論文の概要: Efficient Quality Estimation of True Random Bit-streams
- arxiv url: http://arxiv.org/abs/2409.05543v1
- Date: Mon, 9 Sep 2024 12:09:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-10 14:50:09.470406
- Title: Efficient Quality Estimation of True Random Bit-streams
- Title(参考訳): 真のランダムビットストリームの効率的な品質推定
- Authors: Cesare Caratozzolo, Valeria Rossi, Kamil Witek, Alberto Trombetta, Massimo Caccia,
- Abstract要約: 本稿では,真のランダムビットストリームにおける異常検出のためのオンライン手順の実装とその特徴について報告する。
このアプローチの実験的検証は、量子シリコンベースのエントロピー源によって生成されたビットストリーム上で実行される。
- 参考スコア(独自算出の注目度): 5.441027708840589
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating random bit streams is required in various applications, most notably cyber-security. Ensuring high-quality and robust randomness is crucial to mitigate risks associated with predictability and system compromise. True random numbers provide the highest unpredictability levels. However, potential biases in the processes exploited for the random number generation must be carefully monitored. This paper reports the implementation and characterization of an on-line procedure for the detection of anomalies in a true random bit stream. It is based on the NIST Adaptive Proportion and Repetition Count tests, complemented by statistical analysis relying on the Monobit and RUNS. The procedure is firmware implemented and performed simultaneously with the bit stream generation, and providing as well an estimate of the entropy of the source. The experimental validation of the approach is performed upon the bit streams generated by a quantum, silicon-based entropy source.
- Abstract(参考訳): ランダムなビットストリームの生成は、様々なアプリケーション、特にサイバーセキュリティにおいて必要である。
予測可能性やシステムの妥協に伴うリスクを軽減するためには、高品質で堅牢なランダム性の確保が不可欠である。
真の乱数が最も予測不能なレベルを提供する。
しかし、乱数生成のために悪用されたプロセスの潜在的なバイアスを注意深く監視する必要がある。
本稿では,真のランダムビットストリームにおける異常検出のためのオンライン手順の実装とその特徴について報告する。
NIST Adaptive Proportion and Repetition Count testは、モノビットとRUNSに依存する統計分析によって補完される。
この手順は、ビットストリーム生成と同時に実装され、実行され、ソースのエントロピーの見積も提供される。
このアプローチの実験的検証は、量子シリコンベースのエントロピー源によって生成されたビットストリーム上で実行される。
関連論文リスト
- Treatment of Statistical Estimation Problems in Randomized Smoothing for Adversarial Robustness [0.0]
ランダムな平滑化のための統計的推定問題について検討し,計算負担の有無を確かめる。
本稿では,標準手法と同じ統計的保証を享受する信頼度系列を用いた推定手法を提案する。
厳密な認証を行うために,Clopper-Pearson信頼区間のランダム化版を提供する。
論文 参考訳(メタデータ) (2024-06-25T14:00:55Z) - The #DNN-Verification Problem: Counting Unsafe Inputs for Deep Neural
Networks [94.63547069706459]
#DNN-Verification問題は、DNNの入力構成の数を数えることによって安全性に反する結果となる。
違反の正確な数を返す新しい手法を提案する。
安全クリティカルなベンチマークのセットに関する実験結果を示す。
論文 参考訳(メタデータ) (2023-01-17T18:32:01Z) - Entwicklung eines schnellen optischen Quanten-Zufallsgenerators [0.0]
本研究は,真の量子乱数生成器のセットアップ,文字化,データ処理について報告する。
ランダム性源として、光の純粋量子真空状態を使用し、レーザービームによって増幅される。
システムは25Gbit/sの速さで真の乱数とユニークな乱数を生成することができ、その結果、以前の実装よりも大幅に性能が向上する。
論文 参考訳(メタデータ) (2022-12-07T22:08:12Z) - Shortcomings of Top-Down Randomization-Based Sanity Checks for
Evaluations of Deep Neural Network Explanations [67.40641255908443]
モデルランダム化に基づく正当性チェックの限界を,説明書の評価のために同定する。
トップダウンモデルランダム化は、フォワードパスアクティベーションのスケールを高い確率で保存する。
論文 参考訳(メタデータ) (2022-11-22T18:52:38Z) - Testing randomness of series generated in Bell's experiment [62.997667081978825]
おもちゃの光ファイバーをベースとしたセットアップを用いてバイナリシリーズを生成し、そのランダム度をVilleの原理に従って評価する。
標準統計指標の電池、ハースト、コルモゴロフ複雑性、最小エントロピー、埋め込みのTakensarity次元、および拡張ディッキー・フラーとクワイアトコフスキー・フィリップス・シュミット・シン(英語版)でテストされ、ステーション指数をチェックする。
Toeplitz 抽出器を不規則級数に適用することにより得られる系列のランダム性のレベルは、非還元原料のレベルと区別できない。
論文 参考訳(メタデータ) (2022-08-31T17:39:29Z) - A High-Quality Entropy Source Using van der Waals Heterojunction for
True Random Number Generation [0.41998444721319217]
暗号などのハイエンドアプリケーションで使用されるランダムシーケンスの生成は、その不確定性のためにエントロピーソースに依存している。
物理過程からエントロピーを抽出する離散電荷変動を検出する小型装置を提案する。
エントロピー生成速度を数桁にわたって調整し, 低温から環境条件まで, 基礎となる物理過程の持続性を示す。
論文 参考訳(メタデータ) (2022-04-13T17:25:08Z) - Stochastic Perturbations of Tabular Features for Non-Deterministic
Inference with Automunge [0.0]
ガウス雑音を訓練特徴に注入することは正規化特性を持つことが知られている。
本稿では, 数値的, カテゴリー的な表型特徴に対する雑音注入について, 推論に渡されるものとして考察する。
論文 参考訳(メタデータ) (2022-02-18T15:24:03Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳(メタデータ) (2021-05-25T14:35:46Z) - Improved, Deterministic Smoothing for L1 Certified Robustness [119.86676998327864]
分割雑音を伴う非加法的決定論的平滑化法(dssn)を提案する。
一様加法平滑化とは対照的に、ssn認証は無作為なノイズコンポーネントを独立に必要としない。
これは、規範ベースの敵対的脅威モデルに対して決定論的「ランダム化平滑化」を提供する最初の仕事である。
論文 参考訳(メタデータ) (2021-03-17T21:49:53Z) - Certifying Neural Network Robustness to Random Input Noise from Samples [14.191310794366075]
入力の不確実性の存在下でのニューラルネットワークの堅牢性を証明する方法は、安全クリティカルな設定において不可欠である。
本稿では,入力雑音が任意の確率分布に従う場合に,誤分類の確率を上限とする新しいロバスト性証明法を提案する。
論文 参考訳(メタデータ) (2020-10-15T05:27:21Z) - RAIN: A Simple Approach for Robust and Accurate Image Classification
Networks [156.09526491791772]
既存の敵防衛手法の大部分は、予測精度を犠牲にして堅牢性を実現することが示されている。
本稿では,ロバストおよび高精度画像分類N(RAIN)と呼ぶ新しい前処理フレームワークを提案する。
RAINは入力に対してランダム化を適用して、モデルフォワード予測パスと後方勾配パスの関係を壊し、モデルロバスト性を改善する。
STL10 と ImageNet のデータセットを用いて、様々な種類の敵攻撃に対する RAIN の有効性を検証する。
論文 参考訳(メタデータ) (2020-04-24T02:03:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。