基于神经网络的伪随机数生成研究综述.docVIP

基于神经网络的伪随机数生成研究综述

伪随机数生成器（PseudorandomNumberGenerator,PRNG）作为密码学、仿真计算、蒙特卡洛模拟等领域的核心基础组件，其输出序列的不可预测性、统计均匀性和周期长度直接决定了上层应用的安全性与可靠性。传统伪随机数生成方法多基于线性反馈移位寄存器、混沌映射或数论难题，在面对量子计算攻击、侧信道分析等新型威胁时逐渐暴露出安全短板，且在高吞吐量、低延迟的边缘计算场景下存在性能瓶颈。近年来，神经网络的非线性拟合能力与并行计算特性为伪随机数生成技术提供了全新的研究路径，基于神经网络的伪随机数生成器（NeuralNetwork-basedPRNG,NN-PRNG）凭借更高的安全冗余、更强的环境适应性和更灵活的架构设计，成为密码学与人工智能交叉领域的研究热点。

一、NN-PRNG的核心设计范式

当前NN-PRNG的研究主要围绕三个核心设计方向展开，分别是基于神经网络映射的确定性生成范式、基于混沌-神经网络融合的复合生成范式，以及基于生成式模型的随机性增强范式。

基于神经网络映射的确定性生成范式是NN-PRNG最基础的实现路径，其核心思想是利用神经网络的非线性变换能力替代传统PRNG中的线性运算单元。早期研究多采用多层感知机（MLP）作为核心映射模块，将初始种子作为输入层向量，通过全连接层的非线性激活函数变换输出随机序列。2019年