[论文解读] Dynamic analysis of chaotic maps as complex networks in the digital domain

Chengqing Li, Bingbing Feng+3 more|arXiv (Cornell University)|Oct 28, 2014

Chaos-based Image/Signal Encryption被引用 4

一句话总结

本文提出一种状态映射网络（SMN），用于分析有限精度算术下的混沌映射（如Logistic映射和Tent映射），揭示其无标度网络结构。通过将每个数字值视为节点，转移关系视为有向边，研究证明SMN表现出无标度特性，为诊断和缓解数字混沌系统中的动力退化提供了框架，从而提升伪随机数生成性能。

ABSTRACT

Chaotic dynamics is widely used to design random number generators. This paper aims to study the dynamics of chaotic maps in a digital finite-precision domain. Differing from the traditional approaches treating a digital chaotic map as a black box with different explanations according to the test results of the output, the dynamical properties of such chaotic maps are explored in an fixed-point arithmetic domain, using the Logistic map and the Tent map as representative examples, from a new perspective with a corresponding state-mapping network (SMN). In SMN, every possible value is considered as a node and the mapping relationship between any pair of nodes works just like a directed edge. The scale-free properties of SMN are proved. The analytic results can be further extended to the scenario of floating-point arithmetic and for other chaotic maps. Understanding the network structure of SMN of a chaotic map in the digital computers can facilitate counteracting the undesirable dynamics degenerations of digital chaotic maps in finite-precision domains, helping also classify and improve the randomness of pseudo-random number sequences generated by iterating chaotic maps.

研究动机与目标

• 研究混沌映射在有限精度数字域中的动力学行为，突破黑箱测试的局限。
• 解决数字混沌映射中的动力退化问题，该问题会损害其在随机数生成中的应用。
• 提出一种结构化框架——状态映射网络（SMN），用于建模和分析数字混沌映射的转移动力学。
• 证明混沌映射的SMN表现出无标度特性，为理解其底层网络拓扑结构提供新见解。
• 将研究结果扩展至浮点数算术及其他混沌映射，提升方法的普适性。

提出的方法

• 将混沌映射的每个有限精度数值表示为有向网络中的一个节点，形成状态映射网络（SMN）。
• 基于混沌映射的确定性映射函数（如Logistic或Tent映射）定义节点之间的有向边。
• 使用图论方法分析SMN的网络拓扑结构，识别如度分布等结构性质。
• 从理论上证明，在定点算术下，混沌映射的SMN表现出无标度特性，具有幂律度分布。
• 通过考虑精度和舍入对网络结构的影响，将分析扩展至浮点数算术。
• 利用SMN框架对迭代混沌映射生成的伪随机序列进行分类，并提升其随机性。

实验结果

研究问题

• RQ1 在有限精度算术下，数字混沌映射的网络结构与其连续对应物有何不同？
• RQ2 在定点算术下，Logistic和Tent等混沌映射的状态映射网络（SMN）具有哪些拓扑特性？
• RQ3 SMN框架能否揭示数字混沌系统中动力退化的系统性模式？
• RQ4 当从定点算术扩展到浮点数算术时，SMN的无标度特性在多大程度上保持不变？
• RQ5 SMN模型如何用于对混沌映射生成的伪随机数序列进行分类并提升其随机性？

主要发现

• 在定点算术下，数字混沌映射的状态映射网络（SMN）表现出无标度拓扑结构，具有幂律度分布。
• SMN框架成功将混沌映射的转移动力学建模为有向图，实现了对数字行为的结构化分析。
• SMN的无标度特性意味着少数节点（数值）具有显著更高的连通性，表明其在映射动力学中处于关键位置。
• SMN结构的理论结果可扩展至浮点数算术，表明该方法在多种数值表示中具有更广泛的应用潜力。
• 理解SMN的拓扑结构为诊断和缓解数字混沌系统中不期望的动力退化现象提供了基础。
• SMN方法可实现对混沌映射生成的伪随机数序列的改进分类，并具备潜在的随机性增强能力。