著提升，为了降低建设成本、提升传输容量，qkd网络与经典光网络的融合传输当前正在被深入研究。
3.当经典信号与量子信号在同一光纤中传输时(下称共纤传输)，由于量子信号的功率极低(通常-80dbm以下)，容易受到经典信号(功率典型值0dbm)产生的噪声干扰，例如自发拉曼散射噪声(spontaneous raman scattering,sprs)和四波混频噪声(four wave mixing,fwm)。而为了进一步提高网络容量，基于空分复用技术的弱耦合多芯光纤在共纤传输系统中的应用正在被深入研究。然而，多芯光纤扩展传输容量的同时，也引入了新的噪声，如芯间串扰噪声(inter core crosstalk,icxt)，该噪声约为-40db/10km，会严重影响qkd系统的性能。
4.为了在共纤传输系统中获得更高的密钥生成率，需要将量子信号置于噪声较低的信道上，因此在实际网络中，每当业务到来时，需要对链路上的信道进行评估，该评估过程将引入额外的时延并体现在网络整体时延上。目前机器学习(machine learning,ml)已被广泛应用于通信领域进行信道估计、信道检测等研究降低网络整体时延，可推广应用于共纤传输系统中的噪声评估。因此本发明提出一种基于数据集降维处理的多芯光纤中量子信道噪声预测方法，快速评估共纤传输系统中的链路噪声。


技术实现要素：

5.本发明针对多芯光纤中量子信道的噪声评估问题，提出了一种基于数据集降维处理的多芯光纤中量子信道噪声预测方法，适合任意纤芯数目和任意波长数目的多芯光纤量子密钥分发光网络。具体地，以链路信道状态为特征值，噪声情况为目标值建立数据集，使用ml算法框架拟合数据生成噪声预测模型，当新业务到来时，实现对链路噪声快速准确预测，具体实现步骤为：
6.步骤一：建立基于多芯光纤纤芯波长数及信道所受链路噪声特性的噪声数据集；
7.为了使噪声预测模型在不同链路状态下能更准确地预测各空闲信道的噪声值，需要大量带有标签的数据来对模型进行训练。本专利中的训练数据可通过建立共纤传输系统模型仿真获取，也可以在实际共纤传输系统中测量获取。根据共纤传输系统所使用的多芯光纤纤芯数c和每纤芯波长数w，将链路状态抽象为一个c
×
w的状态矩阵，其中若某信道被经典信号占用，状态矩阵中该位置元素设为1，若某信道空闲，则状态矩阵对应元素设为0。
8.遍历状态矩阵，计算噪声矩阵。将非空闲信道处的噪声值设为0，空闲信道处根据仿真参数计算该信道处的sprs、fwm以及icxt噪声光子数，以此生成与状态矩阵对应的噪声矩阵。其中仿真参数包括光纤长度、单纤芯衰减、纤芯间距等光纤参数、每信道经典信号功率等信号参数以及单光子探测器(spd)暗计数、探测频率、探测效率等spd参数。
9.生成m组经典信号总数占信道总数比值(下称信道占用率)不相同的状态矩阵，每组状态矩阵数为n个，并计算获得其对应的噪声矩阵，状态矩阵中的全部元素作为特征值，噪声矩阵对应元素作为目标值生成噪声数据集。
10.步骤二：基于量子信号所受噪声特性对数据集进行降维处理；
11.对数据集进行预处理以提升噪声预测模型的训练速度和预测准确率，对每一个空闲信道，其所受噪声中，sprs和fwm仅由同纤芯不同波长的经典信号引起，icxt仅由不同纤芯同波长的经典信号引起，因此对每个信道，与其噪声相关的信道数为c+w-1，每个样本的特征值为状态矩阵该信道位置元素同行不同列，同列不同行以及样本本身元素的值。
12.步骤三：建立基于xgboost和lightgbm算法的链路噪声预测模型；
13.选取用于预测噪声的ml算法：xgboost和lightgbm算法，这是两种性能较好的梯度提升决策树框架，其中xgboost算法预测准确率较高，lightgbm算法训练时长较短。调用python的机器学习库sklearn中的多输出回归(multioutputregressor)方法以同时预测噪声矩阵全部位置的值，其中每个预测模型，定义其训练目标为回归。逐步调整模型的弱学习器数量n_estimators、决策树深度max_depth等参数，以归一化均方误差(nmse)和确定性系数(r2)为调参指标，通过交叉验证来评估不同参数下的预测准确率，选择兼顾预测准确率和预测时间的模型，对步骤二中所述数据集进行训练，得到噪声预测模型。
14.nmse常用于评价预测结果和实测结果的整体误差，其值越小，则误差越小，预测结果越可靠，r2通过对预测值与测量值进行运算得到，是用来评价拟合程度的一项指标，其取值范围在0～1之间，越大则表示拟合程度越好，表达式分别如下：
[0015][0016][0017]
其中为预测值，为平均值，n为样本数量，||a||2表示a的2-范数。
[0018]
步骤四：利用噪声预测模型预测链路噪声。
[0019]
基于步骤三得到的噪声预测模型，当新业务到来时，读取当前链路状态，将其作为输入，获得链路噪声矩阵，其中噪声最低的位置可用来传输量子信号以达到更高的密钥生成率。
[0020]
本专利所述方法可以应用于量子信号与经典信号共多芯光纤传输的光网络中，能够减少新业务到来时评估噪声引入的时延，促进qkd与经典光网络融合传输的应用。
附图说明
[0021]
图1为该本发明第一个实施例的实施流程。
[0022]
图2为该本发明第一个实施例中对于同一状态矩阵，通过计算得到的噪声矩阵与
通过使用噪声预测模型得到的噪声矩阵的结果(由于噪声矩阵列数过多，已进行行列数调整)。
具体实施方式
[0023]
为了使本发明的目的、技术方法及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0024]
本专利提出的基于数据集降维处理的多芯光纤中量子信道噪声预测方法中可选用弱耦合同质七芯光纤，每纤芯的波长数为80。该方法的实施流程如图1所示。光纤信道状态可抽象为7行80列的状态矩阵，其中被经典信号占用的信道状态矩阵对应元素设为1，空闲信道设为0。
[0025]
生成20组状态矩阵，其信道占用率从5％到95％均匀分布，每组状态矩阵数为50个。对这10000个状态矩阵分别计算对应的噪声矩阵，所需计算的噪声为sprs、fwm和icxt。该传输系统中的光纤、信号和单光子探测器的参数如表1所示。状态矩阵及其对应的噪声矩阵分别作为特征值和目标值组成噪声数据集。
[0026]
表一.仿真参数
[0027]
参数数值光纤长度10km每信道经典信号功率0dbm信道衰减0.2db/kmspd暗计数700cpsspd探测效率0.1spd探测频率1mhz
[0028]
对数据集进行预处理，每个状态矩阵的形状原本为7
×
80，由于sprs和fwm只由同纤芯不同波长的经典信号引起，icxt只由不同纤芯同波长的经典信号引起，因此只有同纤芯不同波长、不同纤芯同波长以及所需预测信道位置本身与噪声结果相关，每个需被预测噪声的信道相关的信道数量为86个，即每个样本的特征数为86，而需要被预测噪声的信道共560个，噪声数据集样本数量为10000。
[0029]
对每种ml算法，为了仅使用一个模型来评估噪声，本发明调用sklearn库中的multioutputregressor类修饰用于预测单个信道噪声的基目标回归器，基目标回归器使用的ml算法分别为xgboost和lightgbm，定义其训练目标为回归，使用nmse和r2作为性能指标，综合考虑模型预测准确性及预测耗时，调整n_estimators为40。使用该模型对噪声数据集进行训练，得到最终的噪声预测模型。
[0030]
对于该共纤传输系统，当新业务到达时，将链路状态矩阵作为预测模型的输入，输出为链路噪声矩阵。图2为某次业务到达时，该链路中噪声的直接计算结果和模型预测结果图，其中上图为直接计算的噪声矩阵，下图为基于xgboost算法的噪声预测模型的噪声预测结果。与直接计算噪声相比，对不同信道占用率，噪声评估时延最大可降低98.8％，平均预测准确率可达到96.25％。
[0031]
通过以上实施例可以看出，本专利提出的基于数据集降维处理的多芯光纤中量子
信道噪声预测方法可以在保证其预测准确率的情况下大大降低评估共纤传输系统中链路噪声引入的延迟，并适用于任意纤芯数和任意波长数的传输链路，推动了qkd与经典光网络融合传输的实用化。