ในการแสวงหาเพื่อทำความเข้าใจตัวแยกการสุ่มให้ดีขึ้น (ในบริบทของการประมวลผลหลังการประมวลผล TRNG) ฉันได้อ่านบทความเกี่ยวกับ โดย Neumann Extractor และ แหล่งที่มาของ Santha-Vazirani (SV-). von Neumann extractor เป็นอัลกอริธึมง่ายๆ ที่ทำงานบนแหล่งข้อมูลอิสระที่มีอคติ เช่น เหรียญที่มีอคติ อย่างไรก็ตาม แหล่งที่มาของการสุ่มทางกายภาพที่มีอยู่นั้นไม่สมบูรณ์และมีความลำเอียง และสัมพันธ์กัน. Santha และ Vazirani นิยามแหล่งที่มาดังกล่าว ซึ่งเรียกว่า SV-source
เห็นได้ชัดว่ากระดาษ Santha-Vazirani แสดงให้เห็นว่าเป็นไปไม่ได้ที่จะแยกบิตสุ่มที่เกือบจะเหมือนกันออกจากแหล่ง SV ฉันไม่มีพื้นฐานทางคณิตศาสตร์ที่จำเป็นในการทำความเข้าใจการสาธิต แต่การอ้างสิทธิ์นี้ทำให้ฉันฉงนฉงาย ตัวอย่างเช่น ฉันคาดว่าฟังก์ชันแฮชจะสร้างบิตสุ่มแบบเดียวกันจากแหล่ง SV
การสาธิตนี้หมายความว่าอย่างไร? เป็นไปไม่ได้หรือไม่ที่จะสร้าง TRNG ที่ดีจากแหล่งข้อมูลที่มีอคติและมีความสัมพันธ์กัน (ซึ่งใช้ไม่ได้กับหลายแหล่ง)
อย่างไรก็ตาม แหล่งที่มาของการสุ่มทางกายภาพที่มีอยู่นั้นไม่สมบูรณ์และมีความลำเอียงและสัมพันธ์กัน
ไม่พวกเขาไม่ใช่. แหล่งที่มาไม่ได้สร้างเอนโทรปีใด ๆ จริง ๆ ไม่มี. ลองนึกภาพซีเนอร์ไดโอดหรือวงจรออสซิลเลเตอร์วงแหวนที่อยู่ตรงหน้าคุณ พวกเขาแค่นั่งดูวงจร
เดอะ ผู้สังเกตการณ์ สร้างเอนโทรปีเมื่อสุ่มตัวอย่างแหล่งที่มา แหล่งที่มาไม่ได้ สิ่งนี้นำไปสู่แนวคิดของ $ (\epsilon, \tau) $-เอนโทรปีต่อหน่วยเวลา โดยที่ "$ (\epsilon, \tau) $-เอนโทรปีคือจำนวนข้อมูลที่สร้างขึ้นต่อหน่วยเวลาในระดับที่แตกต่างกัน $\tau$ ของเวลาและ $\epsilon$ ของสิ่งที่สังเกตได้" อัตราตัวอย่างและความละเอียดอย่างมีประสิทธิภาพ ซึ่งหมายความว่าผู้สังเกตสามารถเปลี่ยนแปลงอัตราเอนโทรปีของแหล่งที่มาได้อย่างไม่มีที่สิ้นสุดตามที่เห็นสมควร โดยการเปลี่ยนแปลงอย่างใดอย่างหนึ่ง $\tau$ หรือ $\epsilon$.
สิ่งนี้นำไปสู่ปัญหาสองด้านที่ไม่สมมาตร: เราจะวัดได้อย่างไร $H_{\infty}$ สำหรับแหล่งที่มาที่เกี่ยวข้อง? มีสองวิธีแก้ปัญหาแบบอสมมาตร:-
พยายามที่จะกำหนด $H_{\infty}$ สำหรับแหล่งที่มาที่สัมพันธ์กันซึ่งมีความเชื่อมั่นต่ำมาก
ปรับของคุณ $ (\epsilon, \tau) $ ระบบการสุ่มตัวอย่างเพื่อสร้างข้อมูลที่ไม่สัมพันธ์กันด้วยความแน่นอนสูง
แทบไม่มีใครทำอันดับ 1 ได้ แม้แต่ NIST ก็มี กล่าว มันเกือบจะเป็นไปไม่ได้ (ความคิดเห็นที่ไม่ได้ตั้งใจของ Kerry McKay) ฉันนึกไม่ออกว่าอะไร $H_{\infty}$ หมายถึงในทางปฏิบัติในสถานการณ์ที่สัมพันธ์กัน ดังนั้นทำ #2 อย่างที่คนส่วนใหญ่ทำกัน รับ $H_{\infty}$ เช่น $-\log_2{(p_{\text{max}})}$ และสารสกัดจาก
ดังนั้นมัน เป็น เป็นไปได้ที่จะสร้าง TRNG ที่ดีจาก ลำเอียงและสัมพันธ์กัน แหล่งที่มา.
เห็นได้ชัดว่ากระดาษ Santha-Vazirani แสดงให้เห็นว่าเป็นไปไม่ได้ที่จะแยกบิตสุ่มที่เกือบจะเหมือนกันออกจากแหล่ง SV
ไม่เชิง มันพูดจริง " ในทางตรงกันข้าม เราพิสูจน์ได้ว่าไม่มีอัลกอริทึมใดที่สามารถดึงบิตที่เป็นกลางแม้แต่บิตเดียวจากแหล่งกึ่งสุ่ม (อันที่จริง ไม่ดีไปกว่า 1 - $\เดลต้า$ ลำเอียงเล็กน้อย) " นี่เป็นความรู้ที่จัดตั้งขึ้นและปรากฏในเอกสาร 'extractor' ทุกรูปแบบ หมายความว่าการสุ่มที่แยกออกมาจะมี 1 - $\เดลต้า$ อคติ. NIST เพียงแนะนำให้คุณเก็บไว้ด้านล่าง $2^{-64}$ ซึ่งเป็นเรื่องง่าย
อ้างอิง: ปิแอร์ แกสปาร์ด และ เสี่ยวจิง หวัง เสียงรบกวน ความวุ่นวาย และ $ (\epsilon, \tau) $-เอนโทรปีต่อหน่วยเวลา, รายงานฟิสิกส์ (ส่วนทบทวนจดหมายฟิสิกส์) 235, ฉบับที่ 6 (1993) 291â343. นอร์ทฮอลแลนด์
คนส่วนใหญ่ไม่เข้าใจว่าการถามคำถามมากมายจะปลดล็อกการเรียนรู้และปรับปรุงความสัมพันธ์ระหว่างบุคคล ตัวอย่างเช่น ในการศึกษาของ Alison แม้ว่าผู้คนจะจำได้อย่างแม่นยำว่ามีคำถามกี่ข้อที่ถูกถามในการสนทนา แต่พวกเขาไม่เข้าใจความเชื่อมโยงระหว่างคำถามและความชอบ จากการศึกษาทั้ง 4 เรื่องที่ผู้เข้าร่วมมีส่วนร่วมในการสนทนาด้วยตนเองหรืออ่านบันทึกการสนทนาของผู้อื่น ผู้คนมักไม่ตระหนักว่าการถามคำถามจะมีอิทธิพลหรือมีอิทธิพลต่อระดับมิตรภาพระหว่างผู้สนทนา
