Monitorización y análisis de datos operativos en infraestructuras de red cuántica

Resumen

La Distribución Cuántica de Clave (Quantum Key Distribution, QKD) se presenta como unatecnología fundamental para garantizar la seguridad de las comunicaciones frente a las amenazas derivadas del avance de la computación cuántica. Aunque la seguridad de la QKD se apoya en principios físicos bien establecidos, su despliegue en infraestructuras reales plantea nuevos retos de carácter opera tivo, especialmente en lo relativo a la monitorización continua, la interpretación de métricas cuánticas y la detección temprana de degradaciones del sistema.

Este Trabajo Fin de Grado aborda el problema de la monitorización operativa de infraestructuras QKD desde una perspectiva ingenieril, centrada en el análisis de datos operativos reales procedentes de sistemas comerciales desplegados en red. El objetivo principal es diseñar y evaluar un pipeline reproducible de análisis y detección de anomalías capaz de transformar métricas cuánticas y clásicas (QBER, tasa de clave segura, entre otras) en información accionable para la operación de enlaces QKD, en ausencia de datos etiquetados de fallos o ataques.

Para ello, se analizan datasets reales de distintos fabricantes y se desarrolla un flujo de trabajo basado en la limpieza de datos, la ingeniería de características temporales y multivariantes, y el uso de técnicas de aprendizaje automático no supervisado, concretamente Isolation Forest y Autoencoders. Estos modelos se emplean como herramientas de apoyo al análisis operativo, priorizando la interpretabilidad, la robustez frente al ruido y la reducción de falsos positivos.

La evaluación del sistema se lleva a cabo mediante demostradores operativos controlados, diseñados para reproducir escenarios físicamente plausibles como degradaciones del canal cuántico, saturaciones del plano clásico, deriva lenta y perturbaciones estocásticas. Los resultados muestran que el sistema propuesto es capaz de detectar anomalías estructurales relevantes y de distinguirlas de variaciones benignas del sistema, evitando alarmas injustificadas en condiciones de operación normal.

El trabajo concluye que las técnicas de aprendizaje automático no supervisado, combinadas con conocimiento del dominio y un análisis cuidadoso de los datos, constituyen una herramienta viable para apoyar la monitorización operativa de infraestructuras QKD reales, y sientan las bases para futuras extensiones orientadas al mantenimiento predictivo y a su integración en arquitecturas de control
de red cuántica.

ABSTRACT

Quantum Key Distribution (QKD) is increasingly regarded as a key technology to ensure the long-term security of communications against the threats posed by quantum computing. While the security of QKD is grounded in well-established physical principles, its deployment in real-world infrastructures introduces relevant operational challenges, particularly with respect to continuous monitoring, the interpretation of quantum metrics, and the early detection of system degradations.

This Bachelor’s Thesis addresses the problem of operational monitoring of QKD infrastructures from an engineering perspective, with a focus on the analysis of real operational data obtained from commercial QKD systems deployed in networked environments. The main objective is to design and evaluate a reproducible monitoring and anomaly detection pipeline capable of transforming quantum and classical operational metrics (such as QBER and secure key rate) into actionable information, in the absence of labeled data describing failures or attacks.

To achieve this goal, real datasets from different manufacturers are analyzed (in this Thesis QTI and Thoshiba machines are analyzed), and a data processing pipeline is developed based on data cleaning, temporal and multivariate feature engineering, and the application of unsupervised machine learning techniques, specifically Isolation Forest and Autoencoders. These models are used as decision-support tools, with an emphasis on interpretability, robustness to noise, and the reduction of false positives.

The system is evaluated using controlled operational demonstrators designed to reproduce physically plausible scenarios, including quantum channel degradation, classical plane saturation, slow drift effects, and stochastic instabilities. The results indicate that the proposed approach is capable of detecting relevant structural anomalies while avoiding unjustified alarms under normal operating conditions.

The thesis concludes that unsupervised learning techniques, when combined with domain knowledge and careful data analysis, constitute a viable solution for supporting the operational monitoring of real QKD infrastructures, and provide a solid foundation for future work on predictive maintenance and integration into quantum network control architectures.