ПОРІВНЯЛЬНИЙ АНАЛІЗ ГЕНЕРАТОРІВ ПСЕВДОВИПАДКОВИХ ПОСЛІДОВНОСТЕЙ ТА ЇХ ОЦІНКА

Автор(и)

DOI:

https://doi.org/10.28925/2663-4023.2026.34.1220

Ключові слова:

псевдовипадкові числа, алгоритми генерування, генератор Mersenne Twister, лінійний конгруентний генератор, статистичний аналіз, автокореляція, критерій Пірсона

Анотація

У статті досліджено особливості функціонування генераторів псевдовипадкових послідовностей як ключового компонента сучасних інформаційних систем, що застосовуються в моделюванні, криптографії, обробці даних та тестуванні програмного забезпечення. Основну увагу приділено порівняльному аналізу чотирьох підходів до генерування: лінійного конгруентного генератора, методу середніх квадратів, генератора Mersenne Twister та генератора на основі криптографічного хешування. У межах дослідження розроблено програмний засіб, який дозволяє моделювати роботу зазначених генераторів і здійснювати їх комплексне оцінювання за допомогою статистичних та візуальних методів аналізу. Для визначення якості псевдовипадкових послідовностей використано критерій узгодженості Пірсона, оцінювання дисперсії та аналіз автокореляційних залежностей. Отримані результати подано у вигляді гістограм розподілу та графіків, що забезпечує наочне відображення рівномірності розподілу, ступеня випадковості та наявності можливих закономірностей у згенерованих даних. Проведений аналіз показав, що генератор Mersenne Twister і криптографічні генератори демонструють найкращі статистичні характеристики, зокрема близькість до теоретичних значень, низький рівень автокореляції та високу рівномірність розподілу. Встановлено, що лінійний конгруентний генератор може забезпечувати задовільні результати лише за умови коректного підбору параметрів, тоді як метод середніх квадратів характеризується швидким виродженням послідовності та низькою якістю генерування. Отримані результати підтверджують необхідність обґрунтованого вибору генератора залежно від сфери застосування та вимог до статистичних і криптографічних властивостей. Запропонований підхід до комплексного аналізу може бути використаний у навчальних і прикладних задачах для оцінювання ефективності генераторів псевдовипадкових чисел.

Завантаження

Дані завантаження ще не доступні.

Посилання

Shcherbyna, Yu., et al. (2023). Selection of a source of randomness for computer modeling. Science-Based Technologies, 59(3), 233–238. https://doi.org/10.18372/2310-5461.59.17944

Kostiv, Yu. M., Maksymovych, V. M., Harasymchuk, O. I., Sovyn, Ya. R., & Mandrona, M. M. (2013). Determination of optimal parameters of the Hollmann generator using NIST statistical tests. Automation, Measurement and Control, 753, 30–41.

Antunes, B. (2025). Statistical quality and reproducibility of pseudorandom number generators in machine learning technologies. International Journal of Data Informatics and Intelligent Computing, 4(3), 23–32. https://doi.org/10.59461/ijdiic.v4i3.214

Barker, E., & Kelsey, J. (2015). Recommendation for random number generation using deterministic random bit generators (NIST Special Publication 800-90A Rev. 1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.SP.800-90Ar1

Foreman, C., Yeung, R., & Curchod, F. J. (2024). Statistical testing of random number generators and their improvement using randomness extraction. Entropy, 26(12), 1053. https://doi.org/10.3390/e26121053

Kovalchuk, L. V., Koriakov, I. V., & Bespalov, O. Y. (2024). Statistical tests for checking independence of random variables, which describe sequences generation in cryptoalgorithms. Èlektronnoe Modelirovanie, 46(3), 22–38. https://doi.org/10.15407/emodel.46.03.022

L’Ecuyer, P. (2007). Random number generation. In Handbook of simulation: Principles, methodology, advances, applications, and practice (pp. 93–137). https://doi.org/10.1002/9780470172445.ch4

Marsaglia, G. (2003). Xorshift RNGs. Journal of Statistical Software, 8(14). https://doi.org/10.18637/jss.v008.i14

Matsumoto, M., & Nishimura, T. (1998). Mersenne twister: A 623-dimensionally equidistributed uniform pseudo-random number generator. ACM Transactions on Modeling and Computer Simulation (TOMACS), 8(1), 3–30. https://doi.org/10.1145/272991.272995

O’Neill, M. (2014). PCG: A family of simple fast space-efficient statistically good algorithms for random number generation. Harvey Mudd College.

Schären, T. M., Hanne, T., & Dornberger, R. (2022). The Xoshiro+ pseudorandom number generator in a computer chess program. In A. Abraham, A. Engelbrecht, F. Scotti, N. Gandhi, P. M. Mishrai, G. Fortino, V. Sakalauskas, & S. Pllana (Eds.), Proceedings of the 13th International Conference on Soft Computing and Pattern Recognition (SoCPaR 2021) (pp. 33–42). Springer. https://doi.org/10.1007/978-3-030-96302-6_3

Downloads


Переглядів анотації: 8

Опубліковано

2026-09-24

Як цитувати

Гришанович, Т., Андрощук, Я., & Ярмольська, Я. (2026). ПОРІВНЯЛЬНИЙ АНАЛІЗ ГЕНЕРАТОРІВ ПСЕВДОВИПАДКОВИХ ПОСЛІДОВНОСТЕЙ ТА ЇХ ОЦІНКА. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 2(34), 535–547. https://doi.org/10.28925/2663-4023.2026.34.1220