論文の概要: From Provable to Practical: A Problem-Driven Survey of Classical and Machine-Learning Defenses for DV/CV Quantum Key Distribution

• arxiv url: http://arxiv.org/abs/2605.27497v1
• Date: Tue, 26 May 2026 17:44:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.380161
• Title: From Provable to Practical: A Problem-Driven Survey of Classical and Machine-Learning Defenses for DV/CV Quantum Key Distribution
• Title（参考訳）: 確率から実践へ:DV/CV量子鍵分布の古典的および機械的学習防御に関する問題駆動調査
• Authors: Hasan Abbas Al-Mohammed, Afnan S. Al-Ali,
• Abstract要約: 量子鍵分布(QKD)は、情報理論上のセキュリティを約束するが、離散可変(DV)および連続可変(CV)設定での実践的なデプロイは、デバイス不完全性、チャネル操作、有限キー効果、適応と監視に使用される機械学習(ML)コンポーネントの脆弱性に曝される。 この調査では、デバイス、チャネル、プロトコル、ML、ネットワーク層にまたがる9つの実践的問題クラス(P1-P9)に基づいて、問題駆動の視点を採用する。
• 参考スコア（独自算出の注目度）: 0.13750624267664155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantum key distribution (QKD) promises information-theoretic security, yet practical deployments in discrete-variable (DV) and continuous-variable (CV) settings remain exposed to device imperfections, channel manipulation, finite-key effects, and vulnerabilities in machine-learning (ML) components used for adaptation and monitoring. This survey adopts a problem-driven perspective based on nine practical problem classes (P1-P9) spanning device, channel, protocol, ML, and network layers. For each class, we compare classical defenses with ML-enabled solutions including anomaly detection, parameter prediction, noise estimation, adversarial purification, and resource allocation. Reported results include DBSCAN-based CV attack detection at P=99.7%, R=99.8%, F1=0.998, adversarial robustness recovery up to 79.5%, channel-amplification detection at 100%/91.26% under low/high-noise conditions, and LightGBM-based noise prediction reducing evaluation time by up to 98.8%. The survey further proposes a benchmarking framework combining datasets, stress protocols, and unified evaluation metrics including SKR impact, maximum distance, latency, and robustness. Finally, we provide defense-in-depth deployment guidelines and outline future research directions for secure and practical QKD systems.
• Abstract（参考訳）: 量子鍵分布(QKD)は、情報理論上のセキュリティを約束するが、離散可変(DV)および連続可変(CV)設定での実践的なデプロイは、デバイス不完全性、チャネル操作、有限キー効果、適応と監視に使用される機械学習(ML)コンポーネントの脆弱性に曝される。 この調査では、デバイス、チャネル、プロトコル、ML、ネットワーク層にまたがる9つの実践的問題クラス(P1-P9)に基づいて、問題駆動の視点を採用する。 各クラスにおいて、古典的な防御と、異常検出、パラメータ予測、ノイズ推定、対向的浄化、資源割り当てを含むML対応ソリューションを比較した。 報告された報告によると、DBSCANベースのCV攻撃検出はP=99.7%、R=99.8%、F1=0.998、対向ロバスト性回復は79.5%、チャネル増幅検出は100%/91.26%、LightGBMベースのノイズ予測は98.8%である。 さらに調査では、データセット、ストレスプロトコル、SKRの影響、最大距離、レイテンシ、堅牢性を含む統合評価メトリクスを組み合わせたベンチマークフレームワークも提案されている。 最後に、より詳細な配備ガイドラインを提供し、安全で実用的なQKDシステムに向けた今後の研究の方向性を概説する。

関連論文リスト

• Optimization of Secret Key Rate for BB84 under Collective Rotation Noise [1.1801428532160723]
  量子鍵分布(QKD)システムはノイズ下で動作するが、プロトコルのセキュリティは理想的なノイズのないシナリオで分析されている。 本研究では, BB84プロトコルの耐震性能について, 集団回転雑音の影響について検討した。
  論文  参考訳（メタデータ） (2026-05-20T13:16:58Z)
• Quantum Bit Error Rate Analysis in BB84 Quantum Key Distribution: Measurement, Statistical Estimation, and Eavesdropping Detection [0.0]
  量子鍵分布(QKD)は、量子力学の原理を利用して情報理論のセキュリティを提供する。 QKDプロトコルの中で、BB84スキームは理論研究と実践的な実装の両方において最も広く採用されている。 BB84の信頼性とセキュリティを決定する重要なパラメータはQuantum Bit Error Rate(QBER)である。 本稿では,BB84プロトコルにおけるQBERの体系的レビューと解析を行い,その計算,統計的推定方法,および盗聴活動の検出における役割について検討する。
  論文  参考訳（メタデータ） (2026-03-28T14:19:41Z)
• UAV-Deployed OAM-BB84 QKD: Turbulence- and Misalignment-Resilient Decoy-State Finite-Key Security with AI-Assisted Calibration [0.0]
  本稿では,無人航空機(UAV)プラットフォーム上でBB84を符号化した軌道角運動量を用いた量子鍵分布(QKD)の理論フレームワークを提案する。 確率的揺らぎ、検出器暗数、効率のミスマッチ、誤り訂正リークを含む秘密鍵レートに対する構成可能な有限鍵下限を導出する。 UAVシステムアーキテクチャ、乱流駆動QBERマップ、デコイ最適化、有限鍵スケーリング、AIキャリブレーションメトリクスを含む完全な評価パイプラインの概要を述べる。
  論文  参考訳（メタデータ） (2026-01-16T09:23:33Z)
• Noise-Resistant Feature-Aware Attack Detection Using Quantum Machine Learning [43.509065918669314]
  連続可変量子鍵分布(continuous-variable quantum key distribution, CV-QKD)は、無条件のセキュリティ保証を提供する量子通信技術である。 高速CV-QKDシステムのセキュリティを保護する量子機械学習(QML)ベースの攻撃検出フレームワーク(QML-ADF)を提案する。
  論文  参考訳（メタデータ） (2026-01-11T03:40:45Z)
• QSentry: Backdoor Detection for Quantum Neural Networks via Measurement Clustering [43.44248599606903]
  量子ニューラルネットワーク(QNN)は量子機械学習(QML)を実装する上で重要なモデルである 本研究は,QMLにおけるバックドア脅威を軽減するための実践的で効果的な枠組みを確立する。
  論文  参考訳（メタデータ） (2025-11-19T12:08:11Z)
• Enhancing Gradient Variance and Differential Privacy in Quantum Federated Learning [5.608916223269914]
  ローカルモデルとしての量子ニューラルネットワーク(QNN)は最近、注目すべき課題に直面している。 差分プライバシーを組み込んだ新しいQFL手法を提案し,専用ノイズ推定手法を提案する。 提案アルゴリズムは, 効率よく収束のバランスを保ち, 通信コストを低減し, 中間量子雑音の悪影響を軽減する。
  論文  参考訳（メタデータ） (2025-09-04T15:29:52Z)
• A Vision-Language Pre-training Model-Guided Approach for Mitigating Backdoor Attacks in Federated Learning [43.847168319564844]
  視覚言語事前学習モデルのゼロショット学習機能を利用したFLバックドアディフェンスフレームワークCLIP-Fedを提案する。 本計画では, 防衛効果に課される非IIDの限界を克服し, 事前集約・後防衛戦略を統合する。
  論文  参考訳（メタデータ） (2025-08-14T03:39:54Z)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• Evaluating ML Robustness in GNSS Interference Classification, Characterization & Localization [42.14439854721613]
  ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する 本稿では、低周波アンテナから得られたスナップショットからなる広範囲なデータセットを提案する。 本研究の目的は,機械学習モデル(ML)の環境変化に対するレジリエンスを評価することである。
  論文  参考訳（メタデータ） (2024-09-23T15:20:33Z)
• Device-independent quantum secret sharing with noise preprocessing and postselection [11.010928205496718]
  デバイス非依存(DI)量子秘密共有(QSS)は、デバイスの内部動作に関するセキュリティ上の仮定を緩和することができる。 実用的な通信状況におけるDI QSSの性能特性の欠如がある。 本稿では,ノイズ前処理とポストセレクション戦略を備えた三部構成のDI QSSプロトコルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T09:34:02Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。