Генерация псевдослучайных чисел на основе преобразований графических объектов


https://doi.org/10.15217/issnl684-8853.2018.2.2

Полный текст:


Аннотация

Постановка проблемы: одним из методов защиты данных является их шифрование. Для шифрования применяются алгоритмы, работа которых предполагает использование случайных или псевдослучайных чисел. Данные числа, критически влияющие на криптостойкость шифра, создаются с помощью генераторов случайных и псевдослучайных чисел. Для того чтобы сгенерированные числа могли использоваться в криптоалгоритмах, они должны иметь признаки истинно случайной последовательности, т. е. быть устойчивыми к реверсивному определению всего потока сгенерированных чисел по известным его частям. Цель: разработка метода генерации псевдослучайных чисел, пригодных для дальнейшего использования в криптографических алгоритмах. Результаты: представлена методика генерации псевдослучайных чисел, в основе которой лежит процедура обработки изображений методом К-средних и алгоритм вихрь Мерсенна. В качестве источника генерации псевдослучайных чисел предложено применять случайные графические объекты. Приведен пример, визуализирующий результаты работы методики. Новизна подхода состоит в том, что энтропия псевдослучайной величины повышается путем использования преобразованных сведений о графических объектах, обладающих повышенной персонализацией. Полученный алгоритм обладает относительно малой скоростью, но при этом остается относительно устойчивым благодаря уникальным изображениям и двукратному применению алгоритма вихрь Мерсенна. Практическая значимость: разработанный метод генерации псевдослучайных чисел может быть использован в криптоалгоритмах, ориентированных в том числе на работу с большими объемами данных.

Об авторах

Д. А. Крюков
Московский технологический университет
Россия


И. А. Тескер
Московский технологический университет
Россия


Список литературы

1. Rukhin A. A Statistical Test Suite for Random and Pseudorandom Number Generators for Cryptographic Applications. - Gaithersburg, MD: NIST, 2010. - 131 p.

2. McAndrew A. Introduction to Cryptography with Open-Source Software. - Boca Raton, FL: CRC Press, 2016. - 461 p.

3. Menezes A. Handbook of Applied Cryptography. - Boca Raton, FL: CRC Press, 1996. - 780 p.

4. Matsumoto M., Nishimura T. Mersenne Twister: a 623-dimensionally Equidistributed Uniform Pseudo-Random Number Generator // Journal ACM Transactions on Modeling and Computer Simulation (TOMACS). 1998. Vol. 8. Iss. 1. P. 3-30.

5. Mersenne Twister Home Page. http://www.math.sci.hiroshima-u.ac.jp/m-mat/MT/emt.html. (дата обращения: 21.10.2017).

6. Cleve’s Corner: Cleve Moler on Mathematics and Computing. http://blogs.mathworks.com/cleve/2015/04/17/random-number-generator-mersenne-twister (дата обращения: 20.04.2017).

7. Schroeder M. Fractals, Chaos, Power Laws: Minutes from an Infinite Paradise. - N. Y.: W H Freeman and Company, 1991. - 429 p.

8. On-Line Encyclopedia of Integer Sequences. http://oeis.org/A000668 (дата обращения: 10.11.2017).

9. Schroeder M. Number Theory in Science and Communication. - Berlin: Springer-Verlag, 2009. - 431 p.

10. Балонин Н. А., Сергеев М. Б. Матрицы Мерсенна и Адамара //Информационно-управляющие системы. 2016. № 1. С. 2-14. doi: 10.15217/issn1684-8853.2016.1.2

11. Octave-forge. https://octave.sourceforge.io/octave/function/randperm.html (дата обращения: 20.10.17).

12. Python Standart Library. https://docs.python.org/3/library/random.html (дата обращения: 20.10.2017).

13. Class MersenneTwister. http://commons.apache.org/proper/commons-math/javadocs/api3.3/org/apache/commons/math3/random/MersenneTwister.html (дата обращения: 20.10.2017).

14. Haskell Documentation. https://hackage.haskell.org/package/mersenne-random-1.0.0.1/docs/System-Random-Mersenne.html (дата обращения: 20.10.2017).

15. Bishop C. M. Pattern Recognition and Machine Learning. - Berlin: Springer, 2006. - 738 p.

16. Szeliski R. Computer Vision: Algorithms and Applications. - Berlin: Springer, 2010. - 812 p.

17. Cord M., Cunningham P. Machine Learning Techniques for Multimedia: Case Studies on Organization and Retrieval. - Berlin: Springer Science & Business Media, 2008. - 289 p.

18. Petrosino A. Progress in Image Analysis and Processing. - Berlin: Springer, 2013. - 766 p.

19. CS 229 Machine Learning Course Materials. http://cs229.stanford.edu/materials.html (дата обращения: 25.10.2017).

20. Quarteroni A., Saleri F., Gervasio P. Scientific Computing with MATLAB and Octave. - Berlin: Springer Science & Business Media, 2014. - 450 p.


Дополнительные файлы

Для цитирования: Крюков Д.А., Тескер И.А. Генерация псевдослучайных чисел на основе преобразований графических объектов. Информационно-управляющие системы. 2018;93(2):2-7. https://doi.org/10.15217/issnl684-8853.2018.2.2

For citation: Kryukov D.A., Tesker I.A. Pseudo Number Generation based on Graphic Object Processing. Information and Control Systems. 2018;93(2):2-7. (In Russ.) https://doi.org/10.15217/issnl684-8853.2018.2.2

Просмотров: 66


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1684-8853 (Print)
ISSN 2541-8610 (Online)