Generative Artificial Intelligence-Driven Secure Pseudorandom Number Generator

Xuguang Wu

doi:10.1016/j.future.2026.108492

Generative Artificial Intelligence-Driven Secure Pseudorandom Number Generator

2026-03-28

0

PRE

AI

DOI：10.1016/j.future.2026.108492

原文链接

原文求助

摘要

En 中文

生成式人工智能（GenAI）的快速进展，特别是生成对抗网络（GANs），促进了基于学习的伪随机数生成（PRNG）的日益增长的研究兴趣。然而，大多数现有的基于GAN的PRNG主要通过经验性统计测试套件进行评估，这仅能提供有限的、针对计算能力强大的对手的正式安全保证，并且缺乏与既定困难假设的联系。本文提出了一种PRNG构造方案，将基于GAN的伯努利噪声扩展采样器整合到基于LPN的框架中。我们形式化了一种具有神经网络结构的LPN变体（GAN-LPN），该变体通过明确的、可测量的偏差参数来捕获学习采样过程中的实际非理想性，并在安全分析中，将这些参数作为最终优势边界中的加性退化项进行处理。随后，我们给出了一种基于博弈的归约证明，表明在所提出的假设和偏差界限下，区分PRNG输出与随机序列的难度可以归约为相应底层LPN型问题的困难性。实验结果表明，生成的序列通过了NIST SP 800-22以及额外的经验性基准测试，包括汉明距离测试和实用的下一比特预测测试，为输出的统计质量提供了补充性证据。

Keyword:

Generative Adversarial Networks

Pseudorandom Number Generator

Learning with Errors

Security Reduction

Statistical Testing

Generative Artificial Intelligence-Driven Secure Pseudorandom Number Generator

摘要

期刊

机构