Работа посвящена проблеме оптимизации сети квантового распределения ключей (КРК) путем объединения исходного набора конечных узлов на плоскости в небольшие сети доступа с топологией типа «звезда» с помощью алгоритмов кластеризации. В исследовании представлена модифицированная версия алгоритма k-medoids, учитывающая ограничение на максимальную длину соединения между парой узлов. Также была представлена новая неевклидова метрика оценки качества соединения на основе значения квантовой емкости, вычисляемая на основе физических свойств и длины оптоволоконного соединения. В статье проводилось сравнение работы данного алгоритма с использованием двух метрик: евклидовой нормы и представленной метрики оценки квантового соединения. Была проведена серия экспериментов по решению задачи кластеризации для множества наборов случайно распределенных на плоскости узлов. Оказалось, что применение неевклидовой метрики позволяет снизить количество кластеров на 11,7 % по сравнению с евклидовой нормой, а использование нескольких повторений на каждой итерации позволяет улучшить результат еще более чем на 20 %. Метод кластеризации и новая метрика, представленные в данной работе, позволяют уменьшить количество подсетей при разбиении, сократив затраты на организацию центральных узлов, а также позволяет в дальнейшем решать упрощенную задачу построения магистральной сети, объединяющую полученные подсети в одну сеть КРК.
This paper is devoted to the problem of optimizing a quantum key distribution (QKD) network by combining an initial set of end nodes into small access networks with star-type topology using clustering algorithms. The study presents a modified version of the k-medoids algorithm that takes into account the constraint on the maximum quantum link length between a pair of nodes. A new non-Euclidean metric for link quality assessment based on the quantum capacitance value calculated based on the physical properties and length of the optical fiber link was also presented. The performance of the presented algorithm using two metrics, the Euclidean norm and the presented estimation metric, was then compared. A series of experiments were conducted to solve the clustering problem for multiple sets of nodes randomly distributed on the plane. It is found that the application of the presented non-Euclidean metric reduces the number of clusters by 11.7% compared to the Euclidean norm, and using multiple attempts at each iteration can improve the result by even more than 20%. The clustering method and the new metric presented in this paper allow us to reduce the number of subnets, reducing the cost of organizing central nodes, and also allows us to further solve the simplified problem of building a backbone network, combining the obtained subnets into a single QKD network.
The authors declare that there are no conflicts of interest present.