机器学习模型可以用于预测 TRNG 输出吗?

Posted

技术标签:

【中文标题】机器学习模型可以用于预测 TRNG 输出吗?【英文标题】:Can machine learning models be used to predict TRNG output? 【发布时间】:2019-02-19 18:50:51 【问题描述】:

据我所知,为了训练机器学习 (ML) 模型,应该知道训练集的输入和输出。然后,给定一个新的输入,ML 模型会尝试预测输出。 使用 TRNG,只有输出是已知的(没有输入)。我们还能使用 ML 模型来预测下一个 TRNG 输出吗?

【问题讨论】:

【参考方案1】:

真正的 RNG 本质上是不可预测的,任何输入(内部状态)本质上都是不可观察的。 TRNG 的输出应该是一个马尔科夫过程:意味着当前输出与所有过去的输出完全无关。

您可以将过去的输出视为“输入”,因为它可能会提供有关生成器内部状态的一些线索。

然后,您可以使用 ML 尝试在当前输出和过去输出之间找到某种联系,如果这样做,以下一项或多项可能是正确的:

你的 TRNG 不是真正随机的 您的机器学习发现了一个不存在的模式。与人类大脑一样,ML 将适应模式,即使它们不存在。这就是验证数据集的用武之地。

所以基本上,如果你对 TRNG 有信心,答案是否定的。

【讨论】:

是的,我明白你的意思。您知道可用于此类任务(使用部分输出作为输入)的 ML 模型吗? 检查“时间序列预测”。这可能用于这个问题。【参考方案2】:

使用 TRNG,只有输出是已知的(没有输入)。我们还能使用 ML 模型来预测下一个 TRNG 输出吗?

为了进行预测,您首先需要训练一个机器学习模型。对于训练,您需要输入数据。

但是对于TRNG的用例(假设为真随机数生成器)请查看这篇文章:link

【讨论】:

以上是关于机器学习模型可以用于预测 TRNG 输出吗?的主要内容,如果未能解决你的问题,请参考以下文章

机器学习之集成学习

机器学习之集成学习

机器学习之集成学习算法

从机器学习输出中获取输入

机器学习粗略认识--线性模型

可以在特征工程阶段使用的用于时间序列预测的简单机器学习模型是啥?