[论文解读] Chaotic-Map Truly Random Number Generators: Evaluation of Bit-Generation and Post-Processing

Ahmad Beirami, Hamid Reza Nejati|arXiv (Cornell University)|Nov 6, 2012

Chaos-based Image/Signal Encryption被引用 1

一句话总结

本文将混沌映射TRNG建模为隐马尔可夫过程，以分析其熵速率，证明熵速率在电路设计中对性能和鲁棒性具有决定性影响。本文推导了从原始输出中提取真正随机位的后处理单元的最优条件，从而实现高效且安全的随机数生成。

ABSTRACT

In this paper, we approximate the hidden Markov model of chaotic-map truly random number generators (TRNGs) and describe its fundamental limits based on the approximate entropy-rate of the underlying bit-generation process. We demonstrate that entropy-rate plays a key role in the performance and robustness of chaotic-map TRNGs, which must be taken into account in the circuit design optimization. We further derive optimality conditions for post-processing units that extract truly random bits from a raw-RNG.

研究动机与目标

• 将混沌映射TRNG建模为隐马尔可夫过程，以理解其统计行为。
• 将熵速率识别为TRNG设计中性能和鲁棒性的基本度量指标。
• 基于底层熵速率，建立随机位生成的理论极限。
• 推导出从原始TRNG输出中提取真正随机位的后处理单元的最优条件。
• 通过将熵速率与系统可靠性及安全性关联，指导电路设计优化。

提出的方法

• 将混沌映射TRNG近似为隐马尔可夫模型，以分析其随机动力学。
• 计算比特生成过程的近似熵速率，以量化随机性质量。
• 将熵速率作为关键度量指标，用于评估和比较TRNG的性能与鲁棒性。
• 推导数学条件，以实现最优后处理单元，从而最大化随机性提取。
• 基于熵速率约束和后处理效率，制定TRNG电路的设计规则。
• 应用信息论原理，将原始比特生成与最终真正随机输出联系起来。

实验结果

研究问题

• RQ1 比特生成过程的熵速率如何影响混沌映射TRNG的性能和鲁棒性？
• RQ2 基于熵速率，混沌映射TRNG中随机性提取的根本极限是什么？
• RQ3 如何优化后处理单元，以从混沌映射原始输出中提取真正随机的比特？
• RQ4 当熵速率被用作TRNG电路优化中的约束时，会涌现出哪些设计原则？
• RQ5 将混沌映射TRNG建模为隐马尔可夫过程，如何为随机性生成的理论极限提供启示？

主要发现

• 熵速率是混沌映射TRNG中性能和鲁棒性的关键决定因素，直接影响系统可靠性。
• 隐马尔可夫模型近似能够准确估计混沌映射TRNG中的熵速率。
• 可基于熵速率推导出最优后处理单元，确保最大化的随机性提取效率。
• 通过熵速率分析，建立了随机性生成的理论极限，为设计提供基准。
• 电路设计必须显式考虑熵速率，才能实现高质量、安全的随机数生成。
• 后处理最优性条件以前闭式形式推导得出，可系统性地集成到TRNG架构中。