应用机器学习对超晶格信号随机性的研究和评估  

Brief research of machine learning cryptanalysis for superlattice device

作　　者：李振曜 宋贺伦[1] 应杰攀 Li Zhenyao;Song Helun;Ying Jiepan(Suzhou Institute of Nano-Tech and Nano-Bionics(SINANO),Chinese Academic of Science,Suzhou 215123,China)

机构地区：[1]中国科学院苏州纳米技术与纳米仿生研究所,苏州215123

出　　处：《电子测量技术》2021年第15期79-83,共5页Electronic Measurement Technology

基　　金：中国科学院科技服务网络计划(KFJ-STS-QYZX-061);纳米真空互联试验站(2018-000052-73-01-000356);“十三五”国家密码发展基金(MMJJ20180112)项目资助。

摘　　要：本研究由对超晶格随机数发生器的信号随机性检测为出发点展开。通过使用人工智能方法对发生器产生的随机信号进行检测和评估。针对这种新随机信号采用了几种常见的机器学习方法,来预处理一部分信号并试图训练聚类或网络模型,然后对随机数其他部分进行测试并判断随机性优劣。将此方法运用于比较正态分布随机数与超晶格发生器随机数,结论为超晶格随机数具有更好更明显的随机性,且各类机器学习方法在随机数性能检验中有价值,可以展望使用机器学习方法研究随机数及其相关的密码安全性的可能前景。This article expands from the research of randomness testing of signal generated by superlattice random number generator(SRNG).The thesis tests the generated random signal for this new random signal using some common machine learning methods to preprocess one part of random signal and try to train clustering or network model,and then testing other part of random number to judge the quality of randomness.These methods are used on normal distributed random number and SRNG signals,comparison of which shows better performance of SRNG signals.The thesis shows value of randomness testing using machine learning,and possible future of cryptology security research using machine learning.

关 键 词：随机数 随机数检测 机器学习 非监督学习 K-MEANS 神经网络 长短程记忆网络 超晶格 

分 类 号：TP2[自动化与计算机技术—检测技术与自动化装置]