★ 湖南省水利发展投资有限公司 周文杰

★ 湖南省水利水电勘测设计规划研究总院有限公司 欧阳君

★ 湖南省水利发展投资有限公司 刘弈涛

★ 科大国盾量子技术股份有限公司 周雷

★ 南京中科齐信科技有限公司 徐忱

关键词：量子密钥；水利信息；数据分类分级；安全保护算法

水利信息系统主要承担着防汛减灾、水资源优化配置、水利工程建设管理等战略任务。该系统数据涵盖水利基础数据、水利业务数据、地理空间数据、管理数据、个人信息及其他数据六大类别，包含水雨情、工程监测、工程险情、BIM模型、水下地形、个人身份以及工程结构等敏感信息。当前，传统加密体系在量子计算威胁下暴露出显著脆弱性，同时水利行业的数字化转型催生了大量的异构数据，包括实时监测流数据、地理空间数据及模型成果数据等，其安全需求呈现出差异化的特征。因此，亟需构建一套能够适应量子计算威胁环境且兼顾效率和安全的数据保护框架，全方位保障水利信息数据的安全。

近年来，众多学者针对数据分级保护算法进行了深入分析与探索。郭鹏等^[1]提出基于双区块链结构的数据分级保护方案，采用主链存储全局元数据，子链则按照数据敏感度划分独立存储节点。但该方案的安全性依赖双链同步机制，由于子链间缺乏直接通信，致使密钥更新延迟，算法的安全性难以得到有效保证；郭雅馨等^[2]根据数据敏感度动态调整噪声注入强度，高敏感度数据采用拉普拉斯机制添加与全局敏感度成正比的噪声，低敏感度数据则使用指数机制优化查询结果分布。但是噪声注入会降低模型可用性，在数据分布不均衡时算法的安全性会受到一定影响；焦延杰^[3]根据内容敏感度与使用场景，将数据划分为公开级、机密级和内部级，并采用同态加密与属性基加密算法进行加密处理。然而，这种动态分级机制依赖中心化标签系统，导致数据安全性存在较大波动；赵岩等^[4]采用轻量级分类器划分敏感等级，低敏感数据直接上链存储哈希值， 高敏感数据则通过国密算法加密后拆分为多个分片，分别存储在不同的区块链节点。但由于分片存储导致数据完整性验证复杂度激增，攻击者可通过篡改少数分片破坏全局一致性，因此算法的实际安全性还有待提高。

当前水利信息数据保护方法主要基于数据来源或基本属性进行初步分类， 并采用常规对称加密算法对各类数据实施统一加密处理。张晓艺等^[5]系统梳理了水利数据的业务属性，提出了针对性的分类分级框架，但其保护措施仍依赖传统密码技术；付静等^[6]提出了“点面结合”的安全保护方法，对水利重要数据实施差异化防护，然而其核心仍基于传统商用密码体系，在应对量子计算威胁方面存在固有局限；卢雪辉^[7]探索了区块链技术在水利水务数据安全中的应用，利用其防篡改特性提升数据可信度，但该方案在处理海量实时监测数据时面临性能瓶颈。综上，现有研究多侧重于从管理或传统密码技术层面进行加固，忽视了水利信息数据复杂的非线性特征及其在量子计算下的潜在风险， 导致数据安全的远期保障能力不足。针对此问题，本文提出了一种基于量子密钥加密的水利信息系统数据分类分级及安全保护方法。该方法充分考虑了数据的非线性特征，利用k-近邻算法对降维后的数据进行分类分级， 并借助量子密钥加密的高安全性为分类后的数据提供可靠保护。

1   量子密钥加密应用下水利信息系统数据分类分级及安全保护方法

1.1   水利信息系统数据降维

考虑到水利信息系统数据普遍存在非线性关联特征，为有效挖掘数据潜在的非线性结构、提取分类分级的关键特征，本文采用t-分布随机邻域嵌入算法，分别定义高维空间和低维空间的邻域相似性，通过最小化两个空间概率分布的KL散度，使相近的水利数据点在低维空间保持聚集，从而在保留关键结构的同时实现高效降维。

通过传感器网络采集水位、流量、水质以及降雨量等时空序列数据，各类数据通过无线通信传输至水利信息系统的中央数据库^[8]。假设xi和xj分别代表高维空间中水利系统的两个观测样本， 具体对应某监测站点的水位或流量等特征组成的向量。本文采用高斯核函数定义样本条件概率，具体表达式如式（1）、式（2）所示。

其中，P_j|i代表点x_j是点x_i邻居的概率， P_j|i的值越大代表两个样本在水利场景中的关联越紧密；σ_i代表高斯核带宽参数；代表样本总数，即水利数据集中所有监测记录的数量； P_ij代表对称化后的联合概率。本文在低维空间中采用t分布对相似度q_ij进行计算，具体计算公式如式（3）所示。

其中，y_i和y_j分别代表低维空间中的映射点，即降维后的水利数据可视化坐标。本文通过最小化 P_ij和q_ij的KL散度，结合梯度下降法对低维坐标进行更新，具体表达式如式（4）所示。

其中，代表损失函数。通过上述方式， 可将水利数据中隐含的时空关联转化为低维空间中的直观结构，为后续分类分级与安全保护策略的制定提供了理论依据。

1.2   水利信息系统数据非线性分类分级

本文采用k-近邻算法，通过选取距离最近的K个水利信息样本作为近邻，并统计近邻样本的类别分布，将当前样本归类为频率最高的类别，从而实现水利信息数据的非线性分类分级处理。

假设降维后的水利信息数据在低维空间的坐标集合为Y ={ y₁,y₂ , · · · , y_N} y₁∈R^d，本文根据水对其类别进行划分，例如“正常水位”“洪水预警”以及“污染事件”等。设定标签集合为L = (l₁, l₂ , · · · , l_c}，其中c代表类别数量。对任意的低维空间水利信息样本y_i，计算其与训练集中其他样本y_j之间的距离，具体表达式如式（5）所示。

其中，y_i,k代表yi的第k维坐标。选取距离最近的K个样本构成近邻集合Nk (y_i ) = {y_j1 ,y_j2 , · · · , y_jk}，通过投票决策的方式将样本y_i分类为频率最高的类别。其具体表达式如式（6）所示。

其中，l_i代表样本y_i的预测类别。上述方式根据每个样本周围的局部数据分布，对数据进行动态分级分类处理，能够很好地适配水利数据中多因素耦合的非线性特征。

1.3   基于量子密钥加密算法的水利信息系统数据安全保护策略设计

本文利用量子信道生成不可窃听的随机密钥，并结合对称加密算法对水利信息分类结果进行加密。同时，采用量子随机数生成器动态更新密钥，防止密钥重复使用带来的安全风险。

本文通过BB84协议在通信双方即监测中心与数据中心之间建立量子信道，生成随机密钥。发送方随机选择基矢并随机生成比特串B = {b₁ , b₂  … b_n,}{b_i∈{0, 1}}，经光纤量子信道发送给接收方。随机选择基矢测量接收到的量子态并记录测量结果B '和使用的基矢序列M。双方通过经典信道公开基矢序列，仅保留基矢选择一致的比特作为原始密钥k_rau。将水利信息分类结果D与量子密钥k_rau进行结合，采用对称加密算法对其进行加密处理，具体加密表达式如式（7）所示。

其中，C代表加密后的水利信息分级数据，PRF_k代表基于量子密钥k_rau的伪随机函数，IV代表初始化向量，E_k (D)代表对称加密操作。加密后的水利信息分级数据通过经典信道传输， 并利用量子信道定期更新密钥，确保其前向的安全性。此外，本文还采用量子随机数生成器扩展密钥池，防止密钥重复使用，具体表达式如式（8）所示。

其中，k_new和k_old分别代表新的量子密钥和旧的量子密钥，Hash代表SHA-3哈希函数，R_Q代表量子随机数。

2   实验环节

2.1   实验准备

本次实验选取的水利信息系统覆盖省级流域监控网络，包含3条主要河流、12座中型水库及28个水文监测站。该系统共部署五类核心节点，即水库监控节点、河道水文站、水质监测站、气象观测站和调度中心。其中，省级调度中心主要集成数据存储、分析及决策支持功能，其余核心节点分别采集水位、降雨量、流速和风速等水利信息实时监测数据。系统采用分层混合架构，感知层包含500个以上物联网传感器，每5分钟上传一次数据，单节点日数据量约200KB；传输层主要采用带宽为1Gbps的光纤专网进行数据加密传输；平台层借助分布式数据库集群存储数据，该集群支持每秒5万条数据写入；应用层则提供实时监控、洪水预警以及水质评价等六类服务。实验构建的水利信息数据集采用分级结构，包括公开级、内部级和机密级，具体参数如表1所示。

表1 水利信息数据集分级参数

实验测试分析时，采用公开级和内部级数据训练算法和模型，采用机密级数据作为最终测试数据。本文选取的机密级水利时序数据包含1000个样本点，每个样本点有水位、流速和闸门开度3个属性。

实验选取的对比对象为双区块链支撑的隐私保护车联网数据分级共享方案，以及基于差分隐私的联邦学习隐私保护算法。为衡量不同算法在数据截获攻击下对机密级水利数据的保护效能，实验设计了中间人攻击场景，模拟攻击者截获加密数据包并尝试解密或分析。此外，为确保数据的唯一性，设定每次实验均生成新的随机分布。

2.2   数据安全保护效果

在固定攻击场景下，实验通过评估数据完整性的保持能力，对算法的数据安全保护效果进行检验。中间人攻击场景下各算法的水利信息数据完整性保持率仿真结果如图1所示。

图1 水利信息数据在中间人攻击场景下的完整性保持率

由图中结果可知，本文方法不仅具有较高的数据完整性保持率，计算开销也处于合理范围内。尤其在数据完整性保持率稳定的高位区间，其计算开销并未出现大幅增长，表明本文方法可保障数据完整性。

2.3   安全性对比

实验选取泄露数据熵损失作为评价指标，对比不同数据保护方法的安全防护水平。原始数据熵反映了数据本身所包含的信息量和不确定性，而泄露数据熵则表示数据泄露后，攻击者所能获取到的有效信息的不确定性程度。该值越高，代表算法的安全性越高，具体实验对比结果如图2所示。

图2 不同算法泄露数据上损失对比结果

由上述实验结果可知，本文方法的泄露数据熵损失显著高于两种常规算法，数值最终稳定在0.93，表明攻击者从泄露数据中获取的有效信息极少，证明了本文方法具有更高的安全性。这主要归因于本文采用量子密钥算法对分级后的水利信息数据进行加密，即便数据泄露，攻击者获取的也是经过高度混淆和加密的信息，难以提取有价值内容， 从而确保了算法具有更高的安全性。

3   结论

本研究将量子密钥技术与水利信息系统数据保护进行了深度融合， 并通过k-近邻算法对数据进行了分级分类处理，根据数据的敏感程度以及重要性将水利信息数据划分为不同的等级，为数据的差异化保护奠定了基础。同时，本研究利用量子密钥对分级后的水利信息数据进行加密处理，有效抵御了各类网络攻击。实验对比分析结果表明，本文方法在水利数据保护中具有有效性和优越性，能够有效满足水利数字化业务的安全需求，促进了水利行业在数字化时代的稳健发展。

作者简介：

周文杰（1969-），男，湖南长沙人，高级工程师， 本科，现就职于湖南省水利发展投资有限公司，研究方向为水利工程建设管理。

欧阳君（1984-），男，湖南郴州人，高级工程师，硕士，现就职于湖南省水利水电勘测设计规划研究总院有限公司，研究方向为水利工程信息化。

刘弈涛（1996-），男，湖南娄底人，中级工程师 ，本科，现就职于湖南省水利发展投资有限公司，研究方向为水利工程建设管理。

周   雷（1981-），男，吉林长春人，高级工程师， 博士，现就职于科大国盾量子技术股份有限公司，研究方向为量子信息技术及应用。

徐   忱（1988-），男，安徽安庆人，硕士，现就职于南京中科齐信科技有限公司，研究方向为量子信息技术及应用。

参考文献：

[1] 郭鹏, 刘亚丽, 陈东东, 等. 双区块链支持的隐私保护车联网数据分级共享方案[J]. 电讯技术, 2025, 65 (07) : 1024 - 1032.

[2] 郭雅馨, 范启天, 严利民. 一种基于差分隐私的联邦学习隐私保护算法[J]. 复旦学报(自然科学版), 2025, 64 (04) : 385 - 394.

[3] 焦延杰. 公共文化云个人用户数据分类分级保护[J].图书馆研究, 2025, 55 (03) : 94 - 99.

[4] 赵岩, 郭家鑫. 面向区块链技术的数据安全保护算法研究[J]. 网络安全和信息化, 2025, (05) : 137 - 139.

[5] 张晓艺, 戴逸聪. 水利数据分类分级及安全保护技术[J]. 人民长江, 2023, 54 (S2) : 232 - 237.

[6] 付静, 周维续, 詹全忠, 等. 基于商用密码的水利重要数据点面结合安全保护方法[J]. 水利信息化, 2024, (01) : 1 - 5.

[7] 卢雪辉. 区块链技术在水利水务数据安全与隐私保护中的应用研究[J]. 水上安全, 2024, (15) : 76 - 78.

[8] 杨辉. 基于属性加密算法的大规模财政数据分级安全存储方法研究[J]. 数字通信世界, 2025, (04) : 10 - 12.

摘自《自动化博览》2026年9月刊