Machine Learning Predictors for Min-Entropy Estimation

本研究探讨了机器学习预测器在随机数生成器（RNGs）中最小熵估计的应用，该组件是密码应用中的关键组成部分，准确的熵评估对网络安全至关重要。我们的研究表明，这些预测器，实际上任何利用序列相关性的预测器，主要估计平均最小熵，这是一个在这个上下文中没有广泛研究的指标。我们探讨了平均最小熵和传统最小熵之间的关系，重点关注它们对所预测的目标位数的依赖关系。利用广义二元自回归模型的数据，这是马尔可夫过程的一个子集，我们证明了机器学习模型（包括卷积和循环长短时记忆层的混合模型以及基于Transformer的GPT-2模型）在某些情况下优于传统的NIST SP 800-90B预测器。我们的发现强调了在RNG的最小熵评估中考虑目标位数的重要性，并凸显了机器学习方法在提高熵估计技术以提高密码安全性方面的潜力。

本论文旨在研究机器学习预测器在随机数生成器（RNG）中最小熵估计中的应用，以提高加密安全性。研究表明，这些预测器主要估计平均最小熵，而不是传统意义下的最小熵，这是一个新问题。

论文提出了一种基于机器学习的方法，利用序列相关性来估计平均最小熵，并探讨了平均最小熵与传统最小熵之间的关系，重点关注它们对目标位数的依赖性。研究还证明，在某些情况下，使用机器学习模型可以优于传统的NIST SP 800-90B预测器。

论文使用了广义二元自回归模型的数据，展示了混合卷积和循环长短时记忆层以及基于变压器的GPT-2模型在某些情况下优于传统的NIST SP 800-90B预测器。研究结果强调了考虑目标位数对RNG最小熵估计的重要性，并凸显了机器学习方法在提高加密安全性方面的潜力。

最近的相关研究包括“On the Security of Randomness Beacons Based on Trusted Execution Environments”和“Randomness Beacons in the Quantum Random Oracle Model”等论文。