Machine Learning Predictors for Min-Entropy Estimation

要約

この研究では、サイバーセキュリティにとって正確なエントロピー評価が不可欠な暗号アプリケーションの主要コンポーネントである乱数生成器 (RNG) における最小エントロピー推定のための機械学習予測子の適用を調査します。
私たちの研究は、これらの予測子、そして実際に配列相関を利用するあらゆる予測子は主に平均最小エントロピーを推定することを示していますが、この指標はこの文脈ではあまり研究されていません。
予測されるターゲット ビット数への依存性に焦点を当てて、平均最小エントロピーと従来の最小エントロピーの関係を調査します。
マルコフ プロセスのサブセットである一般化バイナリ自己回帰モデルからのデータを利用して、機械学習モデル (畳み込み層と再帰型長期短期記憶層のハイブリッドとトランスフォーマー ベースの GPT-2 モデルを含む) が従来の NIST SP 800 よりも優れていることを実証します。
特定のシナリオでは 90B の予測子。
私たちの調査結果は、RNG の最小エントロピー評価においてターゲット ビット数を考慮することの重要性を強調し、暗号セキュリティを向上させるためにエントロピー推定技術を強化する機械学習アプローチの可能性を強調しています。

要約(オリジナル)

This study investigates the application of machine learning predictors for min-entropy estimation in Random Number Generators (RNGs), a key component in cryptographic applications where accurate entropy assessment is essential for cybersecurity. Our research indicates that these predictors, and indeed any predictor that leverages sequence correlations, primarily estimate average min-entropy, a metric not extensively studied in this context. We explore the relationship between average min-entropy and the traditional min-entropy, focusing on their dependence on the number of target bits being predicted. Utilizing data from Generalized Binary Autoregressive Models, a subset of Markov processes, we demonstrate that machine learning models (including a hybrid of convolutional and recurrent Long Short-Term Memory layers and the transformer-based GPT-2 model) outperform traditional NIST SP 800-90B predictors in certain scenarios. Our findings underscore the importance of considering the number of target bits in min-entropy assessment for RNGs and highlight the potential of machine learning approaches in enhancing entropy estimation techniques for improved cryptographic security.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google