基于6-CNN的混沌系统伪随机数生成增强法

本文主要探讨了一种创新的伪随机数生成方法，该方法利用了细胞神经网络（Cellular Neural Network, CNN）来克服混沌系统在有限精度环境下可能出现的退化问题。六维CNN在本研究中发挥了关键作用，通过精确调控其在每次迭代过程中的输入输出，有效地减少了混沌退化对随机数生成质量的影响。这种方法不仅提高了随机序列的统计性能，还通过与Logistic映射产生的随机序列进行异或操作，防止了生成序列的重复，从而扩大了密钥空间和随机序列的周期长度。 Logistic映射是一种常用的混沌系统，其在生成伪随机数方面具有独特的优势。然而，结合六维CNN后，这种方法能够生成更高质量的伪随机数，每一步都能产生64位的数据，这使得生成速率显著加快。这种新型的伪随机数生成器（Pseudo-Random Number Generator, PRNG）设计简洁，易于在软件环境中实现，对于需要高度随机性和保密性的应用，如保密通信和信息安全领域，具有重要的实际价值。 作者们通过对新方法生成的伪随机序列进行了严格的随机性测试，结果显示它们完全符合NIST SP800-22标准，这是一个广泛认可的随机数测试基准。这证明了该方法在生成随机数的质量上达到了高标准，可以确保在实际应用中的安全性。这项研究不仅提供了一种新的伪随机数生成技术，而且为信息安全领域的随机数生成提供了一个有力的工具。