Framework ML Basato su QBER Temporale Rileva Intercettazioni Furtive in BB84 QKD
Un nuovo approccio di apprendimento automatico è stato sviluppato per individuare attacchi di intercettazione nei sistemi di distribuzione quantistica delle chiavi (QKD) BB84, come dettagliato in un articolo su arXiv (arXiv:2608.04047). I sistemi BB84 tradizionali utilizzano una soglia fissa del tasso di errore quantistico (QBER) dell'11% per rilevare tali attacchi, ma alcuni metodi occulti possono bypassare questo limite e minacciare comunque la sicurezza. Il framework innovativo si concentra sulle caratteristiche temporali del QBER, identificando 63 caratteristiche basate sulla fisica relative al comportamento a raffiche e ad altre dinamiche. I test hanno coinvolto tre classificatori—Random Forest, XGBoost e SVM-RBF—in sette scenari di attacco. XGBoost ha eccelso con una precisione dell'88,01% e un punteggio F1 macro di 0,880. Questo lavoro affronta una debolezza critica nella QKD, migliorando la sicurezza delle comunicazioni quantistiche.
Fatti principali
- I sistemi QKD BB84 tradizionali utilizzano una soglia fissa dell'11% di QBER per rilevare intercettazioni.
- Gli attacchi furtivi possono rimanere al di sotto della soglia dell'11% di QBER compromettendo la sicurezza.
- Il framework proposto utilizza caratteristiche basate sul QBER temporale per il rilevamento degli attacchi.
- Vengono estratte 63 caratteristiche temporali basate sulla fisica, inclusi comportamento a raffiche, instabilità temporale, asimmetria dipendente dalla base e interazioni di perdita QBER.
- Sono stati valutati tre classificatori: Random Forest, XGBoost e SVM-RBF.
- XGBoost ha ottenuto le migliori prestazioni con una precisione dell'88,01% e un punteggio F1 macro di 0,880.
- Il framework è stato testato su sette attacchi di intercettazione e uno scenario di canale normale in condizioni di rumore e perdita.
- L'articolo è disponibile su arXiv con identificatore 2608.04047.
Entità
Istituzioni
- arXiv