Порівняльний аналіз результатів генераторів псевдовипадкових чисел для генерації цифрового шуму
Олександр Ісаков, Степан ВойтусікУ статті викладено результати дослідження характеристик п’яти різних генераторів псевдовипадкових чисел для застосування в задачах генерації цифрового шуму, який використовується для маскування сигналів у кібербезпеці. Актуальність роботи зумовлена зростаючою потребою у високоякісних методах маскування, які забезпечують як ефективну продуктивність, так і надійність випадковості, що важливо для захисту конфіденційної інформації у сучасних цифрових системах. Метою дослідження було порівняння алгоритмів PCG, Xoshiro128++, WELL512a, Mersenne Twister та KISS за показниками їхньої швидкодії, статистичної випадковості та здатності ефективно маскувати корисний сигнал шумом. Швидкодія алгоритмів оцінювалася за допомогою BenchmarkDotNet. Для перевірки якості випадковості послідовностей використовувалися стандартні тести NIST, Dieharder та TestU01. Для згенерованого шуму проведено спектральний аналіз за допомогою значення спектральної щільності потужності. Ефективність маскування було розраховано співвідношенням сигнал/ шум, результатами автокореляційної функції і спектрограми шуму. Результати дослідження показали, що PCG та KISS є найбільш продуктивними з точки зору швидкодії, що робить їх привабливими для застосувань, де важлива швидка генерація випадкових послідовностей. WELL512a та PCG продемонстрували найвищу якість випадковості, стабільно проходячи всі статистичні тести. Аналіз спектрального розподілу шуму показав, що всі генератори забезпечують рівномірний розподіл потужності до фільтрації, а після фільтрації шум успішно обмежується у високочастотному діапазоні. Співвідношення значення сигналу до шуму для всіх алгоритмів становили близько -13.6 dB, що вказує на подібну ефективність при маскуванні шумом. Автокореляційний аналіз підтвердив низьку кореляцію для всіх генераторів за межами нульового лагу, що є важливим для збереження якості випадковості в довгих послідовностях. Практична цінність дослідження полягає у виборі оптимального генератора псевдовипадкових чисел для задач зашумлення в кібербезпеці. Отримані результати надають рекомендації щодо вибору алгоритмів з урахуванням їхньої швидкодії та випадковості, що дозволить забезпечити високий рівень захисту інформації у цифрових системах
Використані джерела
[1] Balalaieva, O., Marchenko, I., Korotenko, G., Beshta, D., & Pikuz, A. (2023). Performance research of C# programming language data serializers using the developed software product for testing. Reporter of the Priazovskyi State Technical University. Section: Technical Sciences, 47, 8-24. doi: 10.31498/2225-6733.47.2023.299923.
[2] Bassham, L.E. et al. (2010). A statistical test suite for random and pseudorandom number generators for cryptographic applications. Gaithersburg: National Institute of Standards and Technology. doi: 10.6028/nist.sp.800-22r1a.
[3] BenchmarkDotNet official documentation. (n.d.). Retrieved from https://surl.li/yobqul.
[4] Bhattacharjee, K., & Das, S. (2022). A search for good pseudo-random number generators: Survey and empirical studies. Computer Science Review, 45, article number 100471. doi: 10.1016/j.cosrev.2022.100471.
[5] Cook, J.D. (2017). Testing the PCG random number generator. Retrieved from https://surl.li/vjlfia.
[6] Deza, J.I., & Ihshaish, H. (2021). Qnoise: A generator of non-gaussian colored noise. SSRN Electronic Journal. doi: 10.2139/SSRN.3975571.
[7] Dieharder official documentation with test suit. (n.d.) Retrieved from https://surl.li/gruuvy.
[8] Feali, M.S. (2023). Realization of a pseudo-random number generator utilizing two coupled Izhikevich neurons on an FPGA platform. Analog Integrated Circuits and Signal Processing, 119(1), 57-68. doi: 10.1007/s10470-023-02223-2.
[9] Filho, N. (2024). Performance analysis in Csharp with BenchmarkDotNet: Report and evaluation. ZENODO, 1(12). doi: 10.5281/ZENODO.13826811.
[10] Hu, Z. (2020). High-speed and secure PRNG for cryptographic applications. International Journal of Computer Network and Information Security (IJCNIS), 12(3), 1-10. doi: 10.5815/ijcnis.2020.03.01.
[11] Isakov, O.V., & Voitusik, S.S. (2023). Comparative analysis of digital noise generated by additive Fibonacci generators. Ukrainian Journal of Information Technology, 5(1), 67-76. doi: 10.23939/ujit2023.01.067.
[12] Kajikawa, Y., Gan, W.-S., & Kuo, S.M. (2012). Recent advances on active noise control: Open issues and innovative applications. APSIPA Transactions on Signal and Information Processing, 1, article number e3. doi: 10.1017/ ATSIP.2012.4.
[13] Kuo, S.M., Kuo, K., & Gan, W.S. (2010). Active noise control: Open problems and challenges. In The 2010 International conference on green circuits and systems (pp. 164-169). Shanghai: IEEE. doi: 10.1109/icgcs.2010.5543076.
[14] L’Ecuyer, P. (2017). History of uniform random number generation. In 2017 Winter simulation conference (WSC) (pp. 202-230). Las Vegas: IEEE. doi: 10.1109/wsc.2017.8247790.
[15] Li, S., Lin, Z., Yang, Y., & Ning, R. (2024). A high-performance FPGA PRNG based on multiple deep-dynamic transformations. Entropy, 26(8), article number 671. doi: 10.3390/e26080671.
[16] Mandal, K. (2022). Cryptographic pseudorandom noise generators for lattice-based cryptography and differential privacy. In 2022 10th international workshop on signal design and its applications in communications (IWSDA) (pp. 1-4). Colchester: IEEE. doi: 10.1109/iwsda50346.2022.9870587.
[17] Panneton, F., L’Ecuyer, P., & Matsumoto, M. (2006). Improved long-period generators based on linear recurrences modulo 2. ACM Transactions on Mathematical Software, 32(1), 1-16. doi: 10.1145/1132973.1132974.
[18] Raza S.F., & Satpute V.R. (2018). PRaCto: Pseudo random bit generator for cryptographic application. KSII Transactions on Internet and Information Systems, 12(12). doi: 10.3837/TIIS.2018.12.029.
[19] Saito, M., & Matsumoto, M. (2008). SIMD-oriented Fast Mersenne Twister: A 128-bit pseudorandom number generator. In A. Keller, S. Heinrich & H. Niederreiter (Eds.), Monte Carlo and Quasi-Monte Carlo methods 2006 (pp. 607-622). Berlin-Heidelberg: Springer. doi: 10.1007/978-3-540-74496-2_36.
[20] Sound data sets. (n.d.). Retrieved from https://commonvoice.mozilla.org/en/datasets.
[21] Syafalni, I., Jonatan, G., Sutisna, N., Mulyawan, R., & Adiono, T. (2022). Efficient homomorphic encryption accelerator with integrated PRNG using low-cost FPGA. IEEE Access, 10, 7753-7771. doi: 10.1109/access.2022.3143804.
[22] TestU01 official documentation. (n.d.). Retrieved from https://surl.li/nemayh.
[23] Vennos, A., George, K., & Michaels, A. (2021). Attacks and defenses for single-stage residue number system PRNGs. IoT, 2(3), 375-400. doi: 10.3390/iot2030020.
[24] Yu, F., Zhang, Z., Shen, H., Huang, Y., Cai, S., Jin, J., & Du, S. (2021). Design and FPGA implementation of a pseudorandom number generator based on a hopfield neural network under electromagnetic radiation. Frontiers in Physics, 9. doi: 10.3389/fphy.2021.690651.