基于深度学习的随机性检验策略研究OACSTPCD
Research on test strategy for randomness based on deep learning
为了获得更好的检验效果,对基于深度学习的随机性检验策略进行了研究,包括 2021 年欧密会提出的批均化策略和数据单元大小的选择策略.通过给出基于深度学习方法的随机性统计检验模型,理论推导得到2 个检验策略的统计量分布和检验势表达,并指出:1)批均化策略虽然能够提升模型预测准确率,但在统计上容易造成第二类错误概率的增大,反而降低了检验势;2)一般情况下深度学习模型的数据单元越小,取得的检验势越高.基于以上认识,提出了一种新的比特级深度学习模型用于随机性统计检验.该模型应用于线性同余发生器(LCG)算法,相比之前工作,参数量减少至1/80,取得预测优势所需数据减少了50％以上;拓展应用于5～7轮Speck算法获得了明显的预测优势,与Gohr模型相比,参数量减少至 1/10～1/20.
陈东昱;陈华;范丽敏;付一方;王舰
中国科学院软件研究所可信计算与信息保障实验室,北京 100190||中国科学院大学,北京 100049中国科学院软件研究所可信计算与信息保障实验室,北京 100190中国科学院软件研究所可信计算与信息保障实验室,北京 100190中国科学院软件研究所可信计算与信息保障实验室,北京 100190||中国科学院大学,北京 100049中国科学院软件研究所可信计算与信息保障实验室,北京 100190||中国科学院大学,北京 100049
电子信息工程
深度学习随机性统计检验随机数发生器Speck线性同余发生器批均化策略
deep learningrandomnessstatistical testrandom number generatorSpeckLCGbatch average strategy
《通信学报》 2023 (6)
23-33,11
国家重点研发计划基金资助项目(No.2020YFA0309704) The National Key Research and Development Program of China(No.2020YFA0309704)
评论