(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210699722.5 (22)申请日 2022.06.20 (71)申请人 国网福建省电力有限公司 地址 350003 福建省福州市 鼓楼区五四路 257号 申请人 国网福建省电力有限公司信息通信 分公司　 南京南瑞国盾量子技 术有限公司 　 南京南瑞信息通信科技有限公司 (72)发明人 王晟　周晓东　张昊　冯宝　 倪文书　卞宇翔　陈其泽　张天兵　 贾玮　郭子昕　孙圣武　吕超　 黄益彬　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 张灯灿　蔡学俊(51)Int.Cl. H04L 9/08(2006.01) H04L 9/32(2006.01) G06N 20/00(2019.01) G06K 9/62(2022.01) (54)发明名称 一种用于量子数字签名协议选择及参数配 置的方法 (57)摘要 本发明涉及一种用于量子数字签名协议选 择及参数配置的方法， 包括以下步骤： S1、 构建机 器学习所需的特征数据格式； S2、 构建机器学习 所需的标签数据格式； S3、 获取通用数据集； S4、 构建随机森林回归模型并利用通用数据集进行 训练和测试， 得到达到最佳预测效果的随机森 林 回归模型； S5、 采用训练完成的随机森林回归模 型， 预测最优的量子数字签名协议以及该协议对 应的配置参数。 该方法有利于在不提高系统复杂 度的前提下提高量子数字 签名的效率。 权利要求书2页 说明书8页 附图5页 CN 114944916 A 2022.08.26 CN 114944916 A 1.一种用于量子数字签名协议选择及参数配置的方法， 其特 征在于， 包括以下步骤： S1、 构建机器学习所需的特 征数据格式； S2、 构建机器学习所需的标签数据格式； S3、 获取通用数据集； S4、 构建随机森林回归模型并利用通用数据集进行训练和测试， 得到达到最佳预测效 果的随机森林回归 模型； S5、 采用训练完成的随机森林回归模型， 预测最优的量子数字签名协议以及该协议对 应的配置参数。 2.根据权利要求1所述的一种用于量子数字签名协议选择及参数配置的方法， 其特征 在于， 步骤S1中， 选取对签名率影响较大的几个系统参数作为特征， 包括： 暗计数率Y0、 本底 误码率ed、 单光子探测器 的探测效率η、 通信双方所发送的光脉冲总数N以及通信双方的传 输距离L； 将选取的5个特征组合为5维的特征向量， 作为机器学习所需的特征数据格式： x＝ [Y0,ed, η,N,L]。 3.根据权利要求1所述的一种用于量子数字签名协议选择及参数配置的方法， 其特征 在于， 步骤S2 中， 对于量子数字签名， 其密钥生成协议基于三强度诱骗态BB84， 为了优化发 送方Alice到第一接收方Bob或第二接收方Char lie的KGP过程所产生的密钥比特， 对如下的 协议参数进行优化： 信号态强度 μ、 诱骗态强度v、 信号态强度的选择概率Pμ以及诱骗态强度 的选择概率Pv； 采用PXA和PXB分别表示发送方选择X基的概率和接收方选择X基的概率； 将协 议的标签数据格式记为： YBB84＝[ μ, ν,Pμ,Pν,PXA,PXB]； 对于测量设备无关、 双场量子数字签名过程， 同样采用YBB84的构建过程， 分别从四强度 诱骗态测量设备无关协 议和四强度诱骗态双场协 议中提取各协 议所需优化的参数， 并将其 构建为对应的标签数据格式： YMDI＝[ μ,v,w,Pμ,Pv,Pw]， YTF＝[ μ, ν,w,Pμ,Pv,Pw, ε]； 其中， μ为 信号态强度， v和w均为弱诱骗态强度， 对应选择概率分别为Pμ,Pv,Pw， ε为发双场协议下的发 送概率； 考虑到不同协议的标签数据格式存在差异， 采用占位法来消除不同协议在维度 上的不 同， 主要是给YBB84添加新维度使其与YMDI和YTF在维度上保持一致； 此外， 额外引入一个维度， 并标记为1、 2、 3来分别表征B B84、 测量设备 无关、 双场协议； 则机器学习模型 所用标签数据格式表示 为如下的8维向量： Y＝[protoco l,para1,para2,para3,para4,para5,para6,par t7] 其中， protocol为待选择协议对应的协议标号， para1,para2,...,para7为待选择协议 中所需优化的协议 参数。 4.根据权利要求1所述的一种用于量子数字签名协议选择及参数配置的方法， 其特征 在于， 步骤S 3中， 将特征数据格式中的5个系统参数限制到 设定的特征范围中； 在5个系统参 数的特征范围内进行等间隔的取值， 取间隔为n， 则生成n5特征数据； 再利用不同QKD协议的 密钥生成公式， 并结合LSA算法优化不同协议的配置参数， 以获取3份数据量大小为n5的标 签数据； 然后通过比较不同协议的密钥率大小， 将三个协议关联起来， 即直接根据密钥率R 将无效数据剔除后的YBB84， YMDI和YTF这三份标签数据合并为 一份标签数据Y 。 5.根据权利要求1所述的一种用于量子数字签名协议选择及参数配置的方法， 其特征 在于， 步骤S4中， 将通用数据集中数据进行归一化处理， 以消除不同数据间的量纲差异； 然权　利　要　求　书 1/2 页 2 CN 114944916 A 2后将处理后的通用数据集中数据划分出8 0％的训练集和20％的测试集， 并使随机森林回归 模型在训练集上进行拟合学习； 在学习过程中， 采用网格搜索和交叉验证方法来优化 随机 森林回归 模型的参数， 使随机森林回归 模型达到最佳的预测效果。 6.根据权利要求5所述的一种用于量子数字签名协议选择及参数配置的方法， 其特征 在于， 采用R andomForestRegressor学习算法来拟合随机森 林回归模型， 并在学习时结合网 格搜索和交叉验证方法来加以优化。 7.根据权利要求1所述的一种用于量子数字签名协议选择及参数配置的方法， 其特征 在于， 步骤S 5中， 将特征数据格式x的情景数据供给所述随机森林回归模型， 获取Y格式的标 签数据； 对所述标签数据的第一维度进 行取整操作， 以使回归 预测变为分类输出， 即获取所 需预测的最优协议； 而所述标签数据的其 他维度即为所需预测协议对应的最佳参数配置 。权　利　要　求　书 2/2 页 3 CN 114944916 A 3