1.一种离散量子密钥分发中针对器件缺陷的攻击检测方法，包括如下步骤：

S1.搭建以InGaAs-based SPAD为单光子探测器件的离散量子密钥分发系统；

S2.在步骤S1搭建的离散量子密钥分发系统中，进行正常情况下的量子密钥分发，从而获取正样本数据；

S3.在与步骤S2相同的量子密钥分发条件下，引入针对InGaAs-based SPAD器件缺陷的攻击，并进行量子密钥分发，从而获取负样本数据；

S4.根据步骤S2获取的正样本数据和步骤S3获取的负样本数据，制作训练数据集；

S5.采用步骤S4获取的训练数据集对攻击检测模型进行训练，从而得到攻击检测分类器；

S6.采用步骤S5得到的攻击检测分类器，对正常通信的离散量子密钥分发进行监测，从而完成离散量子密钥分发中针对器件缺陷的攻击检测。

2.根据权利要求1所述的离散量子密钥分发中针对器件缺陷的攻击检测方法，其特征在于步骤S2所述的在步骤S1搭建的离散量子密钥分发系统中，进行正常情况下的量子密钥分发，从而获取正样本数据，具体为采用如下规则获取正样本数据：离散变量量子密钥分发系统采用BB84协议，编码方式为偏振编码，以光纤为传输信道，工作波长为1550nm；

在通信过程中，以一个门模式工作周期T为计量单位；每经过时间T，将单光子探测器i探测到的n个光子写入矩阵[n11,n12,...,n1m；n21,n22,...,n2m；n31,n32,...,n3m；n41,n42,...,n4m]，从而得到正样本数据；其中n为自然数，m为采样的历史时刻数且为任意正整数。

3.根据权利要求2述的离散量子密钥分发中针对器件缺陷的攻击检测方法，其特征在于步骤S3所述的在与步骤S2相同的量子密钥分发条件下，引入针对InGaAs-based SPAD器件缺陷的攻击，并进行量子密钥分发，从而获取负样本数据，具体为采用如下规则获取负样本数据：在通信过程中，保证在与步骤S2相同的量子密钥分发条件下，引入针对InGaAs-based SPAD器件缺陷的攻击；同时，以一个门模式工作周期T为计量单位；每经过时间T，将单光子探测器i探测到的n个光子写入矩阵[n'11,n'12,...,n'1m；n'21,n'22,...,n'2m；n'31,n'32,...,n'3m；n'41,n'42,...,n'4m]，从而得到负样本数据；其中n为自然数，m为采样的历史时刻数且为任意正整数；

针对InGaAs-based SPAD器件缺陷的攻击，具体包括致盲攻击，门后攻击和时移攻击；

致盲攻击：攻击端发送一束强光使得接收方的单光子探测器工作在线性模式，而后攻击端发送具有定制光功率的明亮脉冲至接收端，当接收端所选基与攻击端相同时，单光子探测器响应，相反时则不发生响应；

门后攻击：通过正确获取检测时间周期之外单光子探测器的线性模式，攻击端调整亮脉冲强度，将其发送在检测窗口之后，使得当接收端所选基与攻击端相同时，单光子探测器响应，相反时则不发生响应；

时移攻击：攻击端通过电动可调光学延迟线，将来自发送端的脉冲随机移位，使该光子更容易被某一特定单光子探测器检测，从而获取通信信息；在具体实施时，使用电动可调光学延迟线，使得单光子到达时间延迟或者加快几百皮秒。

4.根据权利要求1～3之一所述的离散量子密钥分发中针对器件缺陷的攻击检测方法，其特征在于步骤S5所述的采用步骤S4获取的训练数据集对攻击检测模型进行训练，从而得到攻击检测分类器，具体为采用如下步骤得到攻击检测分类器：A.采用小波变换处理步骤S4得到的训练数据集；

B.采用长短期记忆卷积神经网络作为初始分类器；初始分类器包括输入门、遗忘门和输出门；输入门采用正切函数和sigmoid激活函数实现；遗忘门采用sigmoid激活函数实现；

输出门采用relu激活函数实现；

C.将处理后的训练数据集输入初始分类器，得到输出结果，并将输出结果输入到初始分类器外接的Batch Normalization层，再将输出结果通过池化层，全连接层和softmax层，得到最终的输出结果。

5.根据权利要求4所述的离散量子密钥分发中针对器件缺陷的攻击检测方法，其特征在于所述的采用小波变换处理步骤S4得到的训练数据集，具体为小波变换采用Coiflets小波基函数，同时使用ddencmp函数获取序列在降噪过程中的默认阈值，并将此默认此阈值作为全局软阈值。

6.根据权利要求5所述的离散量子密钥分发中针对器件缺陷的攻击检测方法，其特征在于所述的将处理后的训练数据集输入初始分类器，得到输出结果，具体为采用如下步骤得到输出结果：a.对于状态Ct，遗忘门读取前一状态的信息ht-1和当前状态的输入信息xt，采用如下算式得到一个在0～1之间的数值，用于表示细胞状态Ct-1中信息保留的百分比：ft＝σ(Wf*[ht-1,xt]+bf)

式中Wf为遗忘门的权重矩阵；bf为遗忘门的偏差权重向量；ht-1为前一时刻的细胞状态；

xt为当前时刻输入信息；ft为遗忘门的最终输出；σ为sigmoid函数且

b.令ht-1和xt通过输入门的操作，采用如下算式得到更新内容：

it＝σ(Wi*[ht-1,xt]+bi)

式中Wi为输入门的权重矩阵；bi为输入门的偏差权重向量；ht-1为前一时刻的细胞状态；

xt为当前时刻样本；it为当前时刻输入门的输出参数；

c.令ht-1和xt通过tanh层，采用如下算式得到新的候选细胞信息：

式中bC为偏置权重向量； 为当前时刻输入门的候选记忆；φ为双曲线正切函数tanh且d.通过遗忘门选择忘记旧细胞的信息，并通过输入门选择添加候选细胞信息 的一部分，采用如下算式得到新的细胞信息Ct：e.将得到的数据信息，采用如下算式通过输出门的sigmoid层得到判断条件ot＝σ(Wo*[ht-1,xt]+bo)，再将细胞状态通过relu层得到向量，该向量与输出门得到的判断条件，采用如下算式相乘得到最终的RNN单元的输出ht：ht＝ot*ψ(Ct)；其中Wo为输出门的权重矩阵；bo为输出门的偏差权重向量；ht-1为前一时刻的细胞状态；xt为当前时刻样本；ot为当前时刻输出门的输出参数；Ct为当前时刻的细胞状态；ht为当前状态的信息；ψ为relu函数且ψ(x)＝max(0,x)。

7.根据权利要求6所述的离散量子密钥分发中针对器件缺陷的攻击检测方法，其特征在于所述的池化层采用平均池化。

8.根据权利要求7所述的离散量子密钥分发中针对器件缺陷的攻击检测方法，其特征在于所述的全连接层的损失函数为adam函数。

9.根据权利要求8所述的离散量子密钥分发中针对器件缺陷的攻击检测方法，其特征在于所述的Batch Normalization层，具体为根据输出结果对应的均值和方差，将输出结果进行归一化处理；再将归一化处理得到的结果，根据缩放系数和偏移系数进行线性变换，从而得到Batch Normalization层的处理结果。