基于机器学习的最小熵估计预测器
机器学习
2024-07-01 v1 密码学与安全
信息论
math.IT
摘要
本研究探讨了应用机器学习预测器对随机数生成器（RNG）中的最小熵估计问题。由于准确的熵评估在密码学应用中对于网络安全至关重要。我们的研究表明，这些预测器，甚至任何利用序列相关性的预测器，主要估计的是平均最小熵，这一指标在此背景下并不充分被研究。我们探讨了平均最小熵与传统最小熵之间的关系，重点关注它们对预测目标位数数量的依赖性。利用广义二进制自回归模型（Generalized Binary Autoregressive Models）的数据——这类模型是马尔可夫过程的一个子集——我们展示，机器学习模型（包括卷积和循环长短期记忆层的混合模型以及基于变换器的 GPT-2 模型）在某些情境下优于传统的 NIST SP 800-90B 预测器。我们的发现强调，在 RNG 的熵评估中考虑目标位数数量的重要性，并突显了机器学习方法在提升熵估计技术方面以提高密码学安全性的潜力。
引用
@article{arxiv.2406.19983,
title = {Machine Learning Predictors for Min-Entropy Estimation},
author = {Javier Blanco-Romero and Vicente Lorenzo and Florina Almenares Mendoza and Daniel Díaz-Sánchez},
journal= {arXiv preprint arXiv:2406.19983},
year = {2024}
}