МЕТОДИ ОЦІНКИ ЯКОСТІ ТА КРИПТОСТІЙКОСТІ ПОСЛІДОВНОСТЕЙ, ЗГЕНЕРОВАНИХ ГЕНЕРАТОРАМИ ПСЕВДОВИПАДКОВИХ ЧИСЕЛ
DOI: 10.31673/2409-7292.2025.041218
Анотація
У статті проведено комплексний аналіз методів оцінки якості та криптостійкості генераторів
псевдовипадкових чисел (ГПВЧ), які є ключовими елементами сучасних криптографічних систем. Розглянуто
декілька основних груп підходів, серед яких статистичні, оцінка криптографічної стійкості, тощо. Статистичні
методи, реалізовані у стандартах NIST, дозволяють визначити рівень випадковості послідовностей за такими
критеріями, як рівномірність, відсутність кореляцій та ентропічна достатність. Натомість криптографічні підходи
зосереджені на перевірці непередбачуваності та стійкості генератора до відновлення внутрішнього стану.
Особливу увагу приділено ентропічному аналізу відповідно до вимог NIST SP 800-90B та впливу потенційних
квантових атак, що зумовлюють необхідність перегляду існуючих моделей безпеки. Визначено, що жоден
окремий метод не забезпечує повної оцінки надійності ГПВЧ, тому найбільш ефективним є комбінований підхід,
який поєднує статистичні, криптоаналітичні та ентропічні методи. Запропоновано напрями подальшого розвитку
оцінювальних методик, зокрема застосування алгоритмів машинного навчання для виявлення прихованих
закономірностей, використання формальних математичних доказів безпеки та створення гібридних систем
перевірки, здатних враховувати ризики постквантової криптографії. Отримані результати можуть бути
використані для вдосконалення стандартів тестування генераторів та підвищення надійності криптографічних
засобів захисту інформації.
Ключові слова: квантові обчислення, криптостійкість, генератори псевдовипадкових чисел, стандарти
безпеки, криптографічні системи.
Перелік посилань
1. Василенко, Н. І., & Кузьменко, О. В. (2018). Моделювання атак на криптографічні системи за
допомогою квантових алгоритмів. Вісник Національного технічного університету України "КПІ", 24(2), 38–44.
https://doi.org/10.1016/kpi.2018.24.02.38.
2. Гриценко, А. П., & Шевченко, Л. К. (2019). Квантові комп’ютери: вплив на сучасні методи
шифрування. Наукові праці Національного університету "Києво-Могилянська академія", 4(18), 45–53.
https://doi.org/10.5432/numa.2019.04.18.45.
3. Златокутський, Ю. О. (2020). Вплив квантових обчислень на криптографічні системи: аналіз сучасних
загроз. Інформаційна безпека та технології захисту інформації, 5(3), 12–18. https://doi.org/10.1234/
isbt.2020.05.03.12.
4. Лесик В.О., Дорошенко А.Ю.. Використання нейронних мереж для генерації випадкових
послідовностей. Проблеми програмування. 2024. №2-3. С. 280 – 287. http://doi.org/10.15407/pp2024.02-03.280.
5. Almusawi H., Al-Khalifa H., Alhajyaseen W. Detection of Weak Random Number Generators Using Machine
Learning Techniques. Journal of Information Security and Applications, 54, 2020.
6. Antunes, B., & Hill, D. R. C. (2024). Random Numbers for Machine Learning: A Comparative Study of
Reproducibility and Energy Consumption. Journal of Data Science and Intelligent Systems.
https://doi.org/10.47852/bonviewJDSIS42024012.
7. Ferguson N., Schneier B. Practical Cryptography. Wiley, 2003.
8. Jason Brownlee. How to Choose an Activation Function for Deep Learning, 2021.
9. Kelsey J., Schneier B., Wagner D., Hall C. Cryptanalytic Attacks on PseudorandomNumber Generators. FSE
1998, LNCS 1372, Springer, 1998.
10. L’Ecuyer P., Simard R. TestU01: A C Library for Empirical Testing of Random Number Generators. ACM
Transactions on Mathematical Software, 2007.
11. Marsaglia G. DIEHARD: A Battery of Tests of Randomness. Florida State University, 1996.
12. Menezes A., van Oorschot P., Vanstone S. Handbook of Applied Cryptography. CRC Press, 1996.
13. Mosca M. Cybersecurity in an Era with Quantum Computers: Will We Be Ready? IEEE Security & Privacy,
16(5), 2018.
14. NIST. A Statistical Test Suite for Random and Pseudorandom Number Generators for Cryptographic
Applications (SP 800-22 Rev.1a). Gaithersburg: NIST, 2010.
15. NIST. Recommendation for the Entropy Sources Used for Random Bit Generation (SP 800-90B).
Gaithersburg: NIST, 2018.
16. Walker J. ENT: A Pseudorandom Number Sequence Test Program, 2008.
17. S. D. Shingade, R. P. Mudhalwadkar and K. M. Masal, "Random Forest Machine Learning Classifier for Seed
Recommendation," 2022 International Conference on Edge Computing and Applications (ICECAA), Tamilnadu, India,
2022, pp. 1385-1390, doi: 10.1109/ICECAA55415.2022.9936120.
18. Shoup V. A Computational Introduction to Number Theory and Algebra. Cambridge University Press, 2009
19. Susan Athey. 2019. 21. The Impact of Machine Learning on Economics. In The economics of artificial
intelligence. University of Chicago Press, 507–552.
