典型文献
机器学习在量子通信资源优化配置中的应用
文献摘要：
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.
文献关键词：
量子通信;量子密钥分发;回归机器学习;资源优化配置
中图分类号：
作者姓名：
陈以鹏;刘靖阳;朱佳莉;方伟;王琴
作者机构：
南京邮电大学,量子信息技术研究所,南京 210003;南京邮电大学,宽带无线通信与传感网教育部重点实验室,南京 210003
文献出处：
引用格式：
[1]陈以鹏;刘靖阳;朱佳莉;方伟;王琴-.机器学习在量子通信资源优化配置中的应用)[J].物理学报,2022(22):16-21
A类：
B类：
量子通信,通信资源,资源优化配置,通信网络,量子密钥分发,quantum,key,distribution,QKD,最优系统,系统参数,网络应用,配置方法,局部搜索算法,要花费,计算资源,机器学习算法,算法应用,回归机器学习,random,forest,RF,最近邻,nearest,neighbor,KNN,逻辑回归,logistic,regression,机器学习模型,数据仿真,基于机器学习,新方案,资源损耗,残差分析,学习方案,推进作用
AB值：
0.345493
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
