Verbundprojekt: QuNET+ML - Optimierung von QKD-Netzen mittels maschinellen Lernens; Teilvorhaben: Netzmanagement von hybriden Quanten- & konventionellen Netzen

Abstract

Das Projekt QuNET‑ML hat gezeigt, dass maschinelles Lernen gezielt eingesetzt werden kann, um hybride Quanten‑ und klassische Netzwerke effizient zu steuern und das Schlüsselmanagement in QKD‑Infrastrukturen zu optimieren. Im ersten Arbeitspaket wurde ein mehrschichtigen Architekturmodells erarbeitet, das die ITU‑Y.3800‑ bzw. ETSI‑GS‑QKD‑Standards nutzt und Management‑, Control‑, Key‑Management‑ sowie Quantum‑Layer klar trennt. Auf Basis dieser Architektur wurde ein SDN‑basiertes Framework mit standardisierten YANG‑Modellen und einer NETCONF‑Schnittstelle erarbeitet, das Monitoring‑, Ressourcen‑ und Visualisierungsfunktionen bereitstellt. In verschiedenen Demonstrationen wurden QKD‑Komponenten abgebildet, deren Kennzahlen (SKR, QBER, Key Store) über SNMP bzw. NETCONF abgefragt werden konnten. Anschließend wurden klassische Routing‑Algorithmen (Dijkstra) durch ML‑gestützte Verfahren, die auf zuvor trainierten Datensätzen aus realen QKD‑Experimenten basieren und dynamisch Gewichtungen der Schlüsselverfügbarkeit berücksichtigen, ersetzt. Dabei konnten in umfangreichen Simulationen – von kleinen regionalen Topologien bis hin 50‑Knoten‑Topologien – signifikante Verbesserungen bei der Auslastungsoptimierung und der Fehlererkennung (Anomalie‑Detektion) nachgewiesen werden. Die gewonnenen Erkenntnisse ermöglichen ein skalierbares, interoperables Management von QKD‑Netzen, stärken die technologische Souveränität Deutschlands im Bereich quantensichere Kommunikation und legten den Grundstein für weitere standardbasierte Implementierungen in der QuNET‑Initiative.