Модель ідентифікації джерела послідовностей псевдовипадкових чисел на основі гібридної нейронної мережі
DOI:
https://doi.org/10.18372/2073-4751.78.18965Ключові слова:
генератори випадкових чисел, ідентифікація джерел, гібридна нейронна мережа, рекурентні нейронні мережі, згорткові нейронні мережі, криптографія, машинне навчання, класифікація, безпека данихАнотація
У цій статті представлено модель ідентифікації джерел випадкових чисел, що базується на використанні гібридної нейронної мережі. Запропонована модель поєднує рекурентні (RNN) та згорткові (CNN) нейронні мережі для досягнення високої точності класифікації. В дослідженні розглядаються ключові етапи розробки моделі, включаючи підготовку даних, побудову моделі, навчання та оцінку її ефективності. Експериментальні результати підтверджують, що модель дозволяє ефективно ідентифікувати джерела випадкових чисел з точністю понад 95% для деяких генераторів. Розроблений підхід забезпечує високу надійність та може бути застосований у різних сферах, включаючи криптографію та моделювання.
Посилання
Pasqualini L., Parton M. Pseudo random number generation: A reinforcement learning approach. Procedia Computer Science. 2020. Vol. 170. P. 1122–1127. DOI: 10.1016/j.procs.2020.03.057.
Hochreiter S., Schmidhuber J. Long short-term memory. Neural Computation. 1997. Vol. 9, iss. 8. P. 1735–1780. DOI: 10.1162/neco.1997.9.8.1735.
LeCun Y., Bengio Y. Convolutional networks for images, speech, and time series. Handbook of Brain Theory and Neural Networks / ed. by M. A. Arbib. Cambridge, MA, 1998. P. 255–258.
Park S. et al. Dynamical pseudo-random number generator using reinforcement learning. Applied Sciences. 2022. Vol. 12, iss. 7. 3377. DOI: 10.3390/app12073377.
Haylock B. et al. Multiplexed quantum random number generation. Quantum. 2019. Vol. 3. P. 141. DOI: 10.22331/q-2019-04-26-141.
Amigo G. et al. Forecasting Pseudo Random Numbers Using Deep Learning. 2021 15th International Conference on Signal Processing and Communication Systems (ICSPCS) : proceedings, Sydney, Australia, 13–15 December, 2021 / IEEE. 2021. P. 1–7. DOI: 10.1109/ICSPCS53099.2021.9660301.
Proskurin D., Gnatyuk S., Okhrimenko T. Predicting Pseudo-Random and Quantum Random Number Sequences using Hybrid Deep Learning Models. Modern Machine Learning Technologies and Data Science Workshop (MoMLeT&DS 2023) : proceedings, Lviv, Ukraine, June 3, 2023 / 2023. P. 77–88. URL: https://ceur-ws.org/Vol-3426/paper7.pdf.
Li C. et al. Deep Learning-Based Security Verification for a Random Number Generator Using White Chaos. Entropy. 2020. Vol. 22, iss. 10. 1134. DOI: 10.3390/e22101134
Akhshani A. et al. Pseudo random number generator based on quantum chaotic map. Communications in Nonlinear Science and Numerical Simulation. 2014. Vol. 19, iss. 1. P. 101–111.
Wang Y. et al. A pseudorandom number generator based on piecewise logistic map. Nonlinear Dynamics. 2016. Vol. 83. P. 2373–2391.
Merah L. et al. A pseudo random number generator based on the chaotic system of Chua's circuit. Applied Mathematical Sciences. 2013. Vol. 7, iss. 55. P. 2719–2734.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
