AI 混合 TRNG：基于深度学习的核方法从物理噪声中获取近均匀熵
密码学与安全
2025-07-02 v1 人工智能
新兴技术
信息论
信号处理
math.IT
摘要
AI-Hybrid TRNG 是一个从物理噪声中直接提取近均匀熵的深度学习框架，无需巨型量子装置或昂贵的实验室级射频接收器。它依赖于低成本、尺寸仅为拇指大小的射频前端，以及 CPU 计时抖动，用于训练，然后输出 32 位高熵流，无需任何量化步骤。与确定性或训练人工智能随机数生成器（RNG）不同，我们的动态内部-外部网络耦合自适应自然源和再生，产生真正不可预测且自治的序列。生成的数字通过 NIST SP 800-22 电池测试得更好于基于 CPU 的方法。它还通过 19 项专门统计测试进行 bit 级和整数级分析。所有结果都满足密码学标准，而前向和逆向预测实验也揭示没有可被利用的偏差。该模型的内存占用低于 0.5 MB，可部署在 MCU 和 FPGA 软核上，也适用于其他资源受限的平台。通过将随机性质量从专用硬件中分离，AI-Hybrid TRNG 拓宽了高完整性随机数生成器的适用范围，适用于安全系统、密码协议、嵌入式和边缘设备、随机模拟以及需要随机数的服务器应用。
引用
@article{arxiv.2507.00145,
title = {AI-Hybrid TRNG: Kernel-Based Deep Learning for Near-Uniform Entropy Harvesting from Physical Noise},
author = {Hasan Yiğit},
journal= {arXiv preprint arXiv:2507.00145},
year = {2025}
}