Verbundprojekt: Optimierung von QKD-Netzen mittels maschinellen Lernens (QuNet+ML); Teilvorhaben: Daten, Metriken und Modelle für Modell-Training in vertraulichen QKD-Netzen

Abstract

QuNET+ML zielte darauf ab, Quantenschlüsselaustausch (QKD) praxistauglich in Netzumgebungen zu betreiben und durch maschinelles Lernen (ML) besser vorhersagbar und steuerbar zu machen. Das Fraunhofer HHI (Abteilung Photonische Netze und Systeme) verantwortete dabei die Architekturbeiträge, die Datenerhebung und ML-Entwicklung sowie die Demonstration in einem realen Testbed. Im Kern wurden drei Fragen adressiert: Welche standardkonformen Schnittstellen und Betriebsmetriken ermöglichen zuverlässiges Monitoring und Management von QKD-Knoten? Welche experimentellen und simulativen Datengrundlagen sind nötig, um ML-Modelle für Leistungsprognosen (z. B. sichere Schlüsselrate, SKR, und Quantenbitfehlerrate, QBER) belastbar zu trainieren? Und wie werden diese Modelle mitsamt Datenschutzmechanismen in bestehende Managementsysteme integriert und im Feld validiert?