跳到正文
Scientific Reports· Murat Tuna·· 6 天前AI 评分39

由新型4D隐藏吸引子超混沌系统驱动的双ANN核心PRNG在FPGA上实现

A dual artificial neural network core PRNG on FPGA driven by a novel 4D hyperchaotic system with hidden attractor

AI 导读

Scientific Reports 提前在线发布:双ANN核心PRNG由新型4D隐藏吸引子超混沌系统(N4DHSHA)驱动,在 Xilinx Virtex-6 FPGA 上实现139.714 Mbps实时吞吐。MLE为4.4662,生成比特流通过NIST SP 800-22全部16项子检验(P值均>0.01)。

AI 深度导读基于原文整理的分节解读
背景
伪随机数发生器要充当安全通信与图像加密的熵源,关键就在于输出难以预测。用超混沌振子驱动是常见路线:系统维数高、正 Lyapunov 指数不止一个,轨道更难外推。但把这类系统搬进数字硬件并不轻松,摘要把“如何将脆弱的无平衡点(equilibrium-free)吸引子数字化”直接列为需要跨越的挑战:隐藏吸引子系统状态空间对数值实现敏感,硬件一侧又同时受吞吐率、逻辑资源和统计随机性约束。文章要给出的是一套从四维超混沌系统一路做到 FPGA 比特流的完整流程,并以 NIST 统计检验确认这条流程没有损失混沌复杂度。
做法
作者先构造带隐藏吸引子的四维超混沌系统 N4DHSHA,再对振子做动力学刻画:Lyapunov 指数谱、分岔图、吸引盆,以及 0–1 混沌检验;同时检验其线性拓扑可控性,手段是 DC 偏置提升(DC offset boosting)与幅度缩放(amplitude scaling),即在不改动动力学骨架的前提下平移或缩放输出。数字实现没有直接把单个映射量化,而是采用两级人工神经网络核:Predictor 层由 Log-Sigmoid 函数激活,Refiner 层由双曲正切 Sigmoid 函数激活,两层串联把连续状态转换成比特流。硬件为 Xilinx Virtex-6 FPGA,数值采用 32 位 IEEE-754 浮点标准;每个时钟周期从状态量中截取 18 位最低有效位(LSB)切片作为输出。评价分三条线:综合后的资源占用、实时吞吐率,以及 NIST SP 800-22 的 16 项子检验,判定门槛为 P 值大于 0.01。
结论
动力学侧,系统的最大 Lyapunov 指数(MLE)为 4.4662,并表现出强多稳态(multistability);DC 偏置提升与幅度缩放被报告为提供了线性拓扑可控性。硬件侧,设计在 139.714 MHz 工作频率下达到 139.714 Mbps 的实时吞吐,每时钟周期收集 18 位 LSB 切片;综合后资源占用为可用 slice register 的 63.69%、DSP48E1 的 3.13%。统计侧,生成的比特流通过 NIST SP 800-22 全部 16 项子检验,P 值均超过 0.01。作者据此判断,双核神经网络结构成功保留了超混沌复杂度,可作为安全通信与图像加密的熵源。
机制
摘要给出的因果链只有一环:双核 ANN 结构保留超混沌复杂度,比特流因此通过全部 NIST 子检验。也就是说,统计随机性被归因于“数字化过程没有损失混沌动力学”,而非依赖后处理掩盖。两级分工由激活函数区分:Predictor 用 Log-Sigmoid,Refiner 用 tanh-Sigmoid,层名点明了串联次序;但摘要没有展开两层各自的具体算法、训练方式或误差界,也没有给出它与单网络实现、定点实现之间的对照数据。
意义
对做硬件加密的读者,这篇文章给出的是一组可对照的指标,以及一条已经打通的链路:四维超混沌系统的动力学表征、32 位浮点实现的资源占比,以及可直接对标 NIST SP 800-22 的统计结果。63.69% 的 slice register 与 3.13% 的 DSP48E1 构成一份具体的资源占用记录。DC 偏置提升与幅度缩放被归入线性拓扑可控性,摘要未进一步说明这两项对应的应用场景。应用方向被明确指向安全通信与图像加密。

本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文

来源:Scientific Reports · nature.com