消除线性伪随机数生成器中的线性缺陷:新方法与测试
12 浏览量
更新于2024-07-14
收藏 1.02MB PDF 举报
"Scrambled Linear Pseudorandom Number Generators-计算机科学"
线性伪随机数生成器(Linear Pseudorandom Number Generators, LPRNGs)在计算机科学领域广泛应用,主要得益于它们的高速运算能力、易于构建大状态空间的生成器以及可证明的理论性质。然而,这类生成器存在线性特征的问题,这会导致它们在诸如二进制秩(binary-rank)和线性复杂度测试等与线性相关的统计测试中表现不佳。
论文的作者David Blackman和Sebastiano Vigna分别来自澳大利亚和意大利的研究机构,他们对这一问题进行了深入研究。他们提出,线性生成器的线性特征可能导致在统计上观察到的偏差,这些偏差可能会影响依赖于随机性的计算的准确性和可靠性。
首先,作者介绍了两种新的精心设计的线性变换。这些变换旨在拥有良好的统计特性,同时能高效地在超标量处理器上编程,甚至可以直接集成到硬件中。这种优化旨在提高生成器的性能,减少因线性结构导致的统计缺陷。
其次,他们描述了一种新的测试方法,用于检测汉明重量(Hamming weight)的依赖性。这种方法可以发现现有生成器中,尤其是线性生成器中的微妙且之前未被识别的偏斜。汉明重量是指一个数字中“1”的个数,这个测试可以帮助识别那些可能导致错误结果的潜在模式。
最后,作者提出了若干种“扰动器”(scramblers),即应用于状态数组的非线性函数。这些非线性函数可以减少或消除线性特征,从而改善生成器的随机性。通过将线性变换与非线性扰动器相结合,可以创建出既快速又统计上更可靠的伪随机数生成器。
这篇论文关注的是如何通过改进线性生成器的设计,增强其统计质量,确保在各种计算任务中生成的伪随机数更接近真正的随机性。这对于密码学、模拟、统计建模和其他依赖随机数生成的领域具有重要意义。通过引入高效的线性变换和非线性扰动策略,研究人员可以进一步提升现有LPRNGs的性能,降低由于线性结构引起的潜在问题。
2021-04-22 上传
2021-05-16 上传
2020-02-26 上传
2023-03-23 上传
2022-07-15 上传
2021-05-11 上传
2021-12-21 上传
weixin_38552305
- 粉丝: 5
- 资源: 972
最新资源
- Fisher Iris Setosa数据的主成分分析及可视化- Matlab实现
- 深入理解JavaScript类与面向对象编程
- Argspect-0.0.1版本Python包发布与使用说明
- OpenNetAdmin v09.07.15 PHP项目源码下载
- 掌握Node.js: 构建高性能Web服务器与应用程序
- Matlab矢量绘图工具:polarG函数使用详解
- 实现Vue.js中PDF文件的签名显示功能
- 开源项目PSPSolver:资源约束调度问题求解器库
- 探索vwru系统:大众的虚拟现实招聘平台
- 深入理解cJSON:案例与源文件解析
- 多边形扩展算法在MATLAB中的应用与实现
- 用React类组件创建迷你待办事项列表指南
- Python库setuptools-58.5.3助力高效开发
- fmfiles工具:在MATLAB中查找丢失文件并列出错误
- 老枪二级域名系统PHP源码简易版发布
- 探索DOSGUI开源库:C/C++图形界面开发新篇章