論文の概要: Entropy Mixing Networks: Enhancing Pseudo-Random Number Generators with Lightweight Dynamic Entropy Injection

• arxiv url: http://arxiv.org/abs/2501.08031v1
• Date: Tue, 14 Jan 2025 11:36:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-15 13:28:00.400603
• Title: Entropy Mixing Networks: Enhancing Pseudo-Random Number Generators with Lightweight Dynamic Entropy Injection
• Title（参考訳）: エントロピー混合ネットワーク:軽量ダイナミックエントロピー注入による擬似乱数発生装置の強化
• Authors: Mohamed Aly Bouke, Omar Imhemmed Alramli, Azizol Abdullah, Nur Izura Udzir, Normalia Samian, Mohamed Othman, Zurina Mohd Hanapi,
• Abstract要約: 本稿では,新しいハイブリッド乱数生成器であるEntropy Mixing Network (EMN)を提案する。 決定論的擬似ランダム生成と周期的エントロピー注入を組み合わせてランダム性を向上させる。 EMNはPythonのSystemRandomとMersenneTwisterを重要なメトリクスで上回っている。
• 参考スコア（独自算出の注目度）: 4.428931150564558
• License:
• Abstract: Random number generation plays a vital role in cryptographic systems and computational applications, where uniformity, unpredictability, and robustness are essential. This paper presents the Entropy Mixing Network (EMN), a novel hybrid random number generator designed to enhance randomness quality by combining deterministic pseudo-random generation with periodic entropy injection. To evaluate its effectiveness, we propose a comprehensive assessment framework that integrates statistical tests, advanced metrics, and visual analyses, providing a holistic view of randomness quality, predictability, and computational efficiency. The results demonstrate that EMN outperforms Python's SystemRandom and MersenneTwister in critical metrics, achieving the highest Chi-squared p-value (0.9430), entropy (7.9840), and lowest predictability (-0.0286). These improvements come with a trade-off in computational performance, as EMN incurs a higher generation time (0.2602 seconds). Despite this, its superior randomness quality makes it particularly suitable for cryptographic applications where security is prioritized over speed.
• Abstract（参考訳）: ランダム数生成は、均一性、予測不可能性、堅牢性が不可欠である暗号システムや計算アプリケーションにおいて重要な役割を果たす。 本稿では,周期的エントロピー注入と決定論的擬似ランダム生成を組み合わせたランダム性向上を目的とした,新しいハイブリッド乱数生成器であるEntropy Mixing Network(EMN)を提案する。 有効性を評価するために,統計的テスト,高度なメトリクス,視覚分析を統合し,ランダム性の品質,予測可能性,計算効率の全体像を提供する包括的評価フレームワークを提案する。 その結果、EMN は Python の SystemRandom と MersenneTwister を上回り、最も高い Chi-squared p-value (0.9430), エントロピー (7.9840), 最低予測可能性 (-0.0286) を達成した。 これらの改善は、EMNがより高い生成時間(0.2602秒)を発生させるため、計算性能のトレードオフを伴う。 それにもかかわらず、その優れたランダム性の品質は、セキュリティが速度よりも優先される暗号化アプリケーションに特に適している。

関連論文リスト

• A Pseudo-random Number Generator for Multi-Sequence Generation with Programmable Statistics [1.7243216387069678]
  本稿では,特定のアプリケーションのニーズに合わせてプログラム可能な統計量を用いて,複数の非相関配列を同時に生成できるハードウェアPRNGを提案する。 PRNGの面積は約 0.0013mm2 であり、エネルギー消費量は 0.57pJ/bit である。
  論文  参考訳（メタデータ） (2024-12-31T00:06:09Z)
• Continuous-Variable Source-Independent Quantum Random Number Generator with a Single Phase-Insensitive Detector [0.5439020425819]
  量子乱数生成器(QRNG)は、真のランダム性を生成するために量子力学的不予測性を利用する。 単一位相非感受性検出器を用いたCV-SI-QRNG方式を提案し、半定値プログラミング(SDP)に基づくセキュリティ証明を提供する。 これらの結果は,本フレームワークの実現可能性を示し,実用的でシンプルなSI-QRNG実装への道を開いた。
  論文  参考訳（メタデータ） (2024-11-22T09:26:53Z)
• Optimization of experimental quantum randomness expansion [0.0]
  本稿ではベルの不等式違反に基づくQRNG(Quantum Random Number Generator)の設計と性能最適化について包括的に分析する。 我々は、ランダムネス消費とネットランダムネス生成のトレードオフをバランスさせるために、$gamma$と$p_Omega$の最適範囲を同定する。 以上の結果から,QRNG実装の大幅な発展と,ランダム性向上率の向上が示唆された。
  論文  参考訳（メタデータ） (2024-11-07T18:12:58Z)
• Efficient Quality Estimation of True Random Bit-streams [5.441027708840589]
  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。
  論文  参考訳（メタデータ） (2024-09-09T12:09:17Z)
• Importance sampling for stochastic quantum simulations [68.8204255655161]
  我々は、係数に応じてハミルトン式からサンプリングしてランダムな積公式を構築するqDriftプロトコルを導入する。 サンプリング段階における個別のシミュレーションコストを考慮し、同じ精度でシミュレーションコストを削減可能であることを示す。 格子核効果場理論を用いて数値シミュレーションを行った結果, 実験結果が得られた。
  論文  参考訳（メタデータ） (2022-12-12T15:06:32Z)
• 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)
• Hybrid Random Features [60.116392415715275]
  ハイブリッドランダム特徴(HRF)と呼ばれるソフトマックスとガウス核の線形化のための新しいランダム特徴法を提案する。 HRFは、カーネル推定の品質を自動的に適応し、定義された関心領域の最も正確な近似を提供する。
  論文  参考訳（メタデータ） (2021-10-08T20:22:59Z)
• Deep Transformer Networks for Time Series Classification: The NPP Safety Case [59.20947681019466]
  時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。 トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
  論文  参考訳（メタデータ） (2021-04-09T14:26:25Z)
• 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)
• Optimistic Exploration even with a Pessimistic Initialisation [57.41327865257504]
  最適初期化は強化学習(RL)における効率的な探索のための効果的な戦略である 特に、正の報酬しか持たないシナリオでは、Q-値はその最低値で初期化される。 本稿では、ニューラルネットワークから楽観性の源を分離する、悲観的に初期化されたQ値に対する単純なカウントベースの拡張を提案する。
  論文  参考訳（メタデータ） (2020-02-26T17:15:53Z)

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。