論文の概要: Exact Bias of Linear TRNG Correctors - Spectral Approach

• arxiv url: http://arxiv.org/abs/2509.26393v1
• Date: Tue, 30 Sep 2025 15:27:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.183503
• Title: Exact Bias of Linear TRNG Correctors - Spectral Approach
• Title（参考訳）: リニアTRNG整流器のエクササイズバイアス -スペクトルアプローチ-
• Authors: Maciej Skorski, Francisco-Javier Soto, Onur Günlü,
• Abstract要約: 本稿では,真の乱数生成器における線形抽出器の正確なセキュリティ境界を確立する。 20,000のコードをスキャンすることで、圧縮効率と暗号セキュリティの基本的なトレードオフを明らかにします。
• 参考スコア（独自算出の注目度）: 5.923654407935533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Using Fourier analysis, this paper establishes exact security bounds for linear extractors in True Random Number Generators (TRNGs). We provide the first near-optimal total variation security characterization by interpolating between optimal $\ell_{\infty}$ and $\ell_2$ norm results, expressed through code weight enumerators and input bias parameters. Our bounds improve security assessments by an order of magnitude over previous approximations. By scanning ~20,000 codes, we reveal fundamental trade-offs between compression efficiency and cryptographic security. For instance, we show that achieving 80 bits of security can require sacrificing more than 50\% of the code rate when correcting 10\% input bias. Our bounds enhance security evaluation of TRNG post-processing schemes and quantify the inherent cost of randomness extraction in hardware implementations.
• Abstract（参考訳）: 本稿では、フーリエ解析を用いて、True Random Number Generators (TRNGs) における線形抽出器の正確なセキュリティ境界を確立する。 コードウェイト列挙子と入力バイアスパラメータで表される最適な$\ell_{\infty}$と$\ell_2$標準値の補間により,最初の近似全変量セキュリティ特性を提供する。 私たちの限界は、以前の近似よりも桁違いにセキュリティアセスメントを改善します。 20,000のコードをスキャンすることで、圧縮効率と暗号セキュリティの基本的なトレードオフを明らかにする。 例えば、80ビットのセキュリティを達成するには、入力バイアスを10倍に修正する場合、コードレートの50倍以上を犠牲にしなければなりません。 我々の境界は、TRNG後処理方式のセキュリティ評価を強化し、ハードウェア実装における乱数抽出の固有のコストを定量化する。

関連論文リスト

• Privacy amplification by random allocation [18.231854497751137]
  我々は,ユーザのデータがランダムに選択された$k$ステップにおいて,$t$ステップのシーケンス(あるいはセット)から一様に選択されるサンプリングスキームのプライバシアンプリフィケーション特性について考察する。 このスキームの既存の分析は、シャッフルによるプライバシーの増幅に頼り、過度に保守的な境界を導いたり、モンテカルロシミュレーションを必要とする。 特に、ランダムな$k$-out-of-t$アロケーションのプライバシ保証は、よく研究されている独立性(あるいはPoisson)サブサンプリングのプライバシー保証によって上限づけられることを示す。
  論文  参考訳（メタデータ） (2025-02-12T08:32:10Z)
• SPLITZ: Certifiable Robustness via Split Lipschitz Randomized Smoothing [8.471466670802817]
  SPLITZは、敵の例に証明可能な堅牢性を提供するための実用的で斬新なアプローチである。 SPLITZのモチベーションは、多くの標準ディープネットワークがリプシッツ定数の不均一性を示すという観察から来ている。 SPLITZは、MNIST、CIFAR-10、ImageNetデータセットにおける既存の最先端のアプローチを一貫して改善することを示す。
  論文  参考訳（メタデータ） (2024-07-03T05:13:28Z)
• Provably Robust Conformal Prediction with Improved Efficiency [29.70455766394585]
  コンフォーマル予測は、保証されたカバレッジで不確実性セットを生成する強力なツールである。 逆の例は、不正なカバレッジ率の予測セットを構築するために共形メソッドを操作することができる。 本稿では,PTT(Post-Training Transformation)とRCT(Robust Conformal Training)という2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-30T15:49:01Z)
• Log Barriers for Safe Black-box Optimization with Application to Safe Reinforcement Learning [72.97229770329214]
  本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。 LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。 安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-21T11:14:47Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• 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)
• Enhanced noise resilience of the surface-GKP code via designed bias [0.0]
  本研究では,標準のシングルモード Gottesman-Kitaev-Preskill (GKP) コードと曲面コードとを連結して得られたコードについて検討する。 各モードに単一モードの一意化を適用すると、(ガウス)変位誤差に対するこの表面GKP符号の耐雑音性が向上することを示す。
  論文  参考訳（メタデータ） (2020-04-01T16:08:52Z)
• Provably Efficient Safe Exploration via Primal-Dual Policy Optimization [105.7510838453122]
  制約付きマルコフ決定過程(CMDP)を用いた安全強化学習(SRL)問題について検討する。 本稿では,関数近似設定において,安全な探索を行うCMDPの効率の良いオンラインポリシー最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-01T17:47:03Z)
• Black-Box Certification with Randomized Smoothing: A Functional Optimization Based Framework [60.981406394238434]
  本稿では,非ガウス雑音とより一般的な攻撃に対する対向的認証の一般的な枠組みを提案する。 提案手法は,従来の手法よりも優れた認証結果を得るとともに,ランダム化スムーズな認証の新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-02-21T07:52:47Z)

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。