计算之魂:持续于正确的因果链(一)

引言

如果你只有一杆 100 年前的毛瑟枪,能够打中目标只能靠天分,如果你有一杆最先进的狙击步枪,有瞄准镜帮助,打中目标就容易很多。计算机算法的精髓,就是计算机从业者的武器。 – 吴军《计算之魂》

有很多经典而有趣的问题或算法,它们计算之机巧,应用之广泛,类比之深远,皆值得我们去深思和不断探究。今天带来的是其中的25 人赛跑BB84 量子密钥分发

在这里插入图片描述

25 人赛跑

25 人赛跑,选前三强,每场 5 人,最少需要几场比赛?

比赛过程

  • 第 1 轮:5 场,将 25 人分为 5 组(每组 5 人),进行 5 场比赛,决出各组的第 1 到 5 名。
  • 第 2 轮:1 场,令 5 组的第 1 名决出前 1 到 3 名,其中第 1 名是 25 人的冠军。
  • 第 3 轮:1 场,令第 2 轮中的第 1 名所在组的第 2、3 名、第 2 轮中的第 2 名所在组的第 2 名、第 2 轮的第 2、3 名(共 5 人)决出第 1、2 名,即为 25 人的亚军与季军。

共需要 7 场比赛。

模拟演示

我们用 Python 生产每一轮比赛的过程与结果图像,模拟这一比赛过程。

import matplotlib.pyplot as plt
import numpy as np

# 随机种子,以便结果可重现
np.random.seed(0)

# 比赛选手
num_players = 25
players = [f"Player {i + 1}" for i in range(num_players)]

# 生成随机成绩
scores = np.random.randint(1, 100, size=num_players)  # 生成 25 个随机成绩

# 生成第一轮比赛结果
round_1_results = {}
for i in range(5):
    group_scores = scores[i * 5: (i + 1) * 5]
    group = players[i * 5: (i + 1) * 5]
    sorted_indices = np.argsort(group_scores)  # 根据成绩排序
    round_1_results[f"Group {i + 1}"] = [(group[idx], group_scores[idx]) for idx in sorted_indices]

# 第二轮决出各组第一名
winners_round_1 = [results[0][0] for results in round_1_results.values()]  # 各组第一名
winner_scores = [scores[players.index(winner)] for winner in winners_round_1]
sorted_indices = np.argsort(winner_scores)
finalists = [(winners_round_1[idx], winner_scores[idx]) for idx in sorted_indices]

# 第三轮决定真正的亚军和季军
first_group = round_1_results[f"Group {winners_round_1.index(finalists[0][0]) + 1}"]
second_group = round_1_results[f"Group {winners_round_1.index(finalists[1][0]) + 1}"]
third_place_candidates = [first_group[1], first_group[2], second_group[1]]
third_place_scores = [scores[players.index(candidate[0])] for candidate in third_place_candidates]
third_sorted_indices = np.argsort(third_place_scores)
third_place_winner = third_place_candidates[third_sorted_indices[0]]

# 绘制比赛过程
fig, ax = plt.subplots(3, 1, figsize=(12, 15))

# 第一轮
ax[0].barh(list(round_1_results.keys()), [1] * 5, color='skyblue')
for group, results in round_1_results.items():
    players_result = ', '.join([f"{player[0]} (Score: {player[1]})" for player in results])
    ax[0].text(1, list(round_1_results.keys()).index(group), players_result)

ax[0].set_title('Round 1 Results (5 Groups of 5 Players)')
ax[0].set_xlim(0, 2)
ax[0].axis('off')

# 第二轮
finalist_names = [player[0] for player in finalists]  #获取选手名称
ax[1].barh(finalist_names, [1] * len(finalists), color='orange')
for idx, (player, score) in enumerate(finalists):
    ax[1].text(1, idx, f'{player} (Score: {score})' + (' - Champion' if idx == 0 else ''))

ax[1].set_title('Round 2 Results (Finalists)')
ax[1].set_xlim(0, 2)
ax[1].axis('off')

# 第三轮
third_place_names = [candidate[0] for candidate in third_place_candidates]  # 获取第三轮候选选手名称
ax[2].barh(third_place_names, [1] * len(third_place_candidates), color='lightgreen')
for idx, candidate in enumerate(third_place_candidates):
    ax[2].text(1, idx, f'{candidate[0]} (Score: {scores[players.index(candidate[0])]})')

ax[2].text(0, 0, f'Second place: {finalists[1][0]} (Score: {finalists[1][1]})')
ax[2].text(0, 1, f'Third place: {third_place_winner[0]}')

ax[2].set_title('Round 3 Results (Final Rankings)')
ax[2].set_xlim(0, 2)
ax[2].axis('off')

# 显示总冠军的信息
plt.figtext(0.5, 0.02, f'Champion: {finalists[0][0]}, Runner-up: {finalists[1][0]}, Third Place: {third_place_winner[0]}', ha='center', fontsize=12)

plt.tight_layout()
plt.show()

在这里插入图片描述

  • 选手创建:创建 25 个参赛选手的列表。
  • 第一轮比赛:随机将选手分为 5 组,每组 5 人,并显示他们的名次。
  • 第二轮比赛:从第一轮中选出每组的第一名,并在图中显示。
  • 第三轮比赛:根据第二轮的结果确定前两名所在组的其他选手,并进行比赛。
  • 最终显示:在每个比赛阶段中显示选手名次,并显示冠军、亚军和季军。

思考:提高效率的方式是少做事情,低水平的、大量重复的事情做的再多,产出其实也不高。

BB84 量子密钥分发(量子通信)

BB84 量子密钥分发是一种量子通信协议,由查尔斯·贝内特(Charles Bennett)和阿尔贝特·基尔(Gilles Brassard)于 1984 年提出。它允许两个用户(通常称为亚里士多德和鲍勃)安全地共享加密密钥,即使存在潜在的窃听者。

  • 量子比特(Qubit):BB84 协议基于量子比特的特性。量子比特可以表示 0 和 1 的叠加态,具有量子力学的不可克隆性和测量后的坍缩特性。
  • 编码和测量:亚里士多德随机选择一系列比特(0 或 1),并使用两种基(水平/垂直和对角线基)进行编码。在测量时,鲍勃随机选择基进行测量,并将其结果发送给亚里士多德。
  • 基的选择:亚里士多德和鲍勃在量子比特的传输后会公开他们选择的基信息。仅对基匹配的测量结果进行保留,从而生成共享密钥。
  • 窃听检测:由于量子测量的不可克隆性,如果倾听者(艾娃)试图窃听,任何对量子比特的测量都会改变比特的状态,导致错误率的增加。亚里士多德和鲍勃可以通过比较部分比特来检测可能的窃听。

协议模拟

我们先实现 BB84 协议的核心部分,包括量子比特的生成、编码、测量以及关键的比特处理。

import numpy as np
import random

# 定义基
HORIZONTAL = 0
VERTICAL = 1
DIAGONAL = 2
ANTI_DIAGONAL = 3

# 定义类用于BB84协议
class BB84:
    def __init__(self, n):
        self.n = n  # 量子比特数
        self.alice_bits = np.random.randint(0, 2, n)  # 亚里士多德的比特
        self.alice_bases = np.random.choice([HORIZONTAL, VERTICAL, DIAGONAL, ANTI_DIAGONAL], n)  # 亚里士多德的基
        self.bob_bases = np.random.choice([HORIZONTAL, VERTICAL, DIAGONAL, ANTI_DIAGONAL], n)  # 鲍勃的基

    def simulate_transmission(self):
        self.bob_bits = []
        for i in range(self.n):
            # 判断基是否匹配,只保留匹配的比特
            if self.bob_bases[i] == self.alice_bases[i]:
                self.bob_bits.append(self.alice_bits[i])
            else:
                self.bob_bits.append(None)  # 收到时丢弃

    def extract_key(self):
        self.key = [self.bob_bits[i] for i in range(self.n) if self.bob_bits[i] is not None]
        return self.key

# 模拟 BB84 协议
bb84 = BB84(n=10)
bb84.simulate_transmission()
final_key = bb84.extract_key()
print("Alice's Bits:    ", bb84.alice_bits)
print("Bob's Bases:     ", bb84.bob_bases)
print("Alice's Bases:   ", bb84.alice_bases)
print("Bob's Bits:      ", bb84.bob_bits)
print("Final Key:       ", final_key)
Alice's Bits:     [1 0 1 0 1 1 0 1 1 0]
Bob's Bases:      [0 1 1 1 3 0 3 2 0 3]
Alice's Bases:    [2 3 0 1 3 1 3 3 2 3]
Bob's Bits:       [None, None, None, np.int64(0), np.int64(1), None, np.int64(0), None, None, np.int64(0)]
Final Key:        [np.int64(0), np.int64(1), np.int64(0), np.int64(0)]

图形化演示 BB84 协议过程

接下来,我们将生成图形化示例,以表示 BB84 协议的关键过程。

import matplotlib.pyplot as plt

def plot_bb84(alice_bits, alice_bases, bob_bases, bob_bits):
    plt.figure(figsize=(10, 6))

    # 亚里士多德的比特
    plt.subplot(311)
    plt.scatter(range(len(alice_bits)), alice_bits, c='blue', label="Alice's Bits")
    plt.yticks([0, 1], ['0', '1'])
    plt.title("Alice's Bits and Bases")
    plt.xticks(range(len(alice_bits)))
    for i in range(len(alice_bases)):
        plt.text(i, alice_bits[i]+0.1, f'{alice_bases[i]}', fontsize=8, ha='center')
    plt.grid()

    # 鲍勃的基和比特
    plt.subplot(312)
    plt.scatter(range(len(bob_bases)), bob_bases, c='red', label="Bob's Bases")
    plt.yticks([HORIZONTAL, VERTICAL, DIAGONAL, ANTI_DIAGONAL], ['H', 'V', 'D', 'AD'])
    plt.title("Bob's Bases")
    plt.xticks(range(len(bob_bases)))
    for i in range(len(bob_bases)):
        plt.text(i, bob_bases[i]+0.1, f'{bob_bits[i]}', fontsize=8, ha='center')

    # 最终密钥
    plt.subplot(313)
    plt.bar(range(len(final_key)), final_key, color='green', label="Final Key")
    plt.title("Final Key")
    plt.ylim(-0.5, 1.5)
    plt.xticks(range(len(final_key)))

    plt.tight_layout()
    plt.show()

# 绘制图形
plot_bb84(bb84.alice_bits, bb84.alice_bases, bb84.bob_bases, bb84.bob_bits)

在这里插入图片描述

BB84 协议优势

  • 安全性:使用量子力学原理保证密钥的安全性,无法通过经典计算手段破解,具有极强的安全性。
  • 窃听检测:如有窃听者,量子测量会改变状态,使得亚里士多德和鲍勃能够检测到潜在的窃听者。
  • 简单性:相对于其他量子密钥分发协议,BB84 结构简单,易于理解和实现。

BB84 是量子密钥分发领域的一个基础协议,展示了量子力学在信息安全中的应用,推动了量子通信技术的发展。

应用场景

  • 安全通信:用于确保信息传输中的密钥交换,防止机密数据被窃取。
  • 金融服务:保障电子交易的安全性,防止信息篡改和盗取。
  • 电子投票:确保投票数据在传输过程中的安全性和机密性。
  • 数据存储:在云存储中,对敏感信息进行加密访问,确保数据保护。

BB84 协议展示了量子技术在信息安全中的巨大潜力,并为未来的通信系统奠定了基础。

结语

站在系统的角度来考虑所有应用问题,沿着正确的方向,经过不断递进的联系,见识逾大,思考逾深,才能完成一次质的飞跃。


PS:感谢每一位志同道合者的阅读,欢迎关注、点赞、评论!


  • 11
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

三余知行

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值