ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ СТВОРЕННЯ ТА ТЕСТУВАННЯ ГЕНЕРАТОРІВ ПСЕВДОВИПАДКОВИХ ЧИСЕЛ

Автор(и)

  • Некрасова Марія Володимирівна Національний технічний університет «Харківський політехнічний інститут», Україна https://orcid.org/0009-0006-9285-0740

DOI:

https://doi.org/10.20998/2078-9130.2025.2.344692

Ключові слова:

псевдовипадкові числа, генератор псевдовипадеових чисел, нейрокриптографія, нейронні мережі, тестування ГПВЧ, створення ГПВЧ, криптографічна стійкість.

Анотація

У статті представлено огляд сучасних досліджень у галузі нейрокриптографії, присвячених генераторам псевдовипадкових чисел (ГПВЧ). Розглянуто різні типи ГПВЧ та їх реалізації, а також визначено критерії криптографічної стійкості генераторів. Окреслено причини вибору конкретних типів генераторів залежно від поставлених завдань. Наведено основи теорії нейронних мереж (НМ) та проведено порівняння їх архітектур у контексті створення ГПВЧ та тестування вихідних послідовностей. Оглянуто різні набори статистичних тестів для оцінки якості вихідних послідовностей ГПВЧ. Проаналізовано результати ключових досліджень щодо генерації ГПВЧ на основі НМ, включно з класичними рекурентними мережами (Elman, LSTM) та сучасними генеративно-змагальними мережами (GAN). Окремо розглянуто методи тестування ГПВЧ за допомогою НМ та наголошено на негативних наслідках недооцінки цього етапу в оцінці безпеки генераторів.

Посилання

  1. Apdullah Y., Yakup K. Neural Network Based Cryptography. Neural Network World. 2014, no. 24, p. 177–192. –https://doi.org/10.14311/NNW.2014.24.011
  2. Kannan M. R. Gnanam V. Neural network based decryption for random encryption algorithms. Proceedings of 3rd International Conference on Anti-counterfeiting, Security, and Identification in Communication, Hong Kong, 20-22 August 2009, p. 603–605. –https://doi.org/10.1109/ICASID.2009.5277002
  3. Oak R., Rahalkar C., Dhaval G. Using Generative Adversarial Networks for Secure Pseudorandom Number Generation. Proceedings of 2019 ACM SIGSAC Conference, London, 11–15 November 2019, p. 2597–2599. –https://doi.org/10.1145/3319535.3363265
  4. İnce K. Security Analysis of Java SecureRandom Library. Avrupa Bilim ve Teknoloji Dergisi. 2021, no. 24, p. 157–160.
  5. Lauria F. E. On Neurocryptology. Proceedings of the Third Italian Workshop on Parallel Architectures and Neural Networks. Salerno, 15-18 May, 1990. p. 337–343.
  6. Pointcheval D. Neural networks and their cryptographic applications. Livre des resumes Eurocode Institute for Research in Computer Science and Automation. 1994. p. 1–7.
  7. Schneider B. Applied Cryptography. Protocols, Algorithms, and Source codes in C. New York, Wiley, 1996. – 758 p.
  8. Luciano D., Prichett G. Cryptology: From Caesar Ciphers to Public-key Cryptosystems. The College Mathematics Journal. 1987, no. 18(1), p. 2–17. – https://doi.org/10.1080/07468342.1987.11973000
  9. Godhavari T., Alainelu N. R., Soundararajan R. Cryptography using neural network. IEEE INDICON 2005 Conf., Chennai, India; 11-13 December 2005, p. 258–261. –https://doi.org/10.1080/07468342.1987.11973000
  10. Arvandi M., Wu S., Sadeghian A., Melek W. W., Woungang I. Symmetric Cipher Design Using Recurrent Neural Networks. The 2006 IEEE International Joint Conference on Neural Network Proceedings, Vancouver, BC, Canada, 2006, p. 2039–2046. https://doi.org/10.1109/IJCNN.2006.246972
  11. Guo D., Cheng L.-M., Cheng L. L. A new symmetric probabilistic encryption scheme based on chaotic attractors of neural networks. Applied Intelligence. 1999, no. 10(1), p. 71–84. – https://doi.org/10.1023/A:1008337631906
  12. Noughabi A. M. N., Sadeghiyan B. Design of S-boxes based on neural networks. Proceedings of “International Conference on Electronics and Information Engineering”, Kyoto, 1-3 August 2010, p. 172–178. – https://doi.org/10.1109/ICEIE.2010.5559741
  13. Karras D. A., Zorkadis V. On neural network techniques in the secure management of communication systems through improving and quality assessing pseudorandom stream generators. Neural networks: the official journal of the International Neural Network Society. 2003, no. 16(5-6), p. 899–905. – https://doi.org/10.1016/S0893-6080(03)00124-2
  14. Ruttor A. Neural Synchronization and Cryptography. PhD thesis. Bayerischen Julius-Maximilians-Universitat at Wurzburg. 2006.
  15. Sadırodlu S., Ozkaya N. Neural Solutions for Information Security. Journal of Polytechnic. 2007, vol. 10, no. 1, p. 21–25.
  16. Wu X., Han Y., Zhang M. та ін. Pseudorandom Number Generators Based on Neural Networks: A Review. Journal of King Saud University – Computer and Information Sciences. 2025. – https://doi.org/10.1007/s44443-025-00007-4
  17. Fei C., Zhang X., Wang D. та ін. EPRNG: Effective Pseudo-Random Number Generator on the Internet of Vehicles Using Deep Convolution Generative Adversarial Network. Information. 2025. Vol. 16, № 1. – https://doi.org/10.3390/info16010021
  18. Rivas Becerra M. L., Raygoza Panduro J. J., Cisneros S. O. Design of a New Neuro-Generator with a Neuronal Module to Produce Pseudorandom Sequences. Electronics. 2024. Vol. 13, № 10. – https://doi.org/10.3390/electronics13101955
  19. Eastlake D. E., Jones P. E. US Secure Hash Algorithm 1 (SHA1). Request for Comments. 2001, no. 3174, p. 1–22. – https://doi.org/10.17487/rfc3174
  20. Zhang Y. et al. GAN-Based Pseudo Random Number Generation Optimized through Genetic Algorithms, Complex & Intelligent Systems, 2024.
  21. McCulloch W. S., Pitts W. A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics. 2003, no. 5(4), p.115–133. – https://doi.org/10.1007/BF02478259
  22. Hassan A. A. et al. Artificial Neural Network Chaotic PRNG and Encryption on FPGA, Engineering Applications of Artificial Intelligence, 2023.
  23. Vrahatis M., Magoulas G., Parsopoulos K., Plagianakos V. Introduction to artificial neural network training and applications. Proceedings of 15th Annual Conference of Hellenic Society for Neuroscience, Greece, 27 – 29 October 2000, p. 1–14.
  24. Kingma D. P., Ba J. Adam: A method for stochastic optimization. Proceedings of International Conference on Learning Representations (ICLR), San Diego, 7 – 9 May 2015, p. 1–13.
  25. Abadi M., Barham P., Chen J. Tensorflow: A system for large-scale machine learning. Proceedings of 12th USENIX Symposium on Operating Systems Design and Implementation is sponsored by USENIX, Savannah, 2 – 4 November 2016, p. 265–283.
  26. Paszke A., Gross S., Massa F. et al. PyTorch: An Imperative Style, High-Performance Deep Learning Library. Advances in Neural Information Processing Systems, 2019, no. 32, p. 8024–8035.
  27. Chi-Kwong C., Cheng L. M. The convergence properties of a clipped Hopfield network and its application in the design of key stream generator. IEEE Transactions on Neural Networks. 2001, no. 12, p. 340–348. – https://doi.org/10.1109/72.914528
  28. Wang, Y., Wang, G., Zhang, H. (2010). Random Number Generator Based on Hopfield Neural Network and SHA-2 (512). In: Luo, Q. (eds) Advancing Computing, Communication, Control and Management. Lecture Notes in Electrical Engineering, vol. 56. Springer, Berlin, Heidelberg. p. 198–205. – https://doi.org/10.1007/978-3-642-05173-9_26
  29. Desai V. V., Deshmukh V. B., Rao D. H. Pseudo Random Number Generator Using Elman. Proceedings of 2011 IEEE Recent Advances in Intelligent Computational Systems, Trivandrum, 22-24 September 2011, p. 251–254. – https://doi.org/10.1109/RAICS.2011.6069312
  30. Sutton, R.; Barto, A. Reinforcement Learning: An Introduction. IEEE Transactions on Neural Networks, vol. 9, no. 5, p. 1054–1054, Sept. 1998. – https://doi.org/10.1109/TNN.1998.712192
  31. L’Ecuyer P., Simard R. TestU01: A C library for empirical testing of random number generators. ACM Transactions on Mathematical Software. 2007, vol. 33, no. 4, p. 22–40. – https://doi.org/10.1145/1268776.1268777
  32. Rukhin A., Soto J., Nechvatal J. et. al. A statistical test suite for random and pseudorandom number generators for cryptographic applications. NIST Special Publication 800-22, 2010.
  33. Kadhim M. H., Wijdan R. A. Binary Sequences Randomness Test Using Neural Networks. International Journal of Computer Science and Mobile Computing. 2015, vol. 4, p. 246–258.
  34. Pol Yee L., De Silva L. C. Application of MultiLayer Perceptron Network as a one-way hash function. Proceedings of “2002 International Joint Conference on Neural Networks. IJCNN'02 (Cat. No.02CH37290)”, Hawaii, 12 – 17 May 2002, p. 1459–1462.
  35. Anderson J. A., Rosenfeld, E. Neurocomputing: Foundations of research. Cambridge, USA, The MIT Press, 1988. – 685 p. – https://doi.org/10.7551/mitpress/4943.001.0001
  36. Desai V., Patil R., Rao D. Using Layer Recurrent Neural Network to Generate Pseudo Random Number Sequences. International Journal of Computational Science Issues. 2012, vol. 9, p. 324–334.
  37. Pasqualini L., Parton M. Pseudo Random Number Generation: a Reinforcement Learning approach. Procedia Computer Science. 2020, vol. 170, p. 1122–1127. – https://doi.org/10.1016/j.procs.2020.03.057

##submission.downloads##

Опубліковано

2025-12-29

Як цитувати

Некрасова, М. (2025). ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ СТВОРЕННЯ ТА ТЕСТУВАННЯ ГЕНЕРАТОРІВ ПСЕВДОВИПАДКОВИХ ЧИСЕЛ . Вісник Національного технічного університету «ХПІ». Серія: Динамiка та мiцнiсть машин, (2), 107–114. https://doi.org/10.20998/2078-9130.2025.2.344692

Номер

№ 2 (2025): Вісник НТУ "ХПІ" Серія: "Динаміка та міцність машин"

Розділ

Статті

Ліцензія

Авторське право (c) 2025 Вісник Національного технічного університету «ХПІ». Серія: Динамiка та мiцнiсть машин

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.