Resilience Analysis of Quantum Network Against Targeted Attacks: Recovery via Rerouting and Purification
Notice bibliographique
Résumé
Quantum networks are essential for secure quantum communication and distributed quantum computing. However, their performance is highly vulnerable to targeted attacks that disrupt entanglement distribution, leading to significant network degradation. To address this challenge, we propose two heuristic routing algorithms Quantum Entanglement Distribution Algorithm 1 (QEDA1) and Quantm Entanglement Distribtion Algorithm 2 (QEDA2) that minimize loss of fidelity by reducing the number of intermediate nodes while optimizing entanglement swapping and purification strategies. In QEDA1 we only applied purification as a recovery mechanism, while in QEDA2 we utilized a purificationrerouting approach. Furthermore, unlike previous studies, which relied primarily on idealized or small-scale topologies, we evaluated our approach on a real-world network topology (Surfnet), analyzing throughput variations under both normal conditions and targeted attacks. Furthermore, we compare the performance of the algorithm in memory-assisted and memoryless quantum networks, demonstrating the impact of quantum memory on network resilience. In addition, we introduce an attack model based on centrality-driven node failures and propose a recovery mechanism that integrates rerouting and entanglement purification to mitigate the effects of targeted attacks. Our results indicate that QEDA2 is more effective in mitigating the effect of attacks on throughput. Moreover, our findings highlight the trade-offs between network robustness, resource allocation, and fidelity constraints, providing valuable insights for the design of resilient large-scale quantum networks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».