[论文解读] Periodic orbits of the ensemble of cat maps and pseudorandom number generation

Lev Barash, Lev Shchur|arXiv (Cornell University)|Sep 14, 2004

Chaos-based Image/Signal Encryption参考文献 12被引用 1

一句话总结

本文提出一种基于猫映射集合的高质量伪随机数生成器（PRNG），其中隐藏变量抑制了单映射实现中固有的虚假相关性。通过推广Percival-Vivaldi理论并解析推导周期，该方法实现了渐近可忽略的相关性，并通过了标准统计测试，从而提升了随机性质量与密码学安全性。

ABSTRACT

We propose a method for constructing high-quality pseudorandom number generators (RNG) based on an ensemble of hyperbolic automorphisms of the unit two-dimensional torus (Sinai-Arnold map, or cat map) while keeping a part of the information hidden. The single cat map provides the random properties expected from a good RNG and is hence an appropriate building block for an RNG, although some unnecessary correlations are always present in practice. We show that hidden variables suppress these correlations dramatically. Simultaneously, introducing hidden variables complicates deciphering. Relevant correlations for a single cat map are found by the one-dimensional directed random walk test. We analyze the nature of these correlations and show how to diminish them asymptotically. We generalize Percival-Vivaldi theory in the case of the ensemble of maps, find the period of the proposed RNG analytically, and also analyze its properties. We check our predictions numerically. We also test our RNG using a number of standard statistical tests and find no correlations.

研究动机与目标

• 为解决基于单个猫映射的伪随机数生成器（PRNG）中持续存在的相关性问题，此类问题限制了其实际随机性质量。
• 通过引入隐藏变量以增加逆向工程的复杂性，同时保持确定性动力学，从而提升密码学安全性。
• 将Percival-Vivaldi理论推广至猫映射集合，以实现周期的解析计算。
• 通过数值模拟与标准统计测试验证理论预测。
• 证明隐藏变量可渐近消除单映射系统中观测到的相关性。

提出的方法

• 该方法在二维单位环面上使用一组Sinai-Arnold（猫）映射，每个映射代表一个行列式为1的整数矩阵的双曲自同构。
• 在迭代过程中，部分状态变量被隐藏，从而有效遮蔽系统的完整动力学，减少可检测的相关性。
• 利用隐藏变量构造PRNG输出序列，使其在标准测试下与真正随机序列在统计上无法区分。
• 通过将Percival-Vivaldi理论扩展至集合情形，解析推导生成器的周期，确保长且可预测的循环长度。
• 通过一维定向随机游走测试分析单映射系统中的相关性，该测试可识别出与随机性的系统性偏离。
• 该方法结合确定性动力学与信息论层面的混淆技术，在保持简洁性、效率与随机性质量之间实现平衡。

实验结果

研究问题

• RQ1 单个猫映射PRNG中的相关性如何表现？能否系统性地减少？
• RQ2 引入隐藏变量对输出序列的统计特性有何影响？
• RQ3 能否对猫映射集合的周期进行解析计算？其随系统参数的变化规律如何？
• RQ4 隐藏变量在不破坏映射确定性结构的前提下，能在多大程度上抑制相关性？
• RQ5 所提出的集合方法在标准统计随机性测试下的表现如何？

主要发现

• 在集合中引入的隐藏变量显著抑制了猫映射动力学中的虚假相关性，导致统计偏差渐近可忽略。
• 所提出的PRNG的周期通过扩展版本的Percival-Vivaldi理论进行了解析推导，确保了长且可预测的循环长度。
• 该方法通过了所有标准随机性统计测试，表明输出序列中无显著可检测的相关性。
• 一维定向随机游走测试成功识别出单映射系统中的相关性，验证了引入隐藏变量的必要性。
• 集合方法在保持确定性、低复杂度动力学的同时，显著提升了随机性质量与抗密码分析能力。
• 理论分析与数值模拟共同证实，相关性抑制效果显著且具有渐近性，尤其在系统规模增大时表现更佳。