1.一种离散变量量子密钥分发系统的攻击检测方法，包括如下步骤：

S1.搭建离散变量量子密钥分发攻击检测系统；

S2.采用步骤S1搭建的离散变量量子密钥分发攻击检测系统，获取基于不同系统参数和不同攻击模式下的离散变量量子密钥通信数据；

S3.将步骤S2获取的通信数据进行数据处理，并划分样本集；

S4.搭建基于生成对抗网络的离散变量量子密钥分发攻击检测初步模型；

S5.采用步骤S3得到的样本集对步骤S4搭建的离散变量量子密钥分发攻击检测初步模型进行训练，从而得到离散变量量子密钥分发攻击检测模型；

S6.在离散变量量子密钥分发系统工作时，采用步骤S5得到的离散变量量子密钥分发攻击检测模型对通信过程进行检测，从而实现离散变量量子密钥分发系统的攻击检测。

2.根据权利要求1所述的离散变量量子密钥分发系统的攻击检测方法，其特征在于步骤S1所述的离散变量量子密钥分发攻击检测系统，具体包括发送端模块和接收端模块；发送端模块与接收端模块通过光纤连接；发送端模块包括水平激光发生器、水平衰减器、水平起偏器、水平偏振控制器、对角激光发生器、对角衰减器、对角起偏器、对角偏振控制器、反对角激光发生器、反对角衰减器、反对角起偏器、反对角偏振控制器、垂直激光发生器、垂直衰减器、垂直起偏器、垂直偏振控制器和四选一控制器；水平激光发生器、水平衰减器、水平起偏器和水平偏振控制器依次串联；对角激光发生器、对角衰减器、对角起偏器和对角偏振控制器依次串联；反对角激光发生器、反对角衰减器、反对角起偏器和反对角偏振控制器依次串联；垂直激光发生器、垂直衰减器、垂直起偏器和垂直偏振控制器依次串联；水平偏振控制器的输出端、对角偏振控制器的输出端、反对角偏振控制器的输出端和垂直偏振控制器的输出端均与四选一控制器的输入端连接，四选一控制器的输出端为发送端模块的输出端；接收端模块包括10:90分束器、接收端第一衰减器、第一50:50分束器、半波片、接收端第一偏振分束器、第一单光子探测器模块、第二50:50分束器、同步时钟、光功率计、接收端第二偏振分束器、第二单光子探测器模块、第三单光子探测器模块、第四单光子探测器模块、数据采样模块和控制模块；发送端发送的信号连接10:90分束器的输入端；10:90分束器的第一输出端连接接收端第一衰减器的输入端，接收端第一衰减器的输出端连接第一50:50分束器的输入端；10:90分束器的第二输出端连接第二50:50分束器的输入端；第二50:50分束器的第一输出端连接同步时钟的输入端，第二50:50分束器的第二输出端连接光功率计的输入端；第一50:50分束器的第一输出端连接半波片的输入端，半波片的输出端连接接收端第二偏振分束器的输入端；接收端第二偏振分束器的第一输出端连接第一单光子探测器模块的输入端，接收端第二偏振分束器的第二输出端连接第二单光子探测器模块的输入端；第一50:50分束器的第二输出端连接接收端第二偏振分束器的输入端，接收端第二偏振分束器的第一输出端连接第三单光子探测器模块的输入端，接收端第二偏振分束器的第二输出端连接第四单光子探测器模块的输入端；同步时钟的输出端、光功率计的输出端、第一单光子探测器模块的输出端、第二单光子探测器模块的输出端、第三单光子探测器模块的输出端和第四单光子探测器模块的输出端均连接到数据采样模块的输入端；数据采样模块的输出端连接控制模块；水平激光发生器用于产生第一激光信号，通过水平衰减器衰减后，再通过水平起偏器和水平偏振控制器进行偏振控制，从而输出水平偏振态激光H；对角激光发生器用于产生第二激光信号，通过对角衰减器衰减后，再通过对角起偏器和对角偏振控制器进行偏振控制，从而输出对角偏振态激光D；反对角激光发生器用于产生第三激光信号，通过反对角衰减器衰减后，再通过反对角起偏器和反对角偏振控制器进行偏振控制，从而输出反对角偏振态激光A；垂直激光发生器用于产生第四激光信号，通过垂直衰减器衰减后，再通过垂直起偏器和垂直偏振控制器进行偏振控制，从而输出垂直偏振态激光V；四选一控制器用于选择对应的偏振态激光信号，并将选择的激光信号通过光纤传输至接收端模块；接收端接收到信号后，通过10:90分束器分为两束信号；一束10％的信号通过第二50:50分束器分为两束后，分别输入到光功率计和同步时钟；同步时钟用于产生时钟信号并用于后续校验，光功率计用于检测光功率；另一束90％的信号通过接收端第一衰减器衰减为理想信号值后，再通过第一50:50分束器平均分为两束：一束50％的信号通过半波片翻转45°后，若所选测量基与接收端第一偏振分束器基相同，则根据偏振角度对应射入相应的第一单光子探测器模块或者第二单光子探测器模块，并引起探测器响应；若与接收端第一偏振分束器基均不相同，则随机射入第一单光子探测器模块或者第二单光子探测器模块，并引起探测器响应；另一束50％的信号，若所选测量基与接收端第二偏振分束器基相同，则根据偏振角度对应射入相应的第三单光子探测器模块或者第四单光子探测器模块，并引起探测器响应；若所选测量基与接收端第二偏振分束器基均不相同，则随机射入第三单光子探测器模块或者第四单光子探测器模块，并引起探测器响应；数据采集模块用于收集同步时钟、光功率计、第一单光子探测器模块～第四单光子探测器模块的数据信息，并将收集的信息上传控制模块。

3.根据权利要求2所述的离散变量量子密钥分发系统的攻击检测方法，其特征在于所述的第一单光子探测器模块～第四单光子探测器模块均包括门控信号装置、响应记录装置、死区时间装置和光电流测量装置；死区时间装置记录及设置单光子探测器的死区时间，由门控信号装置提供周期脉冲，当量子信号输入到单光子探测器的输入端，且恰好与门控信号高脉冲相重合时，引起单光子探测器响应，此时由响应记录装置记录响应时间，且光电流测量装置测量此时流经单光子探测器的光电流，并将数据传输给数据采集模块。

4.根据权利要求3所述的离散变量量子密钥分发系统的攻击检测方法，其特征在于步骤S2所述的获取基于不同系统参数和不同攻击模式下的离散变量量子密钥通信数据，具体为不同系统参数包括不同的门控信号频率、不同的单光子控制器死区时间和不同的信道衰减率；不同攻击模式下的离散变量量子密钥通信数据包括正常通信时的离散变量量子密钥通信数据，以及遭受攻击时的离散变量量子密钥通信数据；攻击包括门后攻击、致盲攻击和波长攻击：致盲攻击定义为：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；门后攻击定义为：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；波长攻击定义为：攻击端发送具有不同波长及光子数的相干激光来控制接收端的检测结果。

5.根据权利要求4所述的离散变量量子密钥分发系统的攻击检测方法，其特征在于步骤S3所述的将步骤S2获取的通信数据进行数据处理，并划分样本集，具体为将正常通信时的离散变量量子密钥通信数据作为正样本数据，将遭受攻击时的离散变量量子密钥通信数据作为负样本数据；同时对样本数据采用最小最大归一化算法进行数据归一化处理；最后将样本集中的数据按设定的比例划分为训练样本和测试样本。

6.根据权利要求5所述的离散变量量子密钥分发系统的攻击检测方法，其特征在于步骤S4所述的搭建基于生成对抗网络的离散变量量子密钥分发攻击检测初步模型，具体为采用如下步骤搭建初步模型：

A.模型的内部网络结构为长短期记忆神经网络，并连接全连接层、Batch 

Normalization层，Dropout层、Softmax层和sigmoid层，并且采用二阶段训练，第一阶段判别器用于判别样本真假和样本类别，第二阶段判别器用于判别样本类别；

B.将条件标签输入Embededding层，并将输入与随机噪声相乘所得的结果作为生成器的输入；将样本数据集作为判别器的输入

C.判别器的输出为：当前输入样本属于K个相互独立的通信状态的概率，以及输入样本为真或为假的概率；所述的K个相互独立的通信状态，具体包括正常通信状态和K-1种攻击状态。

7.根据权利要求6所述的离散变量量子密钥分发系统的攻击检测方法，其特征在于所述的判别器，判别器的最后一层分别连接两个分类层：用于输出真假概率的sigmoid层和用于具体分类的softmax层。

8.根据权利要求7所述的离散变量量子密钥分发系统的攻击检测方法，其特征在于采用如下算式作为生成器的损失函数：

LG＝Ex～p(x),c～p(c)[logP(C＝c|x)]+Ez～p(z),z～p(c)[logP(C＝c|G(c,z))]-Ex～p(x)[logP(S＝real|x)]-Ez～p(z),c～p(x)[logP(S＝fake|G(c,z))]式中p(x)为输入样本分布；p(c)为条件标签分布；p(z)为噪声分布；G(c,z)为生成器生成的样本；C为标签类别；S为真假类别；Ex～p(x),c～p(c)[logP(C＝c|x)]为输入样本分类损失的熵函数；Ez～p(z),z～p(c)[logP(C＝c|G(c,z))]为生成样本分类损失的熵函数；Ex～p(x)[logP(S＝real|x)]为输入样本真假判断损失的熵函数；Ez～p(z),c～p(x)[logP(S＝fake|G(c,z))]为生成样本真假判断损失的熵函数。

9.根据权利要求8所述的离散变量量子密钥分发系统的攻击检测方法，其特征在于采用如下算式作为判别器的损失函数：

LD＝Ex～p(x)[logP(C＝c|x)]+Ez～p(z),c～p(x)[logP(C＝c|G(c,z))]+a{Ex～p(x)[logP(S＝real|x)]+Ez～p(z),c～p(x)[logP(S＝fake|G(c,z))]}式中a取值为0或1，且训练的第一阶段时a＝1，训练的第二阶段时a＝0；p(x)为输入样本分布；p(c)为条件标签分布；p(z)为噪声分布；G(c,z)为生成器生成的样本；C为标签类别；S为真假类别；Ex～p(x)[logP(C＝c|x)]为输入样本分类损失的熵函数；Ez～p(z),c～p(x)[logP(C＝c|G(c,z))]为生成样本分类损失的熵函数；Ex～p(x)[logP(S＝real|x)]为输入样本真假判断损失的熵函数；Ez～p(z),c～p(x)[logP(S＝fake|G(c,z))]为生成样本真假判断损失的熵函数。