Интеллектуальная система анализа и классификации генераторов псевдослучайных чисел

Цель. Настоящая работа посвящена рассмотрению вопросов построения интеллектуальной системы анализа и классификации генераторов псевдослучайных чисел (ГПСЧ), объединяющей возможности машинного обучения и направленного перебора для решения задачи определения типа источника случайной последовательности чисел.  Основное внимание уделяется выявлению слабостей некриптографических ГПСЧ, которые могут быть предсказуемыми, что несет риски для их использования в области информационной безопасности. Методы. В ходе исследования использовались методы машинного обучения, в частности нейронные сети, корреляционный анализ и статистические тесты NIST. Разработанные модели обучались на больших выборках выходных последовательностей ГПСЧ, что позволило оценить предсказуемость ГПСЧ и возможность восстановления внутренних состояний. Структура нейронных сетей выбиралась с учетом результатов работы процедур оптимизации значений гиперпараметров нейронных сетей. Показано влияние размера выборки на получаемые результаты. Результаты. Анализ и классификация ГПСЧ включает несколько этапов: вычисление автокорреляционной функции выходных последовательностей и их спектр, выполнение статистических тестов, разработанных лабораторией NIST; классификация ГПСЧ на основе анализа выходных последовательностей; выявление особенностей внутренней структуры ГПСЧ или его внутренних состояний; прогнозирование значений на выходе. Для алгоритма Xorshift128 нейронная сеть показала высокую точность восстановления выходных значений, подтверждая его уязвимость. Анализ алгоритма Mersenne Twister выявил определенные закономерности, но потребовал более сложных архитектур для полной реконструкции последовательностей. Для алгоритма «стоп-пошел» удалось выявить закономерности построения структуры с использованием алгоритмов машинного обучения, но решить задачу прогнозирования значения на выходе ГПСЧ только по предыдущим значениям выходной последовательности без знания внутренних состояний с высокой точностью не удалось. Линейный конгруэнтный генератор и генератор Геффе удается классифицировать и прогнозировать с использованием алгоритмов направленного перебора. Объединенные в систему модели классифицируют ГПСЧ по их характеристикам и прогнозируют их дальнейшие выходные значения. Анализ полученных результатов подтверждает значимость выбора не только структуры ГПСЧ, но и числовых параметров и задействованных в вычислениях битов внутри чисел. Заключение. Проведенное исследование подтверждает эффективность сочетания методов машинного обучения и направленного перебора при анализе и классификации ГПСЧ. Полученные результаты позволяют рекомендовать разработанную систему для использования в практических задачах оценки безопасности ГПСЧ. Перспективы дальнейших исследований связаны с расширением множества анализируемых ГПСЧ и рассмотрением других типов нейронных сетей для повышения качества и производительности моделей.

1. Schneier B., Ferguson N. Fortuna. URL: https://www.schneier.com/academic/fortuna/ (дата обращения: 15.12.2024).

2. Куминов В.П., Сидоренко В.Г. Решение задач анализа криптографической стойкости генераторов псевдослучайных чисел с использованием машинного обучения // Материалы XXXII Международной конференции «Проблемы управления безопасностью сложных систем» (посвящена памяти В.В. Кульбы). М.: ИПУ РАН, 2024. URL: https://iccss2024.ipu.ru/proceedings/%D0%9A%D1%83%D0%BC%D0%B8%D0%BD%D0%BE%D0%B2.pdf (дата обращения: 20.01.2025).

3. Куминов В.П., Сидоренко В.Г. Методы оценки качества генераторов псевдослучайных чисел // Интеллектуальные транспортные системы: Материалы III Международной научно-практической конференции, Москва, 30 мая 2024 года. М.: Российский университет транспорта (МИИТ), 2024. С. 631–636. DOI: 10.30932/9785002446094-2024-631-636

4. Hassan M. Cracking Random Number Generators using Machine Learning – Part 1: xorshift128. URL: https://www.nccgroup.com/us/research-blog/crackingrandom-number-generators-using-machine-learning-part1-xorshift128/ (дата обращения: 26.06.2025).

5. Common Weakness Enumeration. URL: https://cwe.mitre.org/data/definitions/330.html (дата обращения: 20.01.2025).

6. Вихрь Мерсенна (Справочник). URL: https://dic.academic.ru/dic.nsf/ruwiki/88739 (дата обращения: 20.01.2025).

7. Hassan, M. Cracking Random Number Generators using Machine Learning – Part 1: Xorshift128 [Сайт]. – URL: https://research.nccgroup.com/2021/10/15/crackingrandom-number-generators-using-machine-learning-part-1Xorshift128/ (дата обращения: 20.01.2025).

8. Воронина Е.Г., Сидоренко В.Г. Генераторы случайных чисел: Учебное пособие / Российский университет транспорта (МИИТ). М.: ФГАОУ ВО «Российский университет транспорта», 2018. 80 с.