quantum-cryptography-and-post-quantum-security

Neura Parse 量子密码学与后量子安全数据集是一个专注于量子密码学和抗量子攻击经典密码学领域的深度垂直数据集。它涵盖了量子密钥分发（包括 BB84、B92、六态、SARG04、E91、BBM92、诱饵态、MDI-QKD、TF-QKD、CV-QKD 等协议）、设备无关协议、可组合与有限密钥安全性证明、量子黑客攻击及对策、经典后处理（协调、隐私放大、认证）、量子随机数生成与认证随机性，以及量子货币、抛币、比特承诺不可行定理和量子数字签名等密码学原语。在后量子密码学方面，数据集覆盖了 NIST 标准化算法（如 FIPS 203 ML-KEM、FIPS 204 ML-DSA、FIPS 205 SLH-DSA、草案 FIPS 206 FN-DSA 以及 2025 年选定的 HQC）、基于格/编码/哈希/同源/多元的密码家族、现在收获，以后解密威胁，以及密码敏捷性迁移（混合密钥交换、TLS/PKI、NIST IR 8547 和 CNSA 2.0 时间线）。数据集共包含 16,548 条记录，采用多格式混合结构，包含 `code`、`concept`、`corpus`、`instruction`、`qa_mcq`（多项选择问答）和 `qa_open`（开放式问答）六种记录类型，并按难度分为入门、本科、研究生和研究四个级别。数据通过专家策划的分类法、LLM 合成以及基于 2025-2026 年 arXiv 预印本和官方文档的确定性 Codex 生成方法构建，并经过严格的质量门控验证。该数据集适用于量子计算感知 AI 系统的研究与发展，可用于监督微调、评估基准测试和持续预训练。但需注意，数据集包含模型生成的合成记录，可能存在错误，不应作为权威科学参考。

The Neura Parse Quantum Cryptography and Post-Quantum Security Dataset is a deep vertical dataset focused on the fields of quantum cryptography and quantum attack-resistant classical cryptography. It covers quantum key distribution (including protocols such as BB84, B92, six-state, SARG04, E91, BBM92, decoy state, MDI-QKD, TF-QKD, CV-QKD, etc.), device-independent protocols, composable and finite-key security proofs, quantum hacking attacks and countermeasures, classical post-processing (coordination, privacy amplification, authentication), quantum random number generation and certified randomness, as well as cryptographic primitives including quantum money, coin flipping, the no-go theorem for bit commitment, and quantum digital signatures. In terms of post-quantum cryptography, the dataset covers NIST standardized algorithms (such as FIPS 203 ML-KEM, FIPS 204 ML-DSA, FIPS 205 SLH-DSA, draft FIPS 206 FN-DSA, and HQC selected in 2025), cryptographic families based on lattice/coding/hash/isogeny/multivariate, "harvest now, decrypt later" threats, and cryptographic agility migration (hybrid key exchange, TLS/PKI, NIST IR 8547 and CNSA 2.0 timeline). The dataset contains a total of 16,548 records, adopting a multi-format hybrid structure with six record types: `code`, `concept`, `corpus`, `instruction`, `qa_mcq` (multiple-choice question answering) and `qa_open` (open-ended question answering), and is categorized into four difficulty levels: beginner, undergraduate, graduate, and research. The data is constructed through expert-curated taxonomy, LLM synthesis, and deterministic Codex generation methods based on 2025-2026 arXiv preprints and official documents, and has undergone strict quality gate validation. This dataset is suitable for the research and development of quantum-aware AI systems, and can be used for supervised fine-tuning, benchmark evaluation, and continuous pre-training. It should be noted that the dataset contains synthetic records generated by models, which may contain errors and should not be used as an authoritative scientific reference.

原始信息汇总

数据集概述

这是一个专注于量子密码学与后量子安全的深度垂直领域数据集，由 Neura Parse 构建，旨在为量子计算相关的监督微调、评估、检索增强生成和继续预训练提供支持。

核心信息

属性	内容
Hub ID	Neura-parse/quantum-cryptography-and-post-quantum-security
发布版本	v3.1.0
数据规模	106,488 行
数据划分	train（训练集）、test（测试集）
许可证	CC BY 4.0
语言	英语

数据覆盖范围

数据涵盖了量子密码学和后量子安全领域的核心主题：

• 量子密钥分发 (QKD)：包括 BB84、B92、六态协议、SARG04、E91、BBM92、诱骗态、MDI-QKD、TF-QKD、CV-QKD 等协议。
• 设备无关协议：设备无关密码学与自测试。
• 安全性证明与攻击：组合和有限密钥安全证明、量子黑客攻击与对策、经典后处理（协商、隐私放大、认证）。
• 量子随机数生成：量子随机数生成与认证随机性。
• 量子原语：量子货币、抛币、比特承诺、量子数字签名。
• 后量子算法：NIST 标准算法（ML-KEM、ML-DSA、SLH-DSA、FN-DSA、HQC）以及基于格、编码、哈希、同源、多元的密码学家族。
• 威胁模型与迁移：Harvest-Now-Decrypt-Later 威胁、密码敏捷性（混合密钥交换、TLS/PKI 集成、NIST IR 8547 和 CNSA 2.0 时间线）。

记录类型与用途

数据集包含多种记录格式，适用于不同任务：

记录类型	数量	说明	最佳用途
qa_mcq	35,956	多项选择题	基准测试、评分、对比评估
qa_open	34,636	开放式问答题	推理评估、RAG 答案生成、辅导
instruction	24,320	指令与回答对	监督微调、助手行为塑造
concept	11,402	结构化概念条目	术语表、检索、课程构建
corpus	171	预训练风格的技术段落	继续预训练、上下文来源
code	3	可执行代码示例	示例检查（非核心基准）

数据组成

• 按难度分布：入门级（2 条）、本科级（21,317 条）、研究生级（66,162 条）、研究级（19,007 条）。
• 来源验证：所有行均包含 source_url 溯源，标记为 source=neura-parse-research，并经过模式有效性、去重、活跃 URL、arXiv ID 检查等质量门控。

模式结构

每条记录共享通用字段（如 id, domain, record_type, topic, source, source_url 等），并根据记录类型包含特定字段：

• qa_mcq: question, choices, answer, answer_index
• qa_open: question, answer
• instruction: prompt, response
• concept: term, definition
• corpus: text
• code: prompt, code, expected_output

质量保证

数据集实施了严格的质控门，确保事实准确性（如符合 NIST 标准状态）、QKD 安全性声明清晰、代码可执行、MCQ 选项唯一正确且干扰项合理、内容为教育性质。

搜集汇总

数据集介绍

构建方式

该数据集由Neura Parse研究团队精心构建，基于专家策展的体系化分类法与来源可溯的研究记录，通过混合式生产流程生成。其构建过程融合了百科式概念条目、指令-响应对、多项选择与开放问答等多种格式，并经过严格的源验证流程，包括架构有效性、分类适配、去重处理、活动源URL检查、arXiv编号验证及代码编译执行测试，确保每条记录均携带source_url来源证明。

特点

数据集涵盖量子密钥分发（如BB84、E91、MDI-QKD、TF-QKD）、设备无关协议、后量子密码学（含NIST标准化算法ML-KEM、ML-DSA、SLH-DSA及HQC）等核心领域，包含106,488条记录，按难度分为入门、本科、研究生和研究四个层级。其显著特色在于多格式统一架构，支持qa_mcq、qa_open、instruction等多种类型，且每条记录均携带可溯源的provenance元数据，并经过了2025-2026年最新事实状态的质量门控验证。

使用方法

用户可通过HuggingFace的datasets库便捷加载，例如使用`load_dataset("Neura-parse/quantum-cryptography-and-post-quantum-security", split="train")`获取训练集。数据适用于监督微调、评估基准测试、检索增强生成及持续预训练等多种工作流。建议根据任务需求按record_type过滤，如仅使用qa_mcq记录进行对比评估，或结合qa_open记录进行推理评测。支持流式加载以节省内存，并可通过source_url字段直接验证每条记录的信息来源。

背景与挑战

背景概述

量子密码学与后量子安全领域正处在经典信息安全范式向量子时代演进的十字路口。由Neura Parse研究团队于2026年发布的该数据集，旨在系统整合量子密钥分发（QKD）、设备无关协议、后量子密码学（PQC）标准化算法等前沿主题，覆盖从BB84协议到NIST FIPS 203/204等最新标准的完整知识体系。数据集由经过专家审核的106,488条记录构成，包含问答、指令、概念等多种格式，为大型语言模型在量子安全领域的监督微调与评估提供了经过源验证的高质量基准。其发布推动了AI辅助量子安全研究与教育的发展，成为连接理论密码学与实用AI系统的重要桥梁。

当前挑战

该数据集面临的挑战涵盖领域问题与构建过程两个层面。领域层面，量子计算威胁下经典密码体系面临‘先收后解密’风险，需兼顾QKD的物理安全性与PQC的算法兼容性，同时应对混合密钥交换、密码敏捷性迁移等复杂场景。构建过程中，数据需精准区分渐近与有限密钥安全证明、明确信任假设，并确保所有NIST标准化状态（如2024年FIPS 203终版、2025年HQC入选）的实时更新；还需规避Shor算法内部细节等边界问题，在106,488条记录中维持源头URL可追溯性、去重校验与代码可执行性，对质量控制提出极高要求。

常用场景

经典使用场景

在量子计算迅猛发展的时代背景下，经典密码学体系正面临前所未有的安全挑战。本数据集专为量子密码学与后量子安全领域的深入研究而构建，其最经典的使用场景是作为大规模、多格式的监督微调与评估基准，用于训练能够理解并回答量子密钥分发（如BB84、E91协议）、设备无关协议、量子随机数生成以及后量子密码学（如NIST标准化的ML-KEM、ML-DSA算法）等核心概念的智能语言模型。该数据集通过提供包含35,956道多选题、34,636道开放问答以及24,320组指令-响应对的丰富语料，为科研人员构建具有量子计算素养的对话助手和检索增强生成系统提供了坚实的数据根基。

实际应用

本数据集的实际应用场景广泛且具有深远的前瞻性。在工业界，它被直接用于训练面向量子安全领域的专业AI助手，帮助企业评估『先窃取后解密』的潜在威胁并制定密码敏捷性迁移路线图。在安全协议开发中，基于数据集中关于NIST IR 8547和CNSA 2.0时间表的详尽知识，工程师可以构建可执行代码示例，模拟混合密钥交换在TLS/PKI体系中的集成。此外，金融机构和政府机构利用该数据集的检索增强生成能力，快速查询量子随机数生成和认证随机性的最新实验成果，从而指导新一代安全硬件的研发。其标准化的Parquet格式也便于无缝集成到现有的机器学习流水线中。

衍生相关工作

围绕这一数据集，学术界和工业界已衍生出一系列具有影响力的标志性工作。基于其多格式单数据源的特性，研究者开发了专门针对量子安全领域的检索增强生成系统，该系统能够从包含1,402条结构化概念条目和171条预训练风格语料的库中精准定位arXiv源文。此外，数据集中的可执行代码样例（如使用liboqs-python实现的ML-KEM/ML-DSA密钥交换）催生了新的基准测试框架，用于验证大型语言模型在编写和调试后量子密码学实现时的可靠性。还有团队利用其难度分级标签（本科至研究级66,162条）构建了层级化的量子素养评估体系，为全栈式量子安全人才的培养提供了系统化的测评工具。