本發明屬于信息安全和隨機數發生器，具體涉及一種多源信息融合的物理熵源安全性評估方法。

背景技術：

1、隨機數生成器廣泛應用于擴頻通信、科學計算、數值分析、身份認證等，尤其在密碼應用和密碼系統中，其可以分為真隨機數生成器和偽隨機數生成器兩種類型。偽隨機數生成器利用算法生成具有近似隨機性和潛在可預測性的數字序列。與偽隨機數生成器不同，真隨機數生成器基于不可預測的物理隨機現象或過程(即物理熵源)生成真隨機數序列，因此真隨機數具有更好的安全性。因此高準確性的最小熵估計方法對于評估隨機數的質量非常重要。

2、然而，傳統的基于統計和深度學習的最小熵估計方法只考慮單變量數據(即隨機數的時間序列)，而沒有考慮環境因素(如溫度、電壓波動)等多源數據對隨機數質量的影響。物理熵源(如熱噪聲、電子噪聲)對溫度、電源電壓等的變化非常敏感，其變化將極大地影響隨機數的質量，這個限制降低了最小熵估計的準確性。

技術實現思路

1、本發明為了解決現有技術中存在的上述至少一個技術問題，提供了一種多源信息融合的物理熵源安全性評估方法。

2、本發明采用如下的技術方案實現：一種多源信息融合的物理熵源安全性評估方法，包括以下步驟：

3、獲取物理熵源數據并進行處理，得到多源融合數據集；所述物理熵源數據包括物理熵源的外界溫度、供電電壓和輸出隨機數序列的原始數據；通過變分自編碼器網絡對所述多源融合數據集進行特征提取，輸出潛在表示作為特征提取后的數據，并將潛在表示劃分為訓練集、驗證集和測試集；搭建初始的混合深度學習神經網絡模型，基于劃分為訓練集、驗證集的潛在表示對模型進行訓練和驗證；將劃分為測試集的潛在表示輸入已驗證的混合深度學習神經網絡模型，得到物理熵源的預測結果；基于預測結果計算全局預測概率和局部預測概率；基于全局預測概率和局部預測概率獲得最小熵評估結果；基于最小熵評估結果判斷物理熵源的安全性。

4、優選地，變分自編碼器網絡包括編碼器和解碼器，變分自編碼器網絡采用lstm網絡進行訓練，損失函數為交叉熵損失和kl散度的線性組合；變分自編碼器網絡輸出的潛在表示中包括特征提取后的物理熵源的外界溫度、供電電壓和輸出隨機數序列。

5、優選地，變分自編碼器網絡輸出的潛在表示中每10個連續相鄰數字作為一組序列，相鄰的兩組序列中的前一組作為混合深度學習神經網絡模型的輸入序列，后一組作為前一組在混合深度學習神經網絡模型中的輸出預測，對混合深度學習神經網絡模型進行訓練和驗證。

6、優選地，混合深度學習神經網絡模型包括cnn網絡、lstm網絡、tpa注意力機制層和全連接網絡；

7、其中cnn網絡包括cnn層，輸入序列進入該cnn層進行空間尺度的特征提?。籰stm網絡包括lstm層，lstm層輸出對應于輸入序列中每個時間步長的隱藏狀態；tpa注意力機制層包括cnn層和評估得分函數，用于長序列的時間序列分析；全連接網絡通過softmax激活函數，得到對應的輸出概率；

8、cnn網絡的cnn層的輸出端與lstm網絡的lstm層的輸入端連接，lstm網絡的lstm層的輸出端與tpa注意力機制層的輸入端連接，tpa注意力機制層的輸出端與全連接網絡的輸入端連接。

9、優選地，在lstm層，接收cnn網絡饋送的時間序列，輸出對應于輸入序列中每個時間步長的隱藏狀態，接著對全部隱藏狀態進行分割，全部信息被分為隱藏狀態h和當前狀態ht；

10、隱藏狀態信息輸入至tpa時間注意力機制層，用于提取輸入信息中的長時序模式，對隱藏狀態h的行向量采用cnn濾波器濾波，使用tpa時間注意力機制層中的一維卷積cnn層對其每個行向量進行卷積運算，選擇relu激活函數并輸出hc作為特征表示矩陣，tpa時間注意力機制層中的一個全連接層作為評分函數用于確定一維卷積cnn層輸出各時序模式的權值，根據權值的大小計算注意力，當前lstm輸出狀態ht通過repeatvector層重復輸入至multiply層，用于計算其與hc矩陣每行的乘積，每行的乘積結果輸入在時間索引軸上求和，求和后利用sigmoid激活函數對結果進行歸一化，計算每行對應一個注意力權重a，其代表hc矩陣每行要預測的ht的作用強度；根據每個時間序列對ht的影響強弱，將每行權重進行加權求和得到綜合時間注意力vt，將vt與當前狀態ht通過add層合并后得到注意力機制層的輸出h′t。

11、優選地，在全連接網絡的全連接層中，使用softmax激活函數將線性變換后的輸出向量映射到一組概率分布，并選擇其中的最大概率作為輸出。

12、優選地，基于全局預測概率和局部預測概率獲得的最小熵評估結果為：

13、hmin＝-log2(max(pglobal,plocal))

14、式中，hmin為最小熵評估結果，max(pglobal,plocal)為全局預測概率和局部預測概率中的最大值，pglobal為全局預測概率，plocal為局部預測概率。

15、優選地，基于最小熵評估結果判斷物理熵源的安全性的公式為：

16、hmin＞0.99×m

17、式中，m＝1,2,3…。

18、與現有技術相比，本發明的有益效果是：

19、本發明提供的多源信息融合的物理熵源安全性評估，可以提高現有物理熵源評估準確性低問題，最小熵估計結果如果滿足限定的大小，則認為熵源產生的隨機數是不可預測的，以此來保證信息的安全；本發明最小熵評估準確性性能上優于現有的基于統計和基于深度學習的評估方法。

技術特征：

1.一種多源信息融合的物理熵源安全性評估方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的一種多源信息融合的物理熵源安全性評估方法，其特征在于：變分自編碼器網絡包括編碼器和解碼器，變分自編碼器網絡采用lstm網絡進行訓練，損失函數為交叉熵損失和kl散度的線性組合；變分自編碼器網絡輸出的潛在表示中包括特征提取后的物理熵源的外界溫度、供電電壓和輸出隨機數序列。

3.根據權利要求2所述的一種多源信息融合的物理熵源安全性評估方法，其特征在于：變分自編碼器網絡輸出的潛在表示中每10個連續相鄰數字作為一組序列，相鄰的兩組序列中的前一組作為混合深度學習神經網絡模型的輸入序列，后一組作為前一組在混合深度學習神經網絡模型中的輸出預測，對混合深度學習神經網絡模型進行訓練和驗證。

4.根據權利要求3所述的一種多源信息融合的物理熵源安全性評估方法，其特征在于：混合深度學習神經網絡模型包括cnn網絡、lstm網絡、tpa注意力機制層和全連接網絡；

5.根據權利要求4所述的一種多源信息融合的物理熵源安全性評估方法，其特征在于：

6.根據權利要求4所述的一種多源信息融合的物理熵源安全性評估方法，其特征在于：在全連接網絡的全連接層中，使用softmax激活函數將線性變換后的輸出向量映射到一組概率分布，并選擇其中的最大概率作為輸出。

7.根據權利要求4所述的一種多源信息融合的物理熵源安全性評估方法，其特征在于：基于全局預測概率和局部預測概率獲得的最小熵評估結果為：

8.根據權利要求7所述的一種多源信息融合的物理熵源安全性評估方法，其特征在于：基于最小熵評估結果判斷物理熵源的安全性的公式為：

技術總結
本發明屬于信息安全和隨機數發生器技術領域，旨在解決傳統的最小熵估計方法沒有考慮環境因素等多源數據對物理熵源隨機數質量影響的問題。提供了一種多源信息融合的物理熵源安全性評估方法，包括以下步驟：獲取物理熵源數據并進行處理，得到多源融合數據集；通過變分自編碼器網絡對所述多源融合數據集進行特征提取，輸出潛在表示作為特征提取后的數據；將劃分為測試集的潛在表示輸入已驗證的混合深度學習神經網絡模型，得到物理熵源的預測結果；基于預測結果計算全局預測概率和局部預測概率；基于全局預測概率和局部預測概率獲得最小熵評估結果；基于最小熵評估結果判斷物理熵源的安全性。本發明可以提高現有物理熵源評估準確性低的問題。

技術研發人員：張建國,問文浩,李靜霞,郭煜靖
受保護的技術使用者：太原理工大學
技術研發日：
技術公布日：2025/4/28