一种提高量子密钥分发系统成码率的方法及装置专利检索-定时器家用器具专利检索查询-专利查询网

一种提高量子密钥分发系统成码率的方法及装置

阅读：369发布：2020-05-11

专利汇可以提供一种提高量子密钥分发系统成码率的方法及装置专利检索，专利查询，专利分析的服务。并且本申请提供一种提高量子密钥分发系统成码率的方法及装置，其中本申请的方法包括两个阶段，分别为模型建立阶段和自补偿阶段，其中模型建立阶段中QKD系统量子密钥的分发按照现有的工作模式工作，且根据学习算法训练激励函数网络，当训练完成激励函数网络后进入自补偿阶段。在自补偿阶段中，QKD系统量子密钥的分发不再按照现有的工作模式工作，QKD系统的错误率由激励函数网络给出，而QKD系统中所有基矢测量的结果均参与系统密钥的成码过程，即系统无需公开其中一组基矢的比对结果来得到错误率，无需舍弃其中一组正交基测量的数据，因而通过本申请方法最终得到的安全密钥相对于初始密钥的提取率高，因而QKD系统成码率高。，下面是一种提高量子密钥分发系统成码率的方法及装置专利的具体信息内容。

权利要求

1.一种提高量子密钥分发系统成码率的方法，其特征在于，该方法包括模型建立阶段和自补偿阶段：
模型建立阶段：
QKD系统进行量子密钥分发，当前时刻对上一时刻分发的密钥进行基矢比对，并计算上一时刻分发的密钥的错误率；
通过学习算法以及得到的错误率训练激励函数网络，直至激励函数网络能预测出期望的输出，完成模型建立；
自补偿阶段：
完成模型建立后，根据建立的激励函数网络，当前时刻由激励函数网络预测QKD系统上一时刻分发的密钥的错误率；
QKD系统根据激励函数网络输出的错误率进行校验工作，QKD系统根据所有基矢测量的结果经保密增强后得到加密用的密码串。
2.根据权利要求1所述的提高量子密钥分发系统成码率的方法，其特征在于，所述通过学习算法以及得到的错误率训练激励函数网络包括：
每当得到上一时刻分发的密钥的错误率时，则根据当前时间和错误率建立当前激励函数，当前激励函数的输入层包括上一时刻分发的密钥的错误率以及之前一层得到的所有激励函数输出的结果；
重复上述步骤，将得到的各个激励函数按照学习算法中的规则连接成激励函数网络，直至激励函数网络能够根据真实环境的输入能预测出期望的输出，完成模型建立。
3.根据权利要求2所述的提高量子密钥分发系统成码率的方法，其特征在于，当进入自补偿阶段后，所述方法还包括：
比对激励函数网络输出的错误率与纠错给出的真实错误率之间的差值，若该差值大于预设的阈值后，则返回模型建立阶段。
4.根据权利要求2所述的提高量子密钥分发系统成码率的方法，其特征在于，当进入自补偿阶段后，所述方法还包括设置定时器：
通过设置定时器，按照固定的时间周期返回模型建立阶段。
5.根据权利要求1所述的提高量子密钥分发系统成码率的方法，其特征在于，在模型建立阶段，控制QKD系统用于计算错误率的一组正交基编码概率低于典型值；
在自补偿阶段，控制QKD系统两组正交基的编码概率根据实际需求或者量子通信协议中的规定设定。
6.根据权利要求1-5任意一项所述的提高量子密钥分发系统成码率的方法，其特征在于，所述学习算法包括时间循环神经网络算法、自适应谐振理论网络算法、学习矢量量化网络算法、自组织特征映射网络算法或递归网络算法。
7.一种提高量子密钥分发系统成码率的装置，其特征在于，该装置包括模型建立模块和自补偿模块：
模型建立阶段：
QKD系统进行量子密钥分发，当前时刻对上一时刻分发的密钥进行基矢比对，并计算上一时刻分发的密钥的错误率；
模型建立模块，用于通过学习算法以及得到的错误率训练激励函数网络，直至激励函数网络能预测出期望的输出，完成模型建立；
自补偿阶段：
完成模型建立后，自补偿模块，用于根据建立的激励函数网络，当前时刻由激励函数网络预测QKD系统上一时刻分发的密钥的错误率；
QKD系统根据激励函数网络输出的错误率进行校验工作，QKD系统根据所有基矢测量的结果经保密增强后得到加密用的密码串。
8.根据权利要求7所述的提高量子密钥分发系统成码率的装置，其特征在于，所述模型建立模块包括训练单元：
所述训练单元，用于根据学习算法训练激励函数网络，学习算法包括每当得到上一时刻分发的密钥的错误率时，则根据当前时间和错误率建立当前激励函数，当前激励函数的输入层包括上一时刻分发的密钥的错误率以及之前一层得到的所有激励函数输出的结果；
重复上述步骤，将得到的各个激励函数按照学习算法中的规则连接成激励函数网络，直至激励函数网络能够根据真实环境的输入能预测出期望的输出，完成模型建立。
9.根据权利要求8所述的提高量子密钥分发系统成码率的装置，其特征在于，该装置还包括比对模块：
所述比对模块，用于在自补偿阶段比对激励函数网络输出的错误率与纠错给出的真实错误率之间的差值，若该差值大于预设的阈值后，则返回模型建立阶段。
10.根据权利要求8所述的提高量子密钥分发系统成码率的装置，其特征在于，该装置还包括时钟模块：
时钟模块，用于设置定时器，按照固定的时间周期返回模型建立阶段。

说明书全文

一种提高量子密钥分发系统成码率的方法及装置

技术领域

[0001] 本申请涉及量子密钥分发技术领域，具体涉及一种提高量子密钥分发系统成码率的方法及装置。

背景技术

[0002] 量子保密通信是近年来发展起来的新型通信技术，是量子理论和信息论相结合产生的新学科，它利用量子物理的基本特性来实现通信的无条件安全。其中，量子密钥分发(QKD)作为量子通信技术中最早实现商用化的分支十余年来已经引起广泛关注，并获得了快速发展。

[0003] QKD是利用物质（如光子）的量子特性来设计加解密方案，其安全性是基于量子力学的基本原理而不是数学计算的复杂性。QKD利用海森堡不确定性原理和未知量子态不可克隆原理来发现窃听的存在，理论上确保了信息的无条件安全性。在实际应用中，QKD利用这一原理，可使事先没有共享秘密信息的双建立通信密钥，再采用香农已证明的“一次一密”密码通信，即可保证双方的通信安全。

[0004] 目前，最常用的QKD协议是BB84协议(Bennett和Brassard，1984)。利用BB84协议进行量子密钥分发时，量子密钥发射机（Alice）每次选择两组正交基矢中的一个基矢进行编码，量子密钥接收机（Bob）每次也从上述两组正交基矢中随机的选择其中的一个基矢进行解码，即利用4种不同偏振的单光子进行密钥信息的传输，从而完成量子密钥的分发。

[0005] 现有的QKD系统在密钥分发过程中Bob 接受光子之后，根据测量结果获得一串初始密钥，并且和Alice进行经典通信。此时Bob的测量基将完全公布，首先进行基矢比对，然后，Bob舍弃掉选择错误测量基而产生的结果，然后公开一组基矢的比对结果计算出错误率并进行错误率校验，具体步骤为：通过公开一组正交基的测量结果进行计算错误率；利用错误率校验是否存在窃听者，若错误率超过容限，表明有窃听者存在，放弃该次通信所传输所有内容；若错误率在容许范围之内，则舍去用于检验错误率而交换的那部分数据（即舍弃其中一组正交基测量的数据），保留其余的数据。最后通讯双方再次进行保密增强后，Alice与Bob保留的数据保持高度一致，收发两端再通过经典信道进行纠错和保密增强，将窃听者可能获得的信息变为无效，最终获得的数据作为加密用的密码串。

[0006] 但是，现有QKD系统会舍去用于检验错误率而交换的那部分数据，即舍弃其中一组正交基测量的数据，因而其中一组正交基测量的结果不会用于QKD系统的成码，即最终的安全密钥相对于初始密钥的提取率较小，因此导致QKD系统成码率较低。发明内容

[0007] 本申请提供一种提高量子密钥分发系统成码率的方法及装置，以解决现有QKD系统成码率较低的问题。

[0008] 本申请第一方面提供一种提高量子密钥分发系统成码率的方法，该方法包括模型建立阶段和自补偿阶段：模型建立阶段：
QKD系统进行量子密钥分发，当前时刻对上一时刻分发的密钥进行基矢比对，并计算上一时刻分发的密钥的错误率；
通过学习算法以及得到的错误率训练激励函数网络，直至激励函数网络能预测出期望的输出，完成模型建立；
自补偿阶段：
完成模型建立后，根据建立的激励函数网络，当前时刻由激励函数网络预测QKD系统上一时刻分发的密钥的错误率；
QKD系统根据激励函数网络输出的错误率进行校验工作，QKD系统根据所有基矢测量的结果经保密增强后得到加密用的密码串。

[0009] 优选地，所述通过学习算法以及得到的错误率训练激励函数网络包括：每当得到上一时刻分发的密钥的错误率时，则根据当前时间和错误率建立当前激励函数，当前激励函数的输入层包括上一时刻分发的密钥的错误率以及之前一层得到的所有激励函数输出的结果；
重复上述步骤，将得到的各个激励函数按照学习算法中的规则连接成激励函数网络，直至激励函数网络能够根据真实环境的输入能预测出期望的输出，完成模型建立。

[0010] 优选地，当进入自补偿阶段后，所述方法还包括：比对激励函数网络输出的错误率与纠错给出的真实错误率之间的差值，若该差值大于预设的阈值后，则返回模型建立阶段。

[0011] 优选地，当进入自补偿阶段后，所述方法还包括设置定时器：通过设置定时器，按照固定的时间周期返回模型建立阶段。

[0012] 优选地，在模型建立阶段，控制QKD系统用于计算错误率的一组正交基编码概率低于典型值；在自补偿阶段，控制QKD系统两组正交基的编码概率根据实际需求或者量子通信协议中的规定设定。

[0013] 优选地，所述学习算法包括时间循环神经网络算法、自适应谐振理论网络算法、学习矢量量化网络算法、自组织特征映射网络算法或递归网络算法。

[0014] 本申请第二方面提供一种提高量子密钥分发系统成码率的装置，该装置包括模型建立模块和自补偿模块：模型建立阶段：
QKD系统进行量子密钥分发，当前时刻对上一时刻分发的密钥进行基矢比对，得到上一时刻分发的密钥的错误率；
模型建立模块，用于通过学习算法以及得到的错误率训练激励函数网络，直至激励函数网络能预测出期望的输出，完成模型建立；
自补偿阶段：
完成模型建立后，自补偿模块，用于根据建立的激励函数网络，当前时刻由激励函数网络预测QKD系统上一时刻分发的密钥的错误率；
QKD系统根据激励函数网络输出的错误率进行校验工作，QKD系统根据所有基矢测量的结果经保密增强后得到加密用的密码串。
优选地，所述模型建立模块包括训练单元：
所述训练单元，用于根据学习算法训练激励函数网络，学习算法包括每当得到上一时刻分发的密钥的错误率时，则根据当前时间和错误率建立当前激励函数，当前激励函数的输入层包括上一时刻分发的密钥的错误率以及之前一层得到的所有激励函数输出的结果；
重复上述步骤，将得到的各个激励函数按照学习算法中的规则连接成激励函数网络，直至激励函数网络能够根据真实环境的输入能预测出期望的输出，完成模型建立。

[0015] 优选地，该装置还包括比对模块：所述比对模块，用于在自补偿阶段比对激励函数网络输出的错误率与纠错给出的真实错误率之间的差值，若该差值大于预设的阈值后，则返回模型建立阶段。

[0016] 优选地，该装置还包括时钟模块：时钟模块，用于设置定时器，按照固定的时间周期返回模型建立阶段。

[0017] 本申请提供一种提高量子密钥分发系统成码率的方法及装置，与现有技术相比有以下优点：本申请的方法包括两个阶段，分别为模型建立阶段和自补偿阶段，其中模型建立阶段中QKD系统量子密钥的分发按照现有的工作模式工作，且根据学习算法训练激励函数网络，当训练完成激励函数网络后进入自补偿阶段。在自补偿阶段中，QKD系统量子密钥的分发不再按照现有的工作模式工作，QKD系统的错误率由激励函数网络给出，而QKD系统中所有基矢测量的结果均参与系统密钥的成码过程，即当系统进入到自补偿阶段后，无需公开其中一组基矢的比对结果来得到错误率，即无需舍弃其中一组正交基测量的数据，因而通过本申请方法最终得到的安全密钥相对于初始密钥的提取率高，因而QKD系统成码率高。

[0018]附图说明

[0019] 为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0020] 图1为本申请方法的一种流程示意图；图2为本申请方法中具有返回机制的一种流程示意图；
图3为本申请方法中具有返回机制的另一种流程示意图；
图4为本申请的装置的结构示意图。

具体实施方式

[0021] 为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

[0022] 本申请第一方面提供一种提高量子密钥分发系统成码率的方法，该方法包括模型建立阶段和自补偿阶段，具体流程请参阅图1所示的示意图：模型建立阶段：
S1、QKD系统按照现有技术中的模式进行量子密钥分发，当前时刻对上一时刻分发的密钥进行基矢比对，并计算上一时刻分发的密钥的错误率，具体为QKD系统中的Alice根据选择的基矢发送量子信号，QKD系统中的Bob根据选择的基矢对接收的量子信号进行解码， Bob接收到Alice发出的所有信息后，使用经典信道通知Alice，Alice与Bob将通过经典信道进行基矢的比对，QKD系统将选择正确的测量基矢得到的数据序列保留下来，然后计算上一时刻分发的密钥的错误率，根据错误率，将保留下来的数据序列中去除存在误码的数据，得到原始密钥。

[0023] S2、系统通过学习算法以及得到的错误率训练激励函数网络，直至激励函数网络能预测出期望的输出，即激励函数网络可根据真实环境的输入能预测出期望的输出，完成模型建立。例如，当前时刻需要得到上一时刻密钥分发的错误率时，不再通过基矢比对得到，而是在当前时刻激励函数网络能够自动输出上一时刻密钥分发的错误率。

[0024] 自补偿阶段：S3、完成模型建立后，根据建立的激励函数网络，当前时刻由激励函数网络预测QKD系统上一时刻分发的密钥的错误率；QKD系统根据激励函数网络输出的错误率进行校验工作，QKD系统根据所有基矢测量的结果经保密增强得到加密用的密码串。

[0025] S4、在自补偿阶段中，QKD系统量子密钥的分发不再按照现有的工作模式工作，QKD系统的错误率由激励函数网络给出，而QKD系统中所有基矢测量的结果均参与系统密钥的成码过程，因而QKD系统根据激励函数网络输出的错误率进行校验工作，且QKD系统可根据所有基矢测量的结果，并经过保密增强后得到加密用的密码串。即当系统进入到自补偿阶段后，无需公开其中一组基矢的比对结果来得到错误率，无需舍弃其中一组正交基测量的数据，因而通过本申请方法最终得到的安全密钥相对于初始密钥的提取率高，因而QKD系统成码率高。

[0026] 其中所述根据学习算法训练激励函数网络的具体步骤如下：每当得到上一时刻分发的密钥的错误率时，则根据当前时间和错误率建立当前激励函数，当前激励函数的输入层包括上一时刻分发的密钥的错误率；重复上述步骤，将得到的各个激励函数按照学习算法中的规则连接成激励函数网络，直至激励函数网络能够根据真实环境的输入能预测出期望的输出，完成模型建立。

[0027] 例如其中一种模型建立过程如下，在时间为t1时，得到的错误率为x1，则此时的激励函数为ｆ(x1，t1)，在时间为t2时，得到的错误率为x2，则此时的激励函数为ｆ(x2，t2)，依次类推，直至时间为tn时，得到的错误率为xn，则此时的激励函数为ｆ(xn，tn)，此时得到的激励函数组成的激励函数网络能够根据真实环境的输入能预测出期望的输出时，QKD系统按照自补偿阶段中的方法进行密钥分发工作。当QKD系统进入到自补偿阶段后，错误率由激励函数网络给出，例如在tn+1时，激励函数网络的函数关系为ｆ(x1····xn，t1····tn)，则根据tn+1以及ｆ(x1····xn，t1····tn)得出错误率xn+1，用错误率xn+1对当前系统进行校验工作。

[0028] S5、当进入自补偿阶段后，所述方法还包括：比对激励函数网络输出的错误率与纠错给出的真实错误率之间的差值，若该差值大于预设的阈值后，则返回模型建立阶段，具体流程请参阅图2所示的示意图。随着QKD系统的工作，由于QKD系统自身以及外部环境等因素的影响，激励函数网络给出的错误率值可能与实际偏差较大，因此需要重新建立激励函数网络或者修正激励函数网络。具体而言，当进入自补偿阶段后，QKD系统的真实错误率由纠错模块给出，QKD系统将激励函数网络输出的错误率与纠错模块给出的真实错误率进行对比，若激励函数网络输出的错误率超出真实错误率的容忍范围后，则重新返回到模型建立阶段，根据选择的学习算法，利用模型建立阶段的方法重新建立激励函数网络或者修正激励函数网络。

[0029] S6、当进入自补偿阶段后，所述方法还包括设置定时器：通过设置定时器，按照固定的时间周期返回模型建立阶段，具体流程请参阅图3所示的示意图。另一种方式也可以根据QKD系统的工作情况，通过定时器设定一个合适的时间，每当进入自补偿阶段运行了设定的时长后，则重新返回到模型建立阶段。

[0030] 综上所述，本申请当进入自补偿阶段后返回模型建立阶段，可以采用S5或者S6的方法。

[0031] 在模型建立阶段，控制QKD系统用于计算错误率的一组正交基编码概率低于典型值，该典型值由系统和/或协议决定，例如在某一QKD系统中低于某典型值时，例如30%，既能得到错误率，又有较高的成码率，即可以把典型值设置为30%。本申请以两时间态两项位态为例，本申请的Alice端根据时间基矢编码时间态根据相位基矢编码相位态，其中发送时间态时为|t0〉或|t1〉，发送相位态为（|t0〉+|t1〉）或（|t0〉-|t1〉），Bob随机选择时间基矢和相位基矢中的一个基矢对接收的信号解码，解码后进行基矢比对，并公开相位基矢得到错误率，从而对利用时间基矢测量得到的数据进行校验。因此最后参与成码的为时间基矢测量得到的数据，而相位基矢由于为了计算错误率而公开，为了得到绝对安全的密钥，所以相位基矢测量得到的数据不参与成码。因此为了有较高成码率，相位基矢编码的概率控制在30%以下。优选的相位基矢编码的概率为25%-30%，时间基矢编码的概率为65%-70%，真空态编码的概率为0%-5%。

[0032] 在自补偿阶段，控制QKD系统两组正交基的编码概率根据实际需求或者量子通信协议中的规定设定。当进入到自补偿阶段后，由于错误率通过激励函数网络给出，不再需要公开相位基矢进行计算错误率，因此相位基矢测量得到的数据和时间基矢测量得到的数据均参与成码，因此，在此阶段相位基矢编码的概率、时间基矢编码的概率以及真空态编码概率均可根据实际需求或者协议规定选择编码概率，但是总体偏向于成码，即系统根据成码结果判断相位基矢的成码率和时间基矢的成码率，来相应的增加相位基矢编码的概率或时间基矢编码的概率。

[0033] 另外需要说明的是，本申请的方法适用于多种强度调制方案，例如可适应四种光强度方案，也可适应五种光强度方案，假设QKD系统中X基矢的测量结果用于计算错误率，Z基矢的测量结果用于成码，则具体方式参考如下：则例如四种光强度方案分别为Z基矢的信号态强度、Z基矢的诱骗态强度、X基矢的诱骗态强度以及真空态强度，该强度体系下在模型建立阶段，X基矢的诱骗态强度的测量结果可用于计算错误率以及模型建立，Z基矢的信号态强度和Z基矢的诱骗态强度的测量结果用于成码；进入自补偿阶段后，错误率由建立的模型给出，Z基矢的信号态强度、Z基矢的诱骗态强度和X基矢的诱骗态强度的测量结果均可用于成码。

[0034] 则例如五种光强度方案分别为Z基矢的信号态强度、Z基矢的诱骗态强度、X基矢的信号态强度、X基矢的诱骗态强度以及真空态强度，该强度体系下在模型建立阶段，Z基矢的诱骗态强度和/或X基矢的诱骗态强度的测量结果可用于计算错误率以及模型建立，Z基矢的信号态强度和Z基矢的诱骗态强度的测量结果可用于成码；进入自补偿阶段后Z基矢的信号态强度、Z基矢的诱骗态强度和X基矢的诱骗态强度的测量结果均可用于成码。

[0035] 因此，综上所述，本申请的方法能够适用于多种类型的QKD系统，无论QKD系统选择BB84协议、B92协议、三态协议等何种量子通信协议，无论选择何种基失、无论选择几种强度方案，均可利用本申请的方法，通过模型建立阶段根据系统环境以及参数，学习得到激励函数网络，然后进入到自补偿阶段，QKD系统根据学习的激励函数网络给出错误率，QKD系统利用激励函数网络给出的错误率，原本需要公开用于得到错误率的信息此时不再需要公开，因而可将这部分信息用于成码了，因此利用本申请的方法能够提高量子密钥分发系统成码率。

[0036] 所述学习算法包括时间循环神经网络算法、自适应谐振理论网络算法、学习矢量量化网络算法、自组织特征映射网络算法或递归网络算法。这些算法均能够应用到本申请中，用于在模型建立阶段是的系统通过深度学习，训练得到激励函数网络。

[0037] 本申请第二方面提供一种提高量子密钥分发系统成码率的装置，该装置包括模型建立模块和自补偿模块，具体结构请参阅图4所示的示意图：模型建立阶段：
QKD系统进行量子密钥分发，当前时刻对上一时刻分发的密钥进行基矢比对，并计算上一时刻分发的密钥的错误率；
模型建立模块，用于根据学习算法训练激励函数网络，直至激励函数网络能够根据真实环境的输入能预测出期望的输出，完成模型建立，其中激励函数的输入包括时间和错误率；
自补偿阶段：
完成模型建立后，自补偿模块，用于根据建立的激励函数网络，当前时刻由激励函数网络预测QKD系统上一时刻分发的密钥的错误率；
QKD系统根据激励函数网络输出的错误率进行校验工作，QKD系统根据所有基矢测量的结果经保密增强得到加密用的密码串。
优选地，所述模型建立模块包括训练单元：
所述训练单元，用于根据学习算法训练激励函数网络，学习算法包括每当得到上一时刻分发的密钥的错误率时，则根据当前时间和错误率建立当前激励函数，当前激励函数的输入层包括上一时刻分发的密钥的错误率以及之前一层得到的所有激励函数输出的结果；
重复上述步骤得到激励函数网络，直至激励函数网络能够根据真实环境的输入能预测出期望的输出，完成模型建立。

[0038] 优选地，该装置还包括比对模块：所述比对模块，用于在自补偿阶段比对激励函数网络输出的错误率与纠错给出的真实错误率之间的差值，若该差值大于预设的阈值后，则返回模型建立阶段。

[0039] 优选地，该装置还包括时钟模块：时钟模块，用于设置定时器，按照固定的时间周期返回模型建立阶段。

[0040] 以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。

标题	发布/更新时间	阅读量
不活动模式操作	2020-05-08	869
适用于蜂蜜饮品贩卖机的防过期系统及使用方法	2020-05-08	613
一种双通信模块的通信通道切换方法	2020-05-08	68
多输出栅极驱动器系统及其操作方法	2020-05-11	500
一种用于提供推荐视频列表的方法与设备	2020-05-08	254
一种报文处理方法和装置	2020-05-11	43
冷库节能系统及其控制方法	2020-05-08	815
一种利用太阳能发电的公路危险标识牌	2020-05-08	21
一种糖尿病人用定时餐具	2020-05-08	264
一种基于红外感应的智能控制系统	2020-05-08	771

一种提高量子密钥分发系统成码率的方法及装置

一种提高量子密钥分发系统成码率的方法及装置

技术领域

背景技术

具体实施方式

该功能需要专业版企业版VIP权限，您可以：