Learnt Attacks on Quantum Key Distribution under Channel Noise and Device Drift

기술 요약: 채널 노이즈 및 장치 드리프트 하에서의 학습된 양자 키 분배 공격

문제 정의
양자 키 분배(QKD) 보안 증명은 일반적으로 장치 재교정 사이의 정적인 채널을 가정한다. 실제로 적법한 당사자(앨리스와 밥)는 장치 드리프트와 채널 노이즈를 수용하기 위해 운영 마진을 마련해야 한다. 이러한 마진은 현재 채널의 드리프트에 적응하는 도청자가 얻을 수 있는 이득에 대한 분석보다는 장치 특성 분석을 기반으로 설정된다. 정적 수치 방법(예: 준정의적 완화법)은 고정된 노이즈 수준에 대해 이브(Eve)의 정보를 제한할 수는 있지만, 드리프트하는 채널에서 발생하는 순차적 의사결정 문제를 다루지는 못한다. 특히, 그녀가 변경할 수 없는 물리적 노이즈 프로세스에 의해 제약받는 공격자가 단일 고정 전략을 사용하는 것보다 라운드별로 공격 전략을 적응시킴으로써 유의미하게 더 많은 정보를 추출할 수 있는지 여부는 정량화되지 않았다.

방법론
저자들은 고정된 회로 템플릿과 정적인 채널이라는 두 가지 주요 한계를 해결하기 위해 Decker 등의 "학습된 공격(learnt attack)" 프레임워크를 확장한다.

1. 토폴로지와 파라미터의 공동 탐색: 저자들은 단순히 사전 정의된 회로 템플릿 내에서 회전각만을 최적화하는 대신, 게이트 구조(토폴로지)와 회전각을 모두 미지수로 취급한다. 이들은 진화적 외곽 루프(evolutionary outer loop)를 사용하여 게이트 시퀀스($\{RX, RY, RZ, CNOT\}$ 사용)를 제안하고, 내부 루프(CMA-ES 또는 SPSA와 같은 그래디언트 프리 최적화 도구 사용)를 통해 각도를 조정한다. 이를 통해 분석적 템플릿이 없는 노이즈 모델(예: 진폭 감쇠)에도 적용 가능한 압축된 회로(4~9개 게이트)를 발견할 수 있다.
2. 제약된 MDP로서의 적응형 도청: 드리프트하는 채널은 오른슈타인-우울렌벡(Ornstein–Uhlenbeck) 과정으로 모델링된다. 공격자의 문제는 제약된 마르코프 결정 과정(MDP)으로 정식화된다.
   • 상태(State): 공격자는 현재 노이즈 수준, 최근 이력 및 누적 통계량을 관찰한다.
   • 행동(Action): 사전 학습된 라이브러리에서 회로를 선택한다.
   • 제약(Constraint): 한 블록의 라운드 동안 평균 모니터링 통계량(예: 충실도 $F_{AB}$ 또는 CHSH 값 $S$)이 중단 임계값을 넘지 않아야 한다.
   • 목표: 탐지를 피하면서 기대 정보량(Holevo 양 $\chi$ 또는 충실도 $F_{AE}$)을 최대화한다.
3. 평가 프레임워크: 적응의 가치는 강화 학습(RL) 에이전트를 다음의 대상들과 비교하여 경계값을 산출함으로써 평가된다:
   • 최적의 고정된 회로 (정적 베이스라인).
   • 근시적으로 가장 안전한 행동을 선택하는 탐욕적 오라클(greedy oracle).
   • 주어진 행동 집합에 대해 이론적 최대치를 확립하기 위해 라이브러리 상에서 MDP를 최적으로 해결하는 동적 계획법(DP) 상한값.

주요 기여

1. 달성 가능한 정보 매핑: 저자들은 다양한 노이즈 패밀리(Pauli 및 진폭 감쇠)와 모니터링 컨벤션에 대해 정적인 노이즈 채널에서 공격자가 추출할 수 있는 최대 정보를 매핑한다. 이들은 이론적인 "무노이즈" 클로닝 경계와 신뢰할 수 있는 노이즈 컨벤션 하에서의 실제 달성 가능한 경계 사이의 차이를 정량화한다.
2. 기저 비대칭성 및 모니터링 컨벤션: 본 연구는 기저 비대칭성에 따른 공격자의 이득 부호가 모니터링 컨벤션에 따라 달라짐을 보여준다. 기저 평균 에러율 제약 조건 하에서는 비대칭성이 작은 양의 이득을 제공하지만, 기저별 제약 조건 하에서는 이득의 부호가 반전되며 그 크기가 크게 증가한다.
3. 얽힘 기반 프로토콜에서의 양방향 노이즈: 장치 독립적(device-independent) E91 프로토콜에 대해, 저자들은 양방향 탈분극(bilateral depolarising) 노이즈가 CHSH 값을 이차적으로 ($(1-p)^2$) 영향을 미친다는 것을 도출해 낸 반면, 단일 서브시스템 모델은 선형적 저하를 잘못 추정함을 밝혀냈다. 이는 아무런 방해가 없는 링크조차 키 생성이 불가능해지는 특정 노이즈 임계값($p_{cliff} \approx 0.074$)을 식별한다.
4. 적응의 가치 정량화: 제약된 MDP를 해결함으로써, 저자들은 적응형 전략이 정적 전략보다 유의미하게 우수함을 보여준다:
   • E91 (장치 독립적): 적응형 공격자는 탐지 제로 상태에서 Holevo 정보량을 최적의 고정 회로인 0.135에서 0.348로 증가시키며, 이는 DP 상한의 98%에 도달한다. 이는 추출된 정보량이 약 2.6배 증가했음을 의미한다.
   • BB84: 적응형 에이전트는 노이즈 지표 기반의 보수적인 규칙보다 충실도에서 0.024만큼 초과 달성하며, DP 경계까지 사용 가능한 이론적 헤드룸의 약 75%를 포착한다.
5. 검증: 탐색 절차는 알려진 분석적 결과(예: Pauli 노이즈에 대한 최적 클로너, 집합적 공격 키 레이트)를 복구하며, Winick–Lütkenhaus–Colas 목적 함수의 하한선을 위에서부터 만족함으로써 탐색 방법론을 검증한다.

결과

• 정적 노이즈: 정적 채널에 대해, 본 탐색은 "신뢰할 수 있는 노이즈" 컨벤션(공격자가 채널 노이즈를 변경할 수 없는 경우)이 보수적인 마진을 생성함을 확인한다. 이론적인 무노이즈 경계와 달성 가능한 경계 사이의 격차는 노이즈 수준이 높아짐에 따라 커진다.
• 드리프트 노이즈:
  • 드리프트하는 비트 플립 채널이 있는 BB84에서, 적응형 에이전트는 $F_{AE} = 0.7434$ (엄격한 탐지 제로)를 달성하여 탐욕적 오라클과 일치하며, DP 상한($0.7527$)의 99%에 도달한다.
  • 양방향 탈분극 노이즈가 있는 E91에서, 적응형 에이전트는 $\chi \approx 0.348$ (탐지 제로)를 달성하며, 이는 최적의 고정 회로의 0.135와 비교된다. 이 에이전트는 DP 상한($0.356$)의 98%에 도달한다.
  • 결과는 적응의 가치가 상당하며, 특히 노이즈 기하학이 더 제한적인 장치 독립적 프로토콜에서 그러함을 나타낸다.
• 탐지 허용 오차: 약간의 탐지율(예: BB84에서 4%)을 허용하는 것은 엄격한 제로 탐지 전략에 비해 미미한 이득만을 제공하며, 이는 주요한 이점이 위험 감수보다는 적응 자체에서 온다는 것을 시사한다.

의의 및 주장
본 논문은 물리적 노이즈 프로세스에 의해 제약받는 상황에서 채널 드리프트에 적응함으로써 공격자가 얻는 이득을 최초로 정량화했다고 주장한다. 저자들은 이 작업이 기존의 보안 증명(엔트로피 축적 논증 하에서 여전히 유효함)을 무효화하는 것이 아니라, 입증된 보안 경계와 물리적으로 제한된 공격자가 실제로 이용 가능한 정보 사이의 "운영 마진"을 명확히 하는 것이라고 밝힌다.

이 연구의 의의는 동적인 위협을 측정 가능하고 최적화 가능한 양으로 변환하는 데 있다. 이를 통해 네트워크 운영자는 보안을 해치지 않으면서도 재교정 간격을 연장하고 처리량을 극대화할 수 있으며, 이는 QKD의 상업적 도입에 있어 주요한 경제적 장벽을 해결한다. 저자들은 자신들의 결과가 공격자의 능력을 나타내는 구성적 하한선임을 강조한다. 이는 필요한 상한선을 제공하는 공식적인 보안 증명을 대체하는 것이 아니라 보완하는 것이다. 본 연구는 현재의 정적 가정이 드리프트 환경에서 과잉 프로비저닝(키 레이트 손실) 또는 리스크 과소평가로 이어질 수 있음을 시사한다.