一种具有双向身份认证的量子密钥分发方法

    公开(公告)号:CN106685654B

    公开(公告)日:2020-10-27

    申请号:CN201710021254.5

    申请日:2017-01-12

    Abstract: 本发明公开了一种具有双向身份认证的量子密钥分发方法,基于Bell态纠缠特性进行窃听检测、身份认证和密钥分发,随后经一次量子序列传输完成身份认证和密钥分发;首先检测信道安全,再进行身份认证,最后进行密钥分发。本发明首先基于Bell态纠缠特性进行窃听检测、身份认证和密钥分发,随后经一次量子序列传输完成身份认证和密钥分发,提高了粒子的使用效率和通信效率,同时也让协议更加简洁;协议在身份认证时还具有零知识性的特点,即使用户被冒充,冒充者也不能在通信中获得任何有价值的信息,从而进一步确保了用户的信息安全;当双方需要进行密钥分发时,本协议首先检测信道安全,再进行身份认证,最后进行密钥分发。

    一种基于GHZ态的量子隐私比较方法及系统

    公开(公告)号:CN108768641B

    公开(公告)日:2020-04-07

    申请号:CN201810603033.3

    申请日:2018-06-12

    Inventor: 昌燕 高翔 张仕斌

    Abstract: 本发明属于数据处理技术领域,公开了一种基于GHZ态的量子隐私比较方法及系统,使用半量子密钥分发协议;第三方用制备一系列的蜜罐粒子用于窃听检测;第三方用户准备两序列的检测粒子;第三方检测第一隐私信息持有者和第二隐私持有者的恶意行为;在确保都没有窃听行为时,第一隐私持有者和第二隐私持有者用Z基去测量剩余的粒子,形成二进制序列RA和RB。本发明不仅仅计算双方的秘密信息是否相同,还可以拓展到多方;假设有N方想要比较他们的秘密信息是否相同,本发明创造所需要的条件更少,更易实现,效率更高。

    一种基于EPR对的设备无关量子隐私查询方法

    公开(公告)号:CN107070651B

    公开(公告)日:2020-04-07

    申请号:CN201710212239.9

    申请日:2017-04-01

    Inventor: 昌燕 张仕斌

    Abstract: 本发明公开了一种基于EPR对的设备无关量子隐私查询方法,所述基于EPR对的设备无关量子隐私查询方法在设备无关密钥分发思想的基础上,利用EPR纠缠对提出设备无关的量子隐私查询协议;通过计算CHSH不等式违背,判断Bob是否制备了真正的纠缠对,乃至数据库拥有者Bob和用户Alice是否共享了纠缠对。即使Eve可以提供或者控制量子态制备源或者测量设备,数据库的信息也不会泄露给Eve。与已有的量子隐私查询协议相比,本发明的协议,在用于分发密钥的量子态制备源或测量设备不可信任的条件下仍然是安全的。

    基于节点信任评估的灵活量子信任模型构建方法及系统

    公开(公告)号:CN110943833A

    公开(公告)日:2020-03-31

    申请号:CN201911230845.9

    申请日:2019-12-05

    Abstract: 本发明属于量子通信网络技术领域,公开了一种基于节点信任评估的灵活量子信任模型构建方法及系统,在可信中继网络中引入了信任第三方,利用TTP可以评估节点间的信任度;在节点之间进行通信之前,根据节点的属性计算节点的信任值,该信任值是通过量子纠缠和量子隐形传态得到的;通过计算节点的信任值,可判断节点是否可信。本发明在现有技术条件下能够实现较好效率的量子信任评估模型,通过使用六粒子GHZ态纠缠系统,能抵御量子信道中存在的噪音干扰;通过STP的操作,两个节点u和v之间的信任评估过程得到了较大的简化;通过使用更为灵活的QT,结合共享的密钥对,可以较大程度提升协议的安全性能。

    一种基于单光子的多方半量子秘密共享方法及系统

    公开(公告)号:CN110474770A

    公开(公告)日:2019-11-19

    申请号:CN201910786316.0

    申请日:2019-08-23

    Abstract: 本发明属于半量子通信技术领域,公开了一种基于单光子的多方半量子秘密共享方法及系统,秘密分发者将经典信息编码拆分为量子态;参与者通过半量子密码通讯收到所述量子态,然后通过量子操作恢复出秘密信息的一部分,并通过诚实合作恢复出原始秘密信息。本发明的秘密共享方案不依赖于纠缠态粒子,而是采用单粒子,在实际中具有更强的实用性;本发明的协议不需要经典方具备完备量子能力,降低了量子设备资源的需求;本发明完成了秘密分发者与多方间的秘密共享,而不仅限于三方间的秘密共享;本发明的方案能够抵御内部攻击和外部纠缠攻击,具有安全可行性。

    一种基于量子行走的半量子群签名方法及系统

    公开(公告)号:CN110166251A

    公开(公告)日:2019-08-23

    申请号:CN201910412292.2

    申请日:2019-05-17

    Abstract: 本发明属于量子通信技术领域,公开了一种基于量子行走的半量子群签名方法及系统,采用半量子的通信方式进行群组内部通信;采用基于量子行走的方式进行群组外部的通信,使纠缠态粒子在行走的过程中自动生成,对通信消息采用基于量子行走的隐形传态进行传输;对分发的信息在群组成员进行签名时,使用一定的编码规则对消息进行盲化处理,使盲化之后的信息不被其他群组成员以及外部的潜在攻击者获取;以及对盲化之后的信息进行抗抵赖、抗否认、抗伪造性、截获重发攻击和纠缠攻击安全性分析。本发明中群组内的通信采用的都是基于单光子的信息传输,使得量子的制备和检测也相对容易,在实际的应用过程中极大节约了通信成本。

    能抵抗截获重发、中间人和纠缠攻击的量子秘密共享方法

    公开(公告)号:CN106685659A

    公开(公告)日:2017-05-17

    申请号:CN201710212289.7

    申请日:2017-04-01

    Abstract: 本发明属于信息安全技术领域,公开了一种能抵抗截获重发、中间人和纠缠攻击的量子秘密共享方法,利用五粒子GHZ态在X基下具有相互关联的特殊性质,设计的一种秘密共享协议。该协议将秘密信息拆分为4份并交给4个参与者保管,当4个参与者都参与的时候才能够解开秘密信息。经过分析,证明了协议的可行性。而安全性分析表明本协议能抵御截获重发攻击,中间人攻击和纠缠攻击。同时对参与者的信任问题进行了分析,表明了协议是安全的。

    一种基于GHZ态的量子密钥分发方法

    公开(公告)号:CN106533679A

    公开(公告)日:2017-03-22

    申请号:CN201710034284.X

    申请日:2017-01-18

    CPC classification number: H04L9/0852 H04L9/0819

    Abstract: 本发明公开了一种基于GHZ态的量子密钥分发方法,所述基于GHZ态的量子密钥分发方法基于三粒子GHZ态 在X基下的特殊性质;由第三方进行粒子分配,利用三粒子GHZ态在Z基和X基下具有不同的表示的特性作为密钥分发的关键点。本发明具有第三方TP(Third Part)为其他两名用户进行密钥分发的协议,大大减少了用户之间的量子传输信道,降低了复杂度,同时也减轻了成本,具有很大的实际意义;经过安全性分析。本协议能抵御截获重发攻击,中间人攻击和纠缠攻击,而作为第三方可以是不可信的。

    一种量子经典混合图像加密方法及系统

    公开(公告)号:CN118509152B

    公开(公告)日:2025-03-21

    申请号:CN202410540468.3

    申请日:2024-04-30

    Inventor: 昌燕 曾林 张仕斌

    Abstract: 本发明属于图像加密技术领域,公开了一种基于量子漫步和混沌映射的量子经典混合图像加密方法,本发明方法无需对图像进行编码,也不需要多次执行量子漫步操作等。相反,本发明方法直接利用明文信息作为量子漫步、Henon map和Catmap的参数。因此,即使使用相同的初始条件来加密多张图像,量子漫步生成的随机矩阵和混沌系统使用的初始参数也几乎完全不同,实现了近似“一次一密”的效果。本发明方法只需要进行一次量子漫步,提升了加密效率。数值模拟和性能分析显示本发明加密方案具有以下特点:相邻像素点相关性弱,对明文图像微小变化敏感度高,密钥空间大,密文直方图均匀。这表明本发明方案能够抵抗各种噪声攻击和差分攻击。

    加密经典数据上训练和测试的方法及系统

    公开(公告)号:CN119182516A

    公开(公告)日:2024-12-24

    申请号:CN202410355773.5

    申请日:2024-03-27

    Abstract: 本发明属于量子神经网络技术领域,公开了一种允许量子神经网络在加密经典数据上训练和测试的方法及系统,该方法包括:在ECN中,经典客户端首先训练一个简单的经典神经网络(作为加密器En)来对原始输入数据加密再将密文数据发送至量子云服务器进行QNN的训练,两个模型是一起协同训练的;当En和QNN都训练完毕时,经典客户端直接使用En对输入数据进行加密再发送到量子云服务器端来使用QNN进行测试;测试后得到QNN的预测结果。本发明不要求客户端拥有量子能力,不需要除了训练和测试之外的额外交互从而减少了通信开销,也不会降低QNN的模型性能。此外,该方法不会增加太多的计算成本。

Patent Agency Ranking