本發(fā)明涉及隨機(jī)數(shù)生成器技術(shù)領(lǐng)域，更具體地涉及一種評估隨機(jī)數(shù)生成器質(zhì)量的方法及裝置。

背景技術(shù)：

在各類計算機(jī)程序中，隨機(jī)數(shù)生成器(Random Number Generator,RNG)是一種被廣泛使用的模塊，其主要功能是產(chǎn)生一系列隨機(jī)數(shù)供計算機(jī)程序在各種情況下使用。這些生成的數(shù)被稱為偽隨機(jī)數(shù)，因?yàn)樗鼈兪峭ㄟ^某種算法計算得到的，并不真正地具備隨機(jī)性。

然而，不同的隨機(jī)數(shù)生成器的質(zhì)量并不相同。隨機(jī)數(shù)生成器的質(zhì)量可以通過其產(chǎn)生的隨機(jī)數(shù)序列的隨機(jī)性來衡量。顯然地，隨機(jī)數(shù)序列的隨機(jī)性越高，代表隨機(jī)數(shù)生成器的質(zhì)量越好。偽隨機(jī)數(shù)的隨機(jī)性是一種統(tǒng)計規(guī)律，其主要特征是每個數(shù)出現(xiàn)的可能性以及它和序列中其他數(shù)之間的相關(guān)性。如果能夠有效地計算偽隨機(jī)數(shù)的隨機(jī)性，則可以評估對應(yīng)的隨機(jī)數(shù)生成器的質(zhì)量。然而，目前尚缺乏計算偽隨機(jī)數(shù)的隨機(jī)性的方法。

技術(shù)實(shí)現(xiàn)要素：

考慮到上述問題而提出了本發(fā)明。根據(jù)本發(fā)明一方面，提供了一種評估隨機(jī)數(shù)生成器質(zhì)量的方法，所述方法包括：利用待評估的隨機(jī)數(shù)生成器產(chǎn)生多個隨機(jī)數(shù)序列；將所述多個隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)序列輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)，以對所述循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；利用訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)對所述多個隨機(jī)數(shù)序列中除所述部分隨機(jī)數(shù)序列以外的其余隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)進(jìn)行預(yù)測；以及根據(jù)所述預(yù)測的結(jié)果判定所述隨機(jī)數(shù)生成器的質(zhì)量。

在本發(fā)明的一個實(shí)施例中，所述利用訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)對所述多個隨機(jī)數(shù)序列中除所述部分隨機(jī)數(shù)序列以外的其余隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)進(jìn)行預(yù)測包括：對于所述其余隨機(jī)數(shù)序列中的每一個隨機(jī)數(shù)序列：將該隨機(jī)數(shù)序列中的前N-1個隨機(jī)數(shù)輸入至所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)，其中N為該隨機(jī)數(shù)序列中隨機(jī)數(shù)的數(shù)目，且N為大于1的自然數(shù)；以及基于所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測該隨機(jī)數(shù)序列中的最后一個隨機(jī)數(shù)。

在本發(fā)明的一個實(shí)施例中，所述根據(jù)所述預(yù)測的結(jié)果判定所述隨機(jī)數(shù)生成器的質(zhì)量包括：對于所述其余隨機(jī)數(shù)序列中的每一個隨機(jī)數(shù)序列，確定所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)對該隨機(jī)數(shù)序列中需預(yù)測的隨機(jī)數(shù)的預(yù)測結(jié)果是否錯誤；以及基于所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測錯誤的次數(shù)和所述其余隨機(jī)數(shù)序列的個數(shù)計算所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測的錯誤率，以作為所述隨機(jī)數(shù)生成器的質(zhì)量評估結(jié)果。

在本發(fā)明的一個實(shí)施例中，所述待評估的隨機(jī)數(shù)生成器產(chǎn)生的多個隨機(jī)數(shù)序列各自的序列長度不同。

在本發(fā)明的一個實(shí)施例中，所述部分隨機(jī)數(shù)序列的個數(shù)大于所述其余隨機(jī)數(shù)序列的個數(shù)。

在本發(fā)明的一個實(shí)施例中，所述循環(huán)神經(jīng)網(wǎng)絡(luò)為長短時記憶網(wǎng)絡(luò)。

根據(jù)本發(fā)明另一方面，提供了一種評估隨機(jī)數(shù)生成器質(zhì)量的裝置，所述裝置包括：神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，用于將待評估的隨機(jī)數(shù)生成器產(chǎn)生的多個隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)序列輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)，以對所述循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；隨機(jī)數(shù)預(yù)測模塊，用于利用訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)對所述多個隨機(jī)數(shù)序列中除所述部分隨機(jī)數(shù)序列以外的其余隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)進(jìn)行預(yù)測；以及質(zhì)量判定模塊，用于根據(jù)所述隨機(jī)數(shù)預(yù)測模塊的預(yù)測結(jié)果判定所述隨機(jī)數(shù)生成器的質(zhì)量。

在本發(fā)明的一個實(shí)施例中，所述隨機(jī)數(shù)預(yù)測模塊進(jìn)一步用于：對于所述其余隨機(jī)數(shù)序列中的每一個隨機(jī)數(shù)序列：將該隨機(jī)數(shù)序列中的前N-1個隨機(jī)數(shù)輸入至所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)，其中N為該隨機(jī)數(shù)序列中隨機(jī)數(shù)的數(shù)目，且N為大于1的自然數(shù)；以及基于所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測該隨機(jī)數(shù)序列中的最后一個隨機(jī)數(shù)。

在本發(fā)明的一個實(shí)施例中，所述質(zhì)量判定模塊進(jìn)一步用于：對于所述其余隨機(jī)數(shù)序列中的每一個隨機(jī)數(shù)序列，確定所述隨機(jī)數(shù)預(yù)測模塊對該隨機(jī)數(shù)序列中需預(yù)測的隨機(jī)數(shù)的預(yù)測結(jié)果是否錯誤；以及基于所述隨機(jī)數(shù)預(yù)測模塊預(yù)測錯誤的次數(shù)和所述其余隨機(jī)數(shù)序列的個數(shù)計算所述隨機(jī)數(shù)預(yù)測模塊進(jìn)行預(yù)測的錯誤率，以作為所述隨機(jī)數(shù)生成器的質(zhì)量評估結(jié)果。

在本發(fā)明的一個實(shí)施例中，所述待評估的隨機(jī)數(shù)生成器產(chǎn)生的多個隨機(jī)數(shù)序列各自的序列長度不同。

在本發(fā)明的一個實(shí)施例中，所述部分隨機(jī)數(shù)序列的個數(shù)大于所述其余隨機(jī)數(shù)序列的個數(shù)。

在本發(fā)明的一個實(shí)施例中，所述循環(huán)神經(jīng)網(wǎng)絡(luò)為長短時記憶網(wǎng)絡(luò)。

根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法及裝置基于循環(huán)神經(jīng)網(wǎng)絡(luò)對隨機(jī)數(shù)生成器所產(chǎn)生的隨機(jī)數(shù)序列的相關(guān)性進(jìn)行建模，從而可以利用循環(huán)神經(jīng)網(wǎng)絡(luò)對隨機(jī)數(shù)序列的相關(guān)性進(jìn)行估計，實(shí)現(xiàn)客觀、有效地評估隨機(jī)數(shù)生成器的質(zhì)量，因此能夠作為比較、選取和設(shè)計隨機(jī)數(shù)生成器的參考依據(jù)，對于文件加密和數(shù)據(jù)傳輸?shù)阮I(lǐng)域具有重要的價值。

附圖說明

通過結(jié)合附圖對本發(fā)明實(shí)施例進(jìn)行更詳細(xì)的描述，本發(fā)明的上述以及其它目的、特征和優(yōu)勢將變得更加明顯。附圖用來提供對本發(fā)明實(shí)施例的進(jìn)一步理解，并且構(gòu)成說明書的一部分，與本發(fā)明實(shí)施例一起用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的限制。在附圖中，相同的參考標(biāo)號通常代表相同部件或步驟。

圖1示出用于實(shí)現(xiàn)根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法和裝置的示例電子設(shè)備的示意性框圖；

圖2示出根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法的示意性流程圖；

圖3示出根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的裝置的示意性框圖；以及

圖4示出根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的系統(tǒng)的示意性框圖。

具體實(shí)施方式

為了使得本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更為明顯，下面將參照附圖詳細(xì)描述根據(jù)本發(fā)明的示例實(shí)施例。顯然，所描述的實(shí)施例僅僅是本發(fā)明的一部分實(shí)施例，而不是本發(fā)明的全部實(shí)施例，應(yīng)理解，本發(fā)明不受這里描述的示例實(shí)施例的限制?；诒景l(fā)明中描述的本發(fā)明實(shí)施例，本領(lǐng)域技術(shù)人員在沒有付出創(chuàng)造性勞動的情況下所得到的所有其它實(shí)施例都應(yīng)落入本發(fā)明的保護(hù)范圍之內(nèi)。

首先，參照圖1來描述用于實(shí)現(xiàn)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法和裝置的示例電子設(shè)備100。

如圖1所示，電子設(shè)備100包括一個或多個處理器102、一個或多個存儲裝置104、輸入裝置106以及輸出裝置108，這些組件通過總線系統(tǒng)110和/或其它形式的連接機(jī)構(gòu)(未示出)互連。應(yīng)當(dāng)注意，圖1所示的電子設(shè)備100的組件和結(jié)構(gòu)只是示例性的，而非限制性的，根據(jù)需要，所述電子設(shè)備也可以具有其他組件和結(jié)構(gòu)。

所述處理器102可以是中央處理單元(CPU)或者具有數(shù)據(jù)處理能力和/或指令執(zhí)行能力的其它形式的處理單元，并且可以控制所述電子設(shè)備100中的其它組件以執(zhí)行期望的功能。

所述存儲裝置104可以包括一個或多個計算機(jī)程序產(chǎn)品，所述計算機(jī)程序產(chǎn)品可以包括各種形式的計算機(jī)可讀存儲介質(zhì)，例如易失性存儲器和/或非易失性存儲器。所述易失性存儲器例如可以包括隨機(jī)存取存儲器(RAM)和/或高速緩沖存儲器(cache)等。所述非易失性存儲器例如可以包括只讀存儲器(ROM)、硬盤、閃存等。在所述計算機(jī)可讀存儲介質(zhì)上可以存儲一個或多個計算機(jī)程序指令，處理器102可以運(yùn)行所述程序指令，以實(shí)現(xiàn)下文所述的本發(fā)明實(shí)施例中(由處理器實(shí)現(xiàn))的客戶端功能以及/或者其它期望的功能。在所述計算機(jī)可讀存儲介質(zhì)中還可以存儲各種應(yīng)用程序和各種數(shù)據(jù)，例如所述應(yīng)用程序使用和/或產(chǎn)生的各種數(shù)據(jù)等。

所述輸入裝置106可以是用戶用來輸入指令的裝置，并且可以包括鍵盤、鼠標(biāo)、麥克風(fēng)和觸摸屏等中的一個或多個。

所述輸出裝置108可以向外部(例如用戶)輸出各種信息(例如圖像或聲音)，并且可以包括顯示器、揚(yáng)聲器等中的一個或多個。

示例性地，用于實(shí)現(xiàn)根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法和裝置的示例電子設(shè)備可以被實(shí)現(xiàn)為諸如智能手機(jī)、平板電腦等。

下面，將參考圖2描述根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法200。

在步驟S210，利用待評估的隨機(jī)數(shù)生成器產(chǎn)生多個隨機(jī)數(shù)序列。

在一個實(shí)施例中，假設(shè)待評估的隨機(jī)數(shù)生成器為G。隨機(jī)數(shù)生成器G所產(chǎn)生的隨機(jī)數(shù)為偽隨機(jī)數(shù)，但按照行業(yè)慣例，下文中還是稱為隨機(jī)數(shù)。隨機(jī)數(shù)生成器G所產(chǎn)生的隨機(jī)數(shù)可以是隨機(jī)整數(shù)，也可以是浮點(diǎn)數(shù)。為了簡單，下面以隨機(jī)整數(shù)為例來描述。

在一個示例中，隨機(jī)數(shù)生成器G所產(chǎn)生的隨機(jī)數(shù)的取值范圍為[0,M]。示例性地，M為正整數(shù)，例如M的取值可以為32767、65535或其他任何合適的數(shù)值。每次調(diào)用G，會得到一個位于區(qū)間[0,M]內(nèi)的隨機(jī)數(shù)；連續(xù)多次調(diào)用G，則會得到一個隨機(jī)數(shù)序列。因此，可以通過調(diào)用G，構(gòu)造多個隨機(jī)數(shù)序列。

應(yīng)了解，本發(fā)明不受具體采用的隨機(jī)數(shù)生成器的限制，無論是現(xiàn)有的隨機(jī)數(shù)生成器還是將來開發(fā)的隨機(jī)數(shù)生成器，都可以應(yīng)用于根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法中，并且也應(yīng)包括在本發(fā)明的保護(hù)范圍內(nèi)。

在步驟S220，將所述多個隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)序列輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)，以對所述循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

在一個實(shí)施例中，利用待評估的隨機(jī)數(shù)生成器產(chǎn)生多個隨機(jī)數(shù)序列可以包括利用待評估的隨機(jī)數(shù)生成器產(chǎn)生兩組隨機(jī)數(shù)序列，每組隨機(jī)數(shù)序列包括一定數(shù)目的隨機(jī)數(shù)序列。對于這兩組隨機(jī)數(shù)序列，其中的一組隨機(jī)數(shù)序列(即前述的多個隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)序列)可以用于步驟S220中對循環(huán)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，另一組隨機(jī)數(shù)序列(即多個隨機(jī)數(shù)序列中除所述部分隨機(jī)數(shù)序列以外的其余隨機(jī)數(shù)序列)可以用于步驟S220以后要討論的預(yù)測步驟，關(guān)于其應(yīng)用稍后會詳細(xì)討論。

在一個示例中，用于訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)的隨機(jī)數(shù)序列的個數(shù)可以大于用于后續(xù)預(yù)測的隨機(jī)數(shù)序列的個數(shù)，這樣，采用更多的隨機(jī)數(shù)序列進(jìn)行訓(xùn)練可提高所訓(xùn)練出的模型的精確度。此外，用于訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)的隨機(jī)數(shù)序列的具體個數(shù)可以結(jié)合訓(xùn)練需要、計算復(fù)雜度、計算性能等各種因素而設(shè)置，用于后續(xù)預(yù)測的隨機(jī)數(shù)序列的個數(shù)可以根據(jù)對隨機(jī)數(shù)生成器的質(zhì)量評估精度需求等因素而設(shè)置，本發(fā)明對這兩部分隨機(jī)數(shù)序列的具體個數(shù)不作限定，也不限定這兩者之間的關(guān)系。

接著上面的示例，可以通過調(diào)用待評估的隨機(jī)數(shù)生成器G產(chǎn)生第一組隨機(jī)數(shù)序列S₁，有其中T₁為S₁中隨機(jī)數(shù)序列的數(shù)目。在一個示例中，T₁的典型值為10⁶。在其他示例中，T₁也可以選取其他合適的值。Χ_m,m∈[1,T₁]代表該組隨機(jī)數(shù)序列S₁中的一個隨機(jī)數(shù)序列。L(Χ_m)為隨機(jī)數(shù)序列Χ_m的序列長度，即隨機(jī)數(shù)序列Χ_m中所包括的隨機(jī)數(shù)的個數(shù)。在一個示例中，L(Χ_m)可以與待評估的隨機(jī)數(shù)生成器G產(chǎn)生的隨機(jī)數(shù)的取值范圍相關(guān)。例如，L(Χ_m)是區(qū)間內(nèi)的隨機(jī)整數(shù)，其中符號代表下取整操作。在其他示例中，L(Χ_m)也可以取任何其他合適的值。

同樣地，可以通過調(diào)用待評估的隨機(jī)數(shù)生成器G產(chǎn)生第二組隨機(jī)數(shù)序列S₂，有S₂＝{Y₁,Y₂,...,Y_T2}，其中T₂為S₂中隨機(jī)數(shù)序列的數(shù)目。例如，T₂的典型值為10⁵。在其他示例中，T₂也可以選取其他合適的值。Y_n,n∈[1,T₂]代表該組隨機(jī)數(shù)序列S₂中的一個隨機(jī)數(shù)序列。L(Y_n)為隨機(jī)數(shù)序列Y_n的序列長度，即隨機(jī)數(shù)序列Y_n中所包括的隨機(jī)數(shù)的個數(shù)。在一個示例中，L(Y_n)可以與待評估的隨機(jī)數(shù)生成器G產(chǎn)生的隨機(jī)數(shù)的取值范圍相關(guān)。例如，L(Y_n)是區(qū)間內(nèi)的隨機(jī)整數(shù)，其中符號代表下取整操作。在其他示例中，L(Y_n)也可以取任何其他合適的值。

如上所述，可以將上述第一組隨機(jī)數(shù)序列S₁輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)，以對所述循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。其中，對循環(huán)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練可以包括對循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計、以及對設(shè)計好的循環(huán)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。下面示例性地描述循環(huán)神經(jīng)網(wǎng)絡(luò)的設(shè)計和訓(xùn)練過程。

在一個示例中，首先設(shè)計循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。示例性地，循環(huán)神經(jīng)網(wǎng)絡(luò)可以包括若干數(shù)目的網(wǎng)絡(luò)層數(shù)(例如4層或其他合適數(shù)目的網(wǎng)絡(luò)層)。示例性地，循環(huán)神經(jīng)網(wǎng)絡(luò)可以采用長短時記憶(Long-Short Term Memory,LSTM)作為基本單元。在一個示例中，循環(huán)神經(jīng)網(wǎng)絡(luò)可包括一定數(shù)目的隱含層節(jié)點(diǎn)(例如512或其他合適數(shù)目)。此外，在一個示例中，為了防止模型過擬合，可對于每一隱含層可執(zhí)行一定概率(例如0.5或其他合適的概率)的丟棄(dropout)操作。上面僅示例性地描述了循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，還可以采用任何其他合適的結(jié)構(gòu)。在一個具體示例中，所設(shè)計的循環(huán)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層數(shù)為4層，采用長短時記憶作為基本單元，隱含層節(jié)點(diǎn)的數(shù)目為512，對于每一層執(zhí)行概率為0.5的丟棄(dropout)操作。實(shí)驗(yàn)表明，采用該具體結(jié)構(gòu)的循環(huán)神經(jīng)網(wǎng)絡(luò)可以在網(wǎng)絡(luò)結(jié)構(gòu)相對比較簡單的情況下保證對隨機(jī)數(shù)生成器的質(zhì)量的判斷的準(zhǔn)確性。

然后，將上述第一組隨機(jī)數(shù)序列S₁輸入至設(shè)計好的循環(huán)神經(jīng)網(wǎng)絡(luò)，對該循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在訓(xùn)練過程中，示例性地，每一次迭代時從S₁中隨機(jī)選取一個序列送入循環(huán)神經(jīng)網(wǎng)絡(luò)，示例性地，訓(xùn)練過程迭代次2T₁后終止，最終得到模型R。

上述第二組隨機(jī)數(shù)序列S₂可以用于接下來將描述的步驟。

在步驟S230，利用訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)對所述多個隨機(jī)數(shù)序列中除所述部分隨機(jī)數(shù)序列以外的其余隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)進(jìn)行預(yù)測。

在一個實(shí)施例中，步驟S230可以進(jìn)一步包括：對于所述其余隨機(jī)數(shù)序列中的每一個隨機(jī)數(shù)序列：將該隨機(jī)數(shù)序列中的前N-1個隨機(jī)數(shù)輸入至所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)，其中N為該隨機(jī)數(shù)序列中隨機(jī)數(shù)的數(shù)目，且N為大于1的自然數(shù)；以及基于所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測該隨機(jī)數(shù)序列中的最后一個隨機(jī)數(shù)。

例如，接著上面的示例，可以利用訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)對上述第二組隨機(jī)數(shù)序列S₂中的部分隨機(jī)數(shù)進(jìn)行預(yù)測。示例性地，該預(yù)測過程可以包括：對于S₂中的每一個隨機(jī)數(shù)序列Y_n,n∈[1,T₂]，將隨機(jī)數(shù)序列Y_n中的前L(Y_n)-1個隨機(jī)數(shù)依次輸入訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)模型R中，基于訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測隨機(jī)數(shù)序列Y_n中的最后一個隨機(jī)數(shù)。例如，經(jīng)過預(yù)測，得到預(yù)測的結(jié)果p_n，p_n即為循環(huán)神經(jīng)網(wǎng)絡(luò)模型R所預(yù)測的、隨機(jī)數(shù)序列Y_n中的最后一個隨機(jī)數(shù)的最有可能的結(jié)果。

在該實(shí)施例中，基于隨機(jī)數(shù)序列中除最后一個隨機(jī)數(shù)以外的所有隨機(jī)數(shù)來預(yù)測最后一個隨機(jī)數(shù)，實(shí)現(xiàn)簡單，易于統(tǒng)計結(jié)果，使得后面將描述的步驟S240的操作也更為簡單，且結(jié)果可靠。當(dāng)然，步驟S230中所進(jìn)行的預(yù)測也可以采用其他的方式，本發(fā)明不限定具體輸入到訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)的隨機(jī)數(shù)的個數(shù)和需要預(yù)測的隨機(jī)數(shù)的個數(shù)，也不限定它們兩者之間的關(guān)系。

在步驟S240，根據(jù)所述預(yù)測的結(jié)果判定所述隨機(jī)數(shù)生成器的質(zhì)量。

在一個實(shí)施例中，步驟S240可以進(jìn)一步包括：對于所述其余隨機(jī)數(shù)序列中的每一個隨機(jī)數(shù)序列，確定所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)對該隨機(jī)數(shù)序列中需預(yù)測的隨機(jī)數(shù)的預(yù)測結(jié)果是否錯誤；以及基于所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測錯誤的次數(shù)和所述其余隨機(jī)數(shù)序列的個數(shù)計算所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測的錯誤率，以作為所述隨機(jī)數(shù)生成器的質(zhì)量評估結(jié)果。

例如，接著上面的示例，對于S₂中的每一個隨機(jī)數(shù)序列Y_n，可以將模型R所預(yù)測的結(jié)果p_n與Y_n中的最后一個隨機(jī)數(shù)進(jìn)行比對，若二者相等，則確定為預(yù)測正確，否則確定為預(yù)測錯誤。然后統(tǒng)計對于T₂個隨機(jī)數(shù)序列，模型R預(yù)測錯誤的次數(shù)E，可計算模型預(yù)測錯誤的概率δ'＝E/T₂，該錯誤率可以作為隨機(jī)數(shù)生成器G的質(zhì)量評估結(jié)果。

類似地，也可以統(tǒng)計對于T₂個隨機(jī)數(shù)序列，模型R預(yù)測正確的次數(shù)C，則模型R預(yù)測正確的概率為δ＝C/T₂，可將隨機(jī)數(shù)生成器G的質(zhì)量定義為：Ψ(G)＝1-δ，則可將Ψ(G)返回，作為隨機(jī)數(shù)生成器G的質(zhì)量評估結(jié)果。

如上所述，步驟S230中所進(jìn)行的預(yù)測也可以采用其他的方式，基于步驟S230中所采用的預(yù)測方式的不同，步驟S240中可以采用相應(yīng)的方式來判定隨機(jī)數(shù)生成器的質(zhì)量，本發(fā)明也不限定根據(jù)預(yù)測結(jié)果判定隨機(jī)數(shù)生成器的質(zhì)量的具體方式?？傊?，如果循環(huán)神經(jīng)網(wǎng)絡(luò)可以以較高的概率根據(jù)已知序列預(yù)測接下來的隨機(jī)數(shù)，則說明隨機(jī)數(shù)生成器的質(zhì)量較低；反之，則說明隨機(jī)數(shù)生成器的質(zhì)量較高。

基于上面的描述，根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法基于循環(huán)神經(jīng)網(wǎng)絡(luò)對隨機(jī)數(shù)生成器所產(chǎn)生的隨機(jī)數(shù)序列的相關(guān)性進(jìn)行建模，從而可以利用循環(huán)神經(jīng)網(wǎng)絡(luò)對隨機(jī)數(shù)序列的相關(guān)性進(jìn)行估計，實(shí)現(xiàn)客觀、有效地評估隨機(jī)數(shù)生成器的質(zhì)量，不僅精度高，而且可擴(kuò)展性強(qiáng)，能夠作為比較、選取和設(shè)計隨機(jī)數(shù)生成器的參考依據(jù)，對于文件加密和數(shù)據(jù)傳輸?shù)阮I(lǐng)域具有重要的價值。

示例性地，根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法可以在具有存儲器和處理器的設(shè)備、裝置或者系統(tǒng)中實(shí)現(xiàn)。

根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法可以部署在個人終端處，諸如智能電話、平板電腦、個人計算機(jī)等。替代地，根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法還可以部署在服務(wù)器端(或云端)。替代地，根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法還可以分布地部署在服務(wù)器端(或云端)和個人終端處。

下面結(jié)合圖3描述本發(fā)明另一方面提供的評估隨機(jī)數(shù)生成器質(zhì)量的裝置。圖3示出了根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的裝置300的示意性框圖。

如圖3所示，根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的裝置300包括神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊310、隨機(jī)數(shù)預(yù)測模塊320以及質(zhì)量判定模塊330。所述各個模塊可分別執(zhí)行上文中結(jié)合圖2描述的評估隨機(jī)數(shù)生成器質(zhì)量的方法的各個步驟/功能。以下僅對評估隨機(jī)數(shù)生成器質(zhì)量的裝置300的各單元的主要功能進(jìn)行描述，而省略以上已經(jīng)描述過的細(xì)節(jié)內(nèi)容。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊310用于將待評估的隨機(jī)數(shù)生成器產(chǎn)生的多個隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)序列輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)，以對所述循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。隨機(jī)數(shù)預(yù)測模塊320用于利用訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)對所述多個隨機(jī)數(shù)序列中除所述部分隨機(jī)數(shù)序列以外的其余隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)進(jìn)行預(yù)測。質(zhì)量判定模塊330用于根據(jù)所述隨機(jī)數(shù)預(yù)測模塊的預(yù)測結(jié)果判定所述隨機(jī)數(shù)生成器的質(zhì)量。神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊310、隨機(jī)數(shù)預(yù)測模塊320以及質(zhì)量判定模塊330均可以由圖1所示的電子設(shè)備中的處理器102運(yùn)行存儲裝置104中存儲的程序指令來實(shí)現(xiàn)。

在一個實(shí)施例中，假設(shè)待評估的隨機(jī)數(shù)生成器為G。隨機(jī)數(shù)生成器G所產(chǎn)生的隨機(jī)數(shù)為偽隨機(jī)數(shù)，但按照行業(yè)慣例，下文中還是稱為隨機(jī)數(shù)。隨機(jī)數(shù)生成器G所產(chǎn)生的隨機(jī)數(shù)可以是隨機(jī)整數(shù)，也可以是浮點(diǎn)數(shù)。為了簡單，下面以隨機(jī)整數(shù)為例來描述。。

在一個示例中，隨機(jī)數(shù)生成器G所產(chǎn)生的隨機(jī)數(shù)的取值范圍為[0,M]。示例性地，M為正整數(shù)，例如M的取值可以為32767、65535或其他任何合適的數(shù)值。每次調(diào)用G，會得到一個位于區(qū)間[0,M]內(nèi)的隨機(jī)數(shù)；連續(xù)多次調(diào)用G，則會得到一個隨機(jī)數(shù)序列。因此，可以通過調(diào)用G，構(gòu)造多個隨機(jī)數(shù)序列。

應(yīng)了解，本發(fā)明不受具體采用的隨機(jī)數(shù)生成器的限制，無論是現(xiàn)有的隨機(jī)數(shù)生成器還是將來開發(fā)的隨機(jī)數(shù)生成器，都可以應(yīng)用于根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的裝置中，并且也應(yīng)包括在本發(fā)明的保護(hù)范圍內(nèi)。

如上所述，神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊310可以采用隨機(jī)數(shù)生成器為G所產(chǎn)生的多個隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)序列用于對循環(huán)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，而隨機(jī)數(shù)生成器為G所產(chǎn)生的多個隨機(jī)數(shù)序列中除該部分隨機(jī)數(shù)序列以外的其他隨機(jī)數(shù)序列用于由隨機(jī)數(shù)預(yù)測模塊320采用用于對隨機(jī)數(shù)進(jìn)行預(yù)測。

在一個示例中，可以利用待評估的隨機(jī)數(shù)生成器產(chǎn)生兩組隨機(jī)數(shù)序列，每組隨機(jī)數(shù)序列包括一定數(shù)目的隨機(jī)數(shù)序列。對于這兩組隨機(jī)數(shù)序列，其中的一組隨機(jī)數(shù)序列(即前述的多個隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)序列)可以由神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊310使用，以用于對循環(huán)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，另一組隨機(jī)數(shù)序列(即多個隨機(jī)數(shù)序列中除所述部分隨機(jī)數(shù)序列以外的其余隨機(jī)數(shù)序列)可以由隨機(jī)數(shù)預(yù)測模塊320采用，以用于對隨機(jī)數(shù)進(jìn)行預(yù)測。

在一個示例中，用于訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)的隨機(jī)數(shù)序列的個數(shù)可以大于用于后續(xù)預(yù)測的隨機(jī)數(shù)序列的個數(shù)，這樣，采用更多的隨機(jī)數(shù)序列進(jìn)行訓(xùn)練可提高所訓(xùn)練出的模型的精確度。此外，用于訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)的隨機(jī)數(shù)序列的具體個數(shù)可以結(jié)合訓(xùn)練需要、計算復(fù)雜度、計算性能等各種因素而設(shè)置，用于后續(xù)預(yù)測的隨機(jī)數(shù)序列的個數(shù)可以根據(jù)對隨機(jī)數(shù)生成器的質(zhì)量評估精度需求等因素而設(shè)置，本發(fā)明對這兩部分隨機(jī)數(shù)序列的具體個數(shù)不作限定，也不限定這兩者之間的關(guān)系。

接著上面的示例，可以通過調(diào)用待評估的隨機(jī)數(shù)生成器G產(chǎn)生第一組隨機(jī)數(shù)序列S₁，有其中T₁為S₁中隨機(jī)數(shù)序列的數(shù)目。在一個示例中，T₁的典型值為10⁶。在其他示例中，T₁也可以選取其他合適的值。Χ_m,m∈[1,T₁]代表該組隨機(jī)數(shù)序列S₁中的一個隨機(jī)數(shù)序列。L(Χ_m)為隨機(jī)數(shù)序列Χ_m的序列長度，即隨機(jī)數(shù)序列Χ_m中所包括的隨機(jī)數(shù)的個數(shù)。在一個示例中，L(Χ_m)可以與待評估的隨機(jī)數(shù)生成器G產(chǎn)生的隨機(jī)數(shù)的取值范圍相關(guān)。例如，L(Χ_m)是區(qū)間內(nèi)的隨機(jī)整數(shù)，其中符號代表下取整操作。在其他示例中，L(Χ_m)也可以取任何其他合適的值。

同樣地，可以通過調(diào)用待評估的隨機(jī)數(shù)生成器G產(chǎn)生第二組隨機(jī)數(shù)序列S₂，有S₂＝{Y₁,Y₂,...,Y_T2}，其中T₂為S₂中隨機(jī)數(shù)序列的數(shù)目。例如，T₂的典型值為10⁵。在其他示例中，T₂也可以選取其他合適的值。Y_n,n∈[1,T₂]代表該組隨機(jī)數(shù)序列S₂中的一個隨機(jī)數(shù)序列。L(Y_n)為隨機(jī)數(shù)序列Y_n的序列長度，即隨機(jī)數(shù)序列Y_n中所包括的隨機(jī)數(shù)的個數(shù)。在一個示例中，L(Y_n)可以與待評估的隨機(jī)數(shù)生成器G產(chǎn)生的隨機(jī)數(shù)的取值范圍相關(guān)。例如，L(Y_n)是區(qū)間內(nèi)的隨機(jī)整數(shù)，其中符號代表下取整操作。在其他示例中，L(Y_n)也可以取任何其他合適的值。

如上所述，神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊310可以將上述第一組隨機(jī)數(shù)序列S₁輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)，以對所述循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。其中，對循環(huán)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練可以包括對循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計、以及對設(shè)計好的循環(huán)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。下面示例性地描述循環(huán)神經(jīng)網(wǎng)絡(luò)的設(shè)計和訓(xùn)練過程。

在一個示例中，首先設(shè)計循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。示例性地，循環(huán)神經(jīng)網(wǎng)絡(luò)可以包括若干數(shù)目的網(wǎng)絡(luò)層數(shù)(例如4層或其他合適數(shù)目的網(wǎng)絡(luò)層)。示例性地，循環(huán)神經(jīng)網(wǎng)絡(luò)可以采用長短時記憶(Long-Short Term Memory,LSTM)作為基本單元。在一個示例中，循環(huán)神經(jīng)網(wǎng)絡(luò)可包括一定數(shù)目的隱含層節(jié)點(diǎn)(例如512或其他合適數(shù)目)。此外，在一個示例中，為了防止模型過擬合，可對于每一隱含層可執(zhí)行一定概率(例如0.5或其他合適的概率)的丟棄(dropout)操作。上面僅示例性地描述了循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，還可以采用任何其他合適的結(jié)構(gòu)。

然后，將上述第一組隨機(jī)數(shù)序列S₁輸入至設(shè)計好的循環(huán)神經(jīng)網(wǎng)絡(luò)。在訓(xùn)練過程中，示例性地，每一次迭代時從S₁中隨機(jī)選取一個序列送入循環(huán)神經(jīng)網(wǎng)絡(luò)，示例性地，訓(xùn)練過程迭代次2T₁后終止，最終得到模型R。

利用訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)，隨機(jī)數(shù)預(yù)測模塊320對上述多個隨機(jī)數(shù)序列中除所述部分隨機(jī)數(shù)序列以外的其余隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)進(jìn)行預(yù)測。在一個實(shí)施例中，隨機(jī)數(shù)預(yù)測模塊320可以進(jìn)一步用于：對于所述其余隨機(jī)數(shù)序列中的每一個隨機(jī)數(shù)序列：將該隨機(jī)數(shù)序列中的前N-1個隨機(jī)數(shù)輸入至所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)，其中N為該隨機(jī)數(shù)序列中隨機(jī)數(shù)的數(shù)目，且N為大于1的自然數(shù)；以及基于所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測該隨機(jī)數(shù)序列中的最后一個隨機(jī)數(shù)。

例如，接著上面的示例，隨機(jī)數(shù)預(yù)測模塊320可以利用訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)對上述第二組隨機(jī)數(shù)序列S₂中的部分隨機(jī)數(shù)進(jìn)行預(yù)測。示例性地，隨機(jī)數(shù)預(yù)測模塊320進(jìn)行的預(yù)測過程可以包括：對于S₂中的每一個隨機(jī)數(shù)序列Y_n,n∈[1,T₂]，將隨機(jī)數(shù)序列Y_n中的前L(Y_n)-1個隨機(jī)數(shù)依次輸入訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)模型R中，基于訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測隨機(jī)數(shù)序列Y_n中的最后一個隨機(jī)數(shù)。例如，經(jīng)過預(yù)測，得到預(yù)測的結(jié)果p_n，p_n即為循環(huán)神經(jīng)網(wǎng)絡(luò)模型R所預(yù)測的、隨機(jī)數(shù)序列Y_n中的最后一個隨機(jī)數(shù)的最有可能的結(jié)果。

在該實(shí)施例中，隨機(jī)數(shù)預(yù)測模塊320基于隨機(jī)數(shù)序列中除最后一個隨機(jī)數(shù)以外的所有隨機(jī)數(shù)來預(yù)測最后一個隨機(jī)數(shù)，實(shí)現(xiàn)簡單，易于統(tǒng)計結(jié)果，使得后面質(zhì)量判定模塊330的操作也更為簡單，且結(jié)果可靠。當(dāng)然，隨機(jī)數(shù)預(yù)測模塊320所進(jìn)行的預(yù)測也可以采用其他的方式，本發(fā)明不限定具體輸入到訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)的隨機(jī)數(shù)的個數(shù)和需要預(yù)測的隨機(jī)數(shù)的個數(shù)，也不限定它們兩者之間的關(guān)系。

質(zhì)量判定模塊330根據(jù)隨機(jī)數(shù)預(yù)測模塊320預(yù)測的結(jié)果判定所述隨機(jī)數(shù)生成器的質(zhì)量。在一個實(shí)施例中，質(zhì)量判定模塊330可以進(jìn)一步用于：對于所述其余隨機(jī)數(shù)序列中的每一個隨機(jī)數(shù)序列，確定所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)對該隨機(jī)數(shù)序列中需預(yù)測的隨機(jī)數(shù)的預(yù)測結(jié)果是否錯誤；以及基于所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測錯誤的次數(shù)和所述其余隨機(jī)數(shù)序列的個數(shù)計算所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測的錯誤率，以作為所述隨機(jī)數(shù)生成器的質(zhì)量評估結(jié)果。

例如，接著上面的示例，質(zhì)量判定模塊330對于S₂中的每一個隨機(jī)數(shù)序列Y_n，可以將模型R所預(yù)測的結(jié)果p_n與Y_n中的最后一個隨機(jī)數(shù)進(jìn)行比對，若二者相等，則確定為預(yù)測正確，否則確定為預(yù)測錯誤。然后質(zhì)量判定模塊330統(tǒng)計對于T₂個隨機(jī)數(shù)序列，模型R預(yù)測錯誤的次數(shù)E，可計算模型預(yù)測錯誤的概率δ'＝E/T₂，該錯誤率可以作為隨機(jī)數(shù)生成器G的質(zhì)量評估結(jié)果。

類似地，質(zhì)量判定模塊330也可以統(tǒng)計對于T₂個隨機(jī)數(shù)序列，模型R預(yù)測正確的次數(shù)C，則模型R預(yù)測正確的概率為δ＝C/T₂，可將隨機(jī)數(shù)生成器G的質(zhì)量定義為：Ψ(G)＝1-δ，則質(zhì)量判定模塊330可將Ψ(G)返回，作為隨機(jī)數(shù)生成器G的質(zhì)量評估結(jié)果。

如上所述，隨機(jī)數(shù)預(yù)測模塊320所進(jìn)行的預(yù)測也可以采用其他的方式，基于隨機(jī)數(shù)預(yù)測模塊320所采用的預(yù)測方式的不同，質(zhì)量判定模塊330可以采用相應(yīng)的方式來判定隨機(jī)數(shù)生成器的質(zhì)量，本發(fā)明也不限定質(zhì)量判定模塊330根據(jù)預(yù)測結(jié)果判定隨機(jī)數(shù)生成器的質(zhì)量的具體方式?？傊绻h(huán)神經(jīng)網(wǎng)絡(luò)可以以較高的概率根據(jù)已知序列預(yù)測接下來的隨機(jī)數(shù)，則說明隨機(jī)數(shù)生成器的質(zhì)量較低；反之，則說明隨機(jī)數(shù)生成器的質(zhì)量較高。

基于上面的描述，根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的裝置基于循環(huán)神經(jīng)網(wǎng)絡(luò)對隨機(jī)數(shù)生成器所產(chǎn)生的隨機(jī)數(shù)序列的相關(guān)性進(jìn)行建模，從而可以利用循環(huán)神經(jīng)網(wǎng)絡(luò)對隨機(jī)數(shù)序列的相關(guān)性進(jìn)行估計，實(shí)現(xiàn)客觀、有效地評估隨機(jī)數(shù)生成器的質(zhì)量，不僅精度高，而且可擴(kuò)展性強(qiáng)，能夠作為比較、選取和設(shè)計隨機(jī)數(shù)生成器的參考依據(jù)，對于文件加密和數(shù)據(jù)傳輸?shù)阮I(lǐng)域具有重要的價值。

圖4示出了根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的系統(tǒng)400的示意性框圖。評估隨機(jī)數(shù)生成器質(zhì)量的系統(tǒng)400包括存儲裝置410以及處理器420。

其中，存儲裝置410存儲用于實(shí)現(xiàn)根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法中的相應(yīng)步驟的程序代碼。處理器420用于運(yùn)行存儲裝置410中存儲的程序代碼，以執(zhí)行根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法的相應(yīng)步驟，并且用于實(shí)現(xiàn)根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的裝置中的相應(yīng)模塊。

在一個實(shí)施例中，在所述程序代碼被處理器420運(yùn)行時使得評估隨機(jī)數(shù)生成器質(zhì)量的系統(tǒng)400執(zhí)行以下步驟：利用待評估的隨機(jī)數(shù)生成器產(chǎn)生多個隨機(jī)數(shù)序列；將所述多個隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)序列輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)，以對所述循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；利用訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)對所述多個隨機(jī)數(shù)序列中除所述部分隨機(jī)數(shù)序列以外的其余隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)進(jìn)行預(yù)測；以及根據(jù)所述預(yù)測的結(jié)果判定所述隨機(jī)數(shù)生成器的質(zhì)量。

在一個示例中，所述利用訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)對所述多個隨機(jī)數(shù)序列中除所述部分隨機(jī)數(shù)序列以外的其余隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)進(jìn)行預(yù)測包括：對于所述其余隨機(jī)數(shù)序列中的每一個隨機(jī)數(shù)序列：將該隨機(jī)數(shù)序列中的前N-1個隨機(jī)數(shù)輸入至所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)，其中N為該隨機(jī)數(shù)序列中隨機(jī)數(shù)的數(shù)目，且N為大于1的自然數(shù)；以及基于所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測該隨機(jī)數(shù)序列中的最后一個隨機(jī)數(shù)。

在一個示例中，所述根據(jù)所述預(yù)測的結(jié)果判定所述隨機(jī)數(shù)生成器的質(zhì)量包括：對于所述其余隨機(jī)數(shù)序列中的每一個隨機(jī)數(shù)序列，確定所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)對該隨機(jī)數(shù)序列中需預(yù)測的隨機(jī)數(shù)的預(yù)測結(jié)果是否錯誤；以及基于所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測錯誤的次數(shù)和所述其余隨機(jī)數(shù)序列的個數(shù)計算所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測的錯誤率，以作為所述隨機(jī)數(shù)生成器的質(zhì)量評估結(jié)果。

在一個示例中，所述待評估的隨機(jī)數(shù)生成器產(chǎn)生的多個隨機(jī)數(shù)序列各自的序列長度不同。

在一個示例中，所述部分隨機(jī)數(shù)序列的個數(shù)大于所述其余隨機(jī)數(shù)序列的個數(shù)。

在一個示例中，所述循環(huán)神經(jīng)網(wǎng)絡(luò)為長短時記憶網(wǎng)絡(luò)。

此外，根據(jù)本發(fā)明實(shí)施例，還提供了一種存儲介質(zhì)，在所述存儲介質(zhì)上存儲了程序指令，在所述程序指令被計算機(jī)或處理器運(yùn)行時用于執(zhí)行本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法的相應(yīng)步驟，并且用于實(shí)現(xiàn)根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的裝置中的相應(yīng)模塊。所述存儲介質(zhì)例如可以包括智能電話的存儲卡、平板電腦的存儲部件、個人計算機(jī)的硬盤、只讀存儲器(ROM)、可擦除可編程只讀存儲器(EPROM)、便攜式緊致盤只讀存儲器(CD-ROM)、USB存儲器、或者上述存儲介質(zhì)的任意組合。所述計算機(jī)可讀存儲介質(zhì)可以是一個或多個計算機(jī)可讀存儲介質(zhì)的任意組合，例如一個計算機(jī)可讀存儲介質(zhì)包含產(chǎn)生隨機(jī)數(shù)序列的計算機(jī)可讀的程序代碼，另一個計算機(jī)可讀存儲介質(zhì)包含訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)的計算機(jī)可讀的程序代碼，又一個計算機(jī)可讀存儲介質(zhì)包含預(yù)測隨機(jī)數(shù)的計算機(jī)可讀的程序代碼，再一個計算機(jī)可讀存儲介質(zhì)包含判定隨機(jī)數(shù)生成器質(zhì)量的計算機(jī)可讀的程序代碼。

在一個實(shí)施例中，所述計算機(jī)程序指令在被計算機(jī)運(yùn)行時可以實(shí)現(xiàn)根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的裝置的各個功能模塊，并且/或者可以執(zhí)行根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法。

在一個實(shí)施例中，所述計算機(jī)程序指令在被計算機(jī)或處理器運(yùn)行時使計算機(jī)或處理器執(zhí)行以下步驟：利用待評估的隨機(jī)數(shù)生成器產(chǎn)生多個隨機(jī)數(shù)序列；將所述多個隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)序列輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)，以對所述循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；利用訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)對所述多個隨機(jī)數(shù)序列中除所述部分隨機(jī)數(shù)序列以外的其余隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)進(jìn)行預(yù)測；以及根據(jù)所述預(yù)測的結(jié)果判定所述隨機(jī)數(shù)生成器的質(zhì)量。

在一個示例中，所述利用訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)對所述多個隨機(jī)數(shù)序列中除所述部分隨機(jī)數(shù)序列以外的其余隨機(jī)數(shù)序列中的部分隨機(jī)數(shù)進(jìn)行預(yù)測包括：對于所述其余隨機(jī)數(shù)序列中的每一個隨機(jī)數(shù)序列：將該隨機(jī)數(shù)序列中的前N-1個隨機(jī)數(shù)輸入至所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)，其中N為該隨機(jī)數(shù)序列中隨機(jī)數(shù)的數(shù)目，且N為大于1的自然數(shù)；以及基于所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測該隨機(jī)數(shù)序列中的最后一個隨機(jī)數(shù)。

在一個示例中，所述根據(jù)所述預(yù)測的結(jié)果判定所述隨機(jī)數(shù)生成器的質(zhì)量包括：對于所述其余隨機(jī)數(shù)序列中的每一個隨機(jī)數(shù)序列，確定所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)對該隨機(jī)數(shù)序列中需預(yù)測的隨機(jī)數(shù)的預(yù)測結(jié)果是否錯誤；以及基于所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測錯誤的次數(shù)和所述其余隨機(jī)數(shù)序列的個數(shù)計算所述訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測的錯誤率，以作為所述隨機(jī)數(shù)生成器的質(zhì)量評估結(jié)果。

在一個示例中，所述待評估的隨機(jī)數(shù)生成器產(chǎn)生的多個隨機(jī)數(shù)序列各自的序列長度不同。

在一個示例中，所述部分隨機(jī)數(shù)序列的個數(shù)大于所述其余隨機(jī)數(shù)序列的個數(shù)。

在一個示例中，所述循環(huán)神經(jīng)網(wǎng)絡(luò)為長短時記憶網(wǎng)絡(luò)。

根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的裝置中的各模塊可以通過實(shí)現(xiàn)根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法和裝置的示例電子設(shè)備的處理器運(yùn)行在存儲器中存儲的計算機(jī)程序指令來實(shí)現(xiàn)，或者可以在根據(jù)本發(fā)明實(shí)施例的計算機(jī)程序產(chǎn)品的計算機(jī)可讀存儲介質(zhì)中存儲的計算機(jī)指令被計算機(jī)運(yùn)行時實(shí)現(xiàn)。

根據(jù)本發(fā)明實(shí)施例的評估隨機(jī)數(shù)生成器質(zhì)量的方法、裝置、系統(tǒng)以及存儲介質(zhì)基于循環(huán)神經(jīng)網(wǎng)絡(luò)對隨機(jī)數(shù)生成器所產(chǎn)生的隨機(jī)數(shù)序列的相關(guān)性進(jìn)行建模，從而可以利用循環(huán)神經(jīng)網(wǎng)絡(luò)對隨機(jī)數(shù)序列的相關(guān)性進(jìn)行估計，實(shí)現(xiàn)客觀、有效地評估隨機(jī)數(shù)生成器的質(zhì)量，不僅精度高，而且可擴(kuò)展性強(qiáng)，能夠作為比較、選取和設(shè)計隨機(jī)數(shù)生成器的參考依據(jù)，對于文件加密和數(shù)據(jù)傳輸?shù)阮I(lǐng)域具有重要的價值。

盡管這里已經(jīng)參考附圖描述了示例實(shí)施例，應(yīng)理解上述示例實(shí)施例僅僅是示例性的，并且不意圖將本發(fā)明的范圍限制于此。本領(lǐng)域普通技術(shù)人員可以在其中進(jìn)行各種改變和修改，而不偏離本發(fā)明的范圍和精神。所有這些改變和修改意在被包括在所附權(quán)利要求所要求的本發(fā)明的范圍之內(nèi)。

本領(lǐng)域普通技術(shù)人員可以意識到，結(jié)合本文中所公開的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、或者計算機(jī)軟件和電子硬件的結(jié)合來實(shí)現(xiàn)。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計約束條件。專業(yè)技術(shù)人員可以對每個特定的應(yīng)用來使用不同方法來實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

在本申請所提供的幾個實(shí)施例中，應(yīng)該理解到，所揭露的設(shè)備和方法，可以通過其它的方式實(shí)現(xiàn)。例如，以上所描述的設(shè)備實(shí)施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結(jié)合或者可以集成到另一個設(shè)備，或一些特征可以忽略，或不執(zhí)行。

在此處所提供的說明書中，說明了大量具體細(xì)節(jié)。然而，能夠理解，本發(fā)明的實(shí)施例可以在沒有這些具體細(xì)節(jié)的情況下實(shí)踐。在一些實(shí)例中，并未詳細(xì)示出公知的方法、結(jié)構(gòu)和技術(shù)，以便不模糊對本說明書的理解。

類似地，應(yīng)當(dāng)理解，為了精簡本發(fā)明并幫助理解各個發(fā)明方面中的一個或多個，在對本發(fā)明的示例性實(shí)施例的描述中，本發(fā)明的各個特征有時被一起分組到單個實(shí)施例、圖、或者對其的描述中。然而，并不應(yīng)將該本發(fā)明的方法解釋成反映如下意圖：即所要求保護(hù)的本發(fā)明要求比在每個權(quán)利要求中所明確記載的特征更多的特征。更確切地說，如相應(yīng)的權(quán)利要求書所反映的那樣，其發(fā)明點(diǎn)在于可以用少于某個公開的單個實(shí)施例的所有特征的特征來解決相應(yīng)的技術(shù)問題。因此，遵循具體實(shí)施方式的權(quán)利要求書由此明確地并入該具體實(shí)施方式，其中每個權(quán)利要求本身都作為本發(fā)明的單獨(dú)實(shí)施例。

本領(lǐng)域的技術(shù)人員可以理解，除了特征之間相互排斥之外，可以采用任何組合對本說明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開的所有特征以及如此公開的任何方法或者設(shè)備的所有過程或單元進(jìn)行組合。除非另外明確陳述，本說明書(包括伴隨的權(quán)利要求、摘要和附圖)中公開的每個特征可以由提供相同、等同或相似目的的替代特征來代替。

此外，本領(lǐng)域的技術(shù)人員能夠理解，盡管在此所述的一些實(shí)施例包括其它實(shí)施例中所包括的某些特征而不是其它特征，但是不同實(shí)施例的特征的組合意味著處于本發(fā)明的范圍之內(nèi)并且形成不同的實(shí)施例。例如，在權(quán)利要求書中，所要求保護(hù)的實(shí)施例的任意之一都可以以任意的組合方式來使用。

本發(fā)明的各個部件實(shí)施例可以以硬件實(shí)現(xiàn)，或者以在一個或者多個處理器上運(yùn)行的軟件模塊實(shí)現(xiàn)，或者以它們的組合實(shí)現(xiàn)。本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，可以在實(shí)踐中使用微處理器或者數(shù)字信號處理器(DSP)來實(shí)現(xiàn)根據(jù)本發(fā)明實(shí)施例的物品分析設(shè)備中的一些模塊的一些或者全部功能。本發(fā)明還可以實(shí)現(xiàn)為用于執(zhí)行這里所描述的方法的一部分或者全部的裝置程序(例如，計算機(jī)程序和計算機(jī)程序產(chǎn)品)。這樣的實(shí)現(xiàn)本發(fā)明的程序可以存儲在計算機(jī)可讀介質(zhì)上，或者可以具有一個或者多個信號的形式。這樣的信號可以從因特網(wǎng)網(wǎng)站上下載得到，或者在載體信號上提供，或者以任何其他形式提供。

應(yīng)該注意的是上述實(shí)施例對本發(fā)明進(jìn)行說明而不是對本發(fā)明進(jìn)行限制，并且本領(lǐng)域技術(shù)人員在不脫離所附權(quán)利要求的范圍的情況下可設(shè)計出替換實(shí)施例。在權(quán)利要求中，不應(yīng)將位于括號之間的任何參考符號構(gòu)造成對權(quán)利要求的限制。單詞“包含”不排除存在未列在權(quán)利要求中的元件或步驟。位于元件之前的單詞“一”或“一個”不排除存在多個這樣的元件。本發(fā)明可以借助于包括有若干不同元件的硬件以及借助于適當(dāng)編程的計算機(jī)來實(shí)現(xiàn)。在列舉了若干裝置的單元權(quán)利要求中，這些裝置中的若干個可以是通過同一個硬件項來具體體現(xiàn)。單詞第一、第二、以及第三等的使用不表示任何順序?？蓪⑦@些單詞解釋為名稱。

以上所述，僅為本發(fā)明的具體實(shí)施方式或?qū)唧w實(shí)施方式的說明，本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。本發(fā)明的保護(hù)范圍應(yīng)以權(quán)利要求的保護(hù)范圍為準(zhǔn)。