基于决策树的量子通信方法

本发明涉及量子通信中信道粒子分配，具体地讲，是涉及一种基于决策树的量子通信方法。

背景技术：

1、量子通信是利用量子叠加态和纠缠效应进行信息传递的新型通信方式，量子通信主要基于量子纠缠态的理论，使用量子隐形传态(传输)、量子信息分离(传输)及量子密钥分配(传输)等的方式实现信息传递。量子通信的过程如下：事先构建一对具有纠缠态的粒子(纠缠粒子间具有长距离的物理联系)，将两个粒子分别放在通信双方，将具有未知量子态的粒子与发送方的粒子进行联合测量(一种操作)，则接收方的粒子瞬间发生塌缩(变化：基于粒子间物理联系产生的变化)，塌缩(变化)为某种状态，这个状态与发送方的粒子塌缩(变化)后的状态是对称的，然后将联合测量的信息通过经典信道传送给接收方，接收方根据接收到的信息对塌缩的粒子进行幺正变换(相当于逆转变换)，即可得到与发送方完全相同的未知量子态。

2、在实际通信中，一般都是直接根据传输的信息来设计通信方案，其中需要人为判断通信参与者的通信等级，然后根据等级给通信者分配相应的粒子位，然而由于参与通信的人数可能相当庞大，判断等级的条件过于冗杂，且人为的工作量相当大容易判断失误，我们很难判断出通信者的等级，甚至一些通信者不能拥有粒子位，不能参与通信，因此常规的量子通信过程中存在通信信道粒子的分配问题。

技术实现思路

1、针对上述现有技术存在的问题，本发明提供一种基于决策树的量子通信方法，通过将机器学习中决策树的方法引入到量子通信中，解决通信者的等级判断问题，从而解决通信信道粒子的分配问题。

2、为了实现上述目的，本发明采用的技术方案如下：

3、一种基于决策树的量子通信方法，包括以下步骤：

4、s10、采集量子通信参与者的通信者信息，从中提取出决策树预测模型所需的多个特征信息，在对这些特征信息进行数据预处理后，训练决策树预测模型，输出为量子通信参与者的高级和低级分类；

5、s20、采用交叉验证和重采样的方法对训练获得的决策树预测模型进行评价，根据评价结果优化该决策树预测模型；

6、s30、通信时根据该决策树预测模型确定出量子通信参与者的高级和低级分类，按照预设信息为不同等级的量子通信参与者分配相应的信道粒子，开始通信；

7、s40、接收者为不同等级的量子通信参与者时分别按指定规则执行相应的测量操作，执行测量操作之后，将测量结果通过经典信道告诉接收者；

8、s50、接收者收到所有的测量结果后，根据相应的结果对塌缩态执行幺正操作，恢复发送者所发送的信息。

9、具体地，所述步骤s10的过程包括：

10、s11、根据量子通信的目标需求预设决策树预测模型所需的特征信息；

11、s12、从采集到的通信者信息中按预设需求提取出相应的特征信息；

12、s13、将提取出的特征信息数字化；

13、s14、将数字化的特征信息作为数据集，并将该数据集按指定比例分为训练集和测试集；

14、s15、将训练集的数据输入到设定的决策树预测模型中进行模型训练，按照设定的量子通信参与者的高级和低级分类输出结果，由此确定出决策树预测模型的各个参数；

15、s16、采用测试集对获得的决策树预测模型进行检验，根据测试集输出结果统计分析判断错误率，并采用损失函数对训练获得的决策树预测模型进行剪枝优化。

16、具体地，所述预设决策树预测模型所需的特征信息为参加所有通信中诚信次数的占比、最近三次通信中诚信的次数、第三方公证平台判断的不诚实可能性、是否上市。

17、具体地，所述设定的决策树预测模型采用基尼指数模型，表示为：

18、d1＝{(xi)∈daj(x)＝a},0≤a≤xi，d2＝d-d1

19、

20、

21、式中，d为数据集，aj表示第j个特征信息，xi表示某个特征信息的第i个取值，a表示相应特征信息的分支条件取值，根据该a的取值将数据集d分为d1和d2两个分支子集；k表示d中特征信息的类的个数，ck表示d中属于第k类的样本子集；gini(d)表示数据集d的基尼指数，gini(d,a)表示取特征信息a时数据集d的基尼指数；

22、选择基尼指数最小时对应的特征信息为最优切分点，模型训练时将训练集中的样本依据特征信息分配到两个分支子集中，如此循环往复计算选择，直至分支子集中的样本数小于预定阈值或没有特征进行选择，两种同类分支子集的各自集合分别对应输出结果中的高级量子通信参与者和低级量子通信参与者。

23、具体地，所述损失函数表示为：

24、cα(t)＝c(t)+αt

25、式中，t表示任意子树，c(t)表示对训练数据的预测误差，即对应的基尼指数，t表示子树的叶节点个数，cα(t)表示参数α为时的子树t的整体损失，设定的参数α用于权衡训练数据的拟合程度与模型复杂度。

26、具体地，所述步骤s20的过程包括：

27、s21、根据交叉验证误差kfodloss函数和重采样误差resubloss函数，重新分配数据集d，训练和测试设定的决策树预测模型，并计算交叉验证误差；

28、s22、重复多次执行步骤s21的过程，并计算多次分配后交叉验证误差的平均值，作为对训练优化的决策树预测模型的评价；

29、s23、根据步骤s22的评价结果，选择在最小交叉验证误差下对训练优化的决策树预测模型进行剪枝，调整决策树预测模型，实现决策树预测模型的再优化。

30、具体地，所述步骤s30中确定出量子通信参与者的等级为高级量子通信参与者和低级量子通信参与者。

31、具体地，所述步骤s40中指定规则执行相应的测量操作为：

32、当接收者为高级量子通信参与者时，由其他的任一高级量子通信参与者执行单粒子测量，并将测量结果通过经典信道告诉接收者；

33、当接收者为低级量子通信参与者时，由其他所有的量子通信参与者执行单粒子测量，并将测量结果通过经典信道告诉接收者。

34、与现有技术相比，本发明具有以下有益效果：

35、(1)本发明提出一种根据量子通信参与者来设计量子通信方案的方法，巧妙利用了机器学习中的决策树算法对量子通信参与者进行划分评级，实现通信者的等级判断，从而为相应等级的通信者分配匹配的信道粒子数，解决了信道粒子的分配问题，节省了量子资源，提高了量子通信效率。本发明设计巧妙，过程相对简洁，实现方便可靠，适于在量子通信中应用。

36、(2)本发明通过收集量子通信参与者的信息，从中提取所需的特征信息，通过对这些特征信息的处理，更为准确地实现了通信者的高级和低级分类判断，为量子通信的过程提供了可靠的基础。

37、(3)本发明在基于特征信息设计决策树预测模型的基础上，还通过交叉验证和重采样的方法对模型进行评价，从而对决策树预测模型进行修改剪枝，使其具有更好的性能。

技术特征：

1.一种基于决策树的量子通信方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于决策树的量子通信方法，其特征在于，所述步骤s10的过程包括：

3.根据权利要求2所述的基于决策树的量子通信方法，其特征在于，所述预设决策树预测模型所需的特征信息为参加所有通信中诚信次数的占比、最近三次通信中诚信的次数、第三方公证平台判断的不诚实可能性、是否上市。

4.根据权利要求2所述的基于决策树的量子通信方法，其特征在于，所述步骤s15中设定的决策树预测模型采用基尼指数模型，公式表示为：

5.根据权利要求2所述的基于决策树的量子通信方法，其特征在于，所述步骤s16中损失函数表示为：

6.根据权利要求4所述的基于决策树的量子通信方法，其特征在于，所述步骤s20的过程包括：

7.根据权利要求6所述的基于决策树的量子通信方法，其特征在于，所述步骤s30中确定出量子通信参与者的分类为高级量子通信参与者和低级量子通信参与者。

8.根据权利要求7所述的基于决策树的量子通信方法，其特征在于，所述步骤s40中指定规则执行相应的测量操作为：

技术总结
本发明公开了一种基于决策树的量子通信方法，包括采集通信者信息从中提取所需的特征信息，将特征信息数据化后训练决策树预测模型，输出通信者的等级；采用交叉验证和重采样评价训练后的决策树预测模型，并进行模型优化；通信时按照决策树预测模型输出的通信者等级为其配置相应的信道粒子，开始通信；针对不同等级的接收者配置对应的测量操作，在执行测量操作之后将结果通过经典信道告诉接收者；接收者收到测量结果后，对塌缩态执行幺正操作重构信息态。本发明利用了机器学习中的决策树算法对通信者进行划分评级，实现通信者的等级判断，从而为相应等级的通信者分配匹配的信道粒子数，解决了信道粒子的分配问题，节省了量子资源，提高了通信效率。

技术研发人员：李冬芬,郑云丹,刘晓芳,刘明哲,唐小川,周让,周杰,杨小龙,谭玉乔
受保护的技术使用者：成都理工大学
技术研发日：
技术公布日：2024/1/12