[论文解读] Evaluating Quality of Chaotic Pseudo-Random Generators: Application to Information Hiding

Jacques M. Bahi, Xiaole Fang+2 more|arXiv (Cornell University)|Dec 6, 2011

Chaos-based Image/Signal Encryption参考文献 26被引用 16

一句话总结

本文提出一种基于混沌迭代的高速、安全伪随机数生成器（PRNG），采用XORshift替代逻辑斯蒂映射，显著提升性能与安全性。该生成器通过严格的统计测试，并成功应用于数字图像中的鲁棒信息隐藏，对裁剪、旋转、JPEG压缩及噪声等常见攻击具有强抗性。

ABSTRACT

Guaranteeing the security of information transmitted through the Internet, against passive or active attacks, is a major concern. The discovery of new pseudo-random number generators with a strong level of security is a field of research in full expansion, due to the fact that numerous cryptosystems and data hiding schemes are directly dependent on the quality of these generators. At the conference Internet`09, we described a generator based on chaotic iterations which behaves chaotically as defined by Devaney. In this paper which is an extension of the work presented at the conference Internet`10, the proposal is to improve the speed, the security, and the evaluation of this generator, to make its use more relevant in the Internet security context. In order to do so, a comparative study between various generators is carried out and statistical results are improved. Finally, an application in the information hiding framework is presented with details, to give an illustrative example of the use of such a generator in the Internet security field.

研究动机与目标

• 提升基于离散混沌迭代的先前提出的混沌PRNG的速度、安全性及评估水平。
• 解决传统PRNG（如线性同余与反馈移位寄存器生成器）的局限性，这些生成器现被认为密码学上较弱。
• 通过优化性能与增强统计鲁棒性，提升混沌PRNG在互联网安全中的实际应用价值。
• 在信息隐藏中展示PRNG的具体、安全应用，特别是支持认证与非认证模式的图像水印技术。
• 通过广泛测试与现有PRNG的对比，验证生成器对常见信号处理攻击与恶意攻击的抗性。

提出的方法

• 将原始混沌迭代PRNG中基于逻辑斯蒂映射的策略生成方式，替换为XORshift，一种更快、更高效的伪随机函数。
• 重写混沌迭代框架中的策略生成机制，以提升随机性并减少计算开销。
• 应用Devaney的混沌定义，从数学上验证新生成器表现出拓扑混沌，确保不可预测性与对初值的敏感性。
• 使用NIST测试套件进行全面的统计测试，以验证随机性与密码学强度。
• 实现一种基于空间域的水印方案，利用PRNG将数据嵌入图像，支持认证模式（可检测篡改）与非认证模式（在失真下保留水印）。
• 通过应用真实世界攻击（如裁剪、旋转、JPEG压缩与高斯噪声）评估鲁棒性，并测量原始水印与提取水印之间的相似度。

实验结果

研究问题

• RQ1 在基于混沌迭代的PRNG中，用XORshift替代逻辑斯蒂映射是否能显著提升其速度与安全性，同时不损害随机性？
• RQ2 与现有生成器（如XORshift、基于逻辑斯蒂映射的PRNG）相比，新PRNG在统计质量与密码学鲁棒性方面表现如何？
• RQ3 所提出的PRNG在常见信号处理与恶意攻击下，能在多大程度上支持安全且鲁棒的信息隐藏？
• RQ4 将混沌迭代与XORshift结合是否能保持Devaney定义的拓扑混沌，从而确保不可预测性与对初值的敏感性？
• RQ5 PRNG能否在双模式水印中有效应用，支持高保真度的认证模式（可检测篡改）与非认证模式（对失真具有鲁棒性）？

主要发现

• 新PRNG，命名为CI(XORshift, XORshift)，相比使用逻辑斯蒂映射的前代版本，显著提升了速度，并展现出更优的统计随机性。
• 该生成器通过了所有NIST统计测试，证实其适用于密码学与信息隐藏应用。
• 在非认证模式下，水印在裁剪（最多200×200像素）、旋转（最多25°）、JPEG压缩（最高20级）及高斯噪声（标准差最高5）下仍能保留，大多数情况下相似度百分比超过50%。
• 在认证模式下，即使轻微篡改（如10×10裁剪）也会使相似度降至约50–52%，表明具备有效的篡改检测能力。
• 尽管采用空间域嵌入，水印系统在JPEG压缩下仍表现出鲁棒性，压缩等级10时相似度达62.43%。
• 在高斯噪声环境下，PRNG保持强劲性能，即使标准差达5，相似度仍超过50%，证实其在噪声环境中的抗性。