基于WGAN-GP的神经网络随机数生成器框架

《IEEE Access》：A WGAN-GP, CNN and Polynomial Neural Network based, Random Number Generator

　　

摘要：

随机数生成器（RNGs）是众多计算领域中的关键组件，包括密码学、机器学习、人工智能、游戏、图形、网络和统计建模。这些算法产生的数字序列近似于真正的随机性，通常使用统计工具（如NIST测试套件）进行评估。本工作提出了一种基于带梯度惩罚的Wasserstein生成对抗网络（WGAN-GP）的新型RNG框架，旨在从低质量的随机种子生成高质量的随机序列，近似于真正的随机源。所提出的架构集成了卷积神经网络（CNN）和多项式神经网络（PNN）层，在训练效率和输出质量方面均显著优于传统的多层感知器（MLP）实现。所得到的生成器产生的序列具有高熵和低自相关性，成功通过了所有NIST和Dieharder随机性测试。借助GPU加速，该系统能够支持快速、并行的随机数生成。基于神经网络的RNG具有显著的实用优势：其非线性的学习变换可以在经验评估中使输出预测或重构更加困难，但这不应被解释为正式的密码学安全保证。它们还天然具有可移植性，能够适应并学习特定的统计分布。此外，它们可以与传统的伪随机数生成器（PRNGs）集成，以增强鲁棒性和随机数质量。