CN107408031B - 使用材料样品中存在的物理变化生成随机数的系统和方法 - Google Patents

Abstract

本发明提供了通过使用材料样品中存在的物理变化生成随机比特的系统和方法。从材料样品的所测得的材料性质导出初始随机比特流。在一些情况下，通过对所导出的初始随机比特流应用随机性提取算法来生成次级随机比特流。

Description

使用材料样品中存在的物理变化生成随机数的系统和方法

技术领域

本公开涉及使用材料样品中存在的物理变化生成随机数。

背景技术

随机数生成器(RNG)对于需要创建和使用缺少任何顺序或模式的数字或符号序列的应用程序很重要。RNG可以在诸如加密、计算机建模或模拟以及统计抽样等应用程序中实现。在许多加密应用程序中，例如，底层加密协议与其使用的随机数一样好(例如，安全和/或稳健)。因此，随机性是期望的特征，并且访问许多便宜的高质量随机比特通常是必需的。RNG通常可以分为两类：伪随机数生成器(PRNG)和物理随机数生成器。PRNG输入小的随机种子并生成一个看起来随机的更长的字符串。然而，PRNG使用完全确定性过程，因此与种子一起使用的算法的知识足以猜测确切的更长序列。使用设计不当的PRNG的加密算法可能会受到密码分析攻击。相比之下，物理RNG使用物理现象(诸如，熵或声学变化或放射性衰变)例如产生随机数。理论上它们产生的比特流是完全不可预知的。

发明内容

期望基于工业或消费者应用中的流行程度和密码重要性生成高质量的随机比特或随机数。许多材料的性质具有固有的物理变异性，其可用于生成高质量的随机比特。简而言之，在一个方面，本公开描述了通过使用材料样品中存在的物理变化生成随机比特的系统和方法。材料的固有物理变异性的使用提供了一种用于获得高质量随机数的具成本效益的独特方法。本公开中的一些实施方案还利用制造过程中固有的随机性来生成随机数。

在一个方面，用于生成随机数的方法包括提供一个或多个材料样品。测量材料样品中的每个的一种或多种材料性质，其中所测得的材料性质具有各自的变异性。从材料样品中的每个的所测得的材料性质中导出一个或多个初始随机比特流。

在另一方面，提供了一种从一批材料样品中提取随机数的方法。所述一批材料样品可具有基本上相同的组成，并且可以通过基本上相同的方法制备。测量材料样品中的每个的一种或多种材料性质。所测得的材料性质具有各自的变异性。从材料样品中的每个的所测得的材料性质中导出一个或多个初始随机比特流。将所述一批材料样品的导出的初始随机比特流进行组合以得到组合的随机比特流。通过对组合的随机比特流应用随机性提取算法来生成一个或多个随机数。

本公开的示例性实施方案获得各种出乎意料的结果和优点。本公开的示例性实施方案的一个此类优点是，本文所述的所利用的随机性源于材料性质的固有物理变异性，其提供了可用于各种应用中的独特的具有成本效益的高质量随机比特流。

示例性实施方案列表

以下列出示例性实施方案。应当理解，实施方案A至K、L至P以及Q至X中的任一个可进行组合。

实施方案A：一种生成随机数的方法，包括：

提供一个或多个材料样品；

测量材料样品中的每个的一种或多种材料性质，所测得的材料性质具有变异性；以及

从材料样品中的每个的所测得的材料性质中导出一个或多个初始随机比特流。

实施方案B：根据实施方案A所述的方法，还包括通过对所导出的初始随机比特流应用随机性提取算法来生成一个或多个次级随机比特流。

实施方案C：根据实施方案A或B所述的方法，其中测量材料性质包括捕获材料样品的表面的图像。

实施方案D：根据实施方案C所述的方法，其中导出初始随机比特流还包括从材料样品的图像确定特性特征的表面变化，所述特性特征与材料样品的表面的子结构或纹理相关，并将表面变化转换成初始随机比特流。

实施方案E：根据实施方案D所述的方法，其中确定表面变化还包括基于图像的像素的强度值将图像转换为二进制表示。

实施方案F：根据前述实施方案中任一项所述的方法，其中材料性质包括光学特征、声学特征、弹性特征、结构特征、电子特征、磁性特征、驻极体相关特征或机械特征，并且材料性质的变异性是天然形成的或与用于制备材料样品的具体制造方法相关。

实施方案G：根据前述实施方案中任一项所述的方法，其中随机性提取算法包括块奇偶提取器。

实施方案H：根据前述实施方案中任一项所述的方法，其中次级随机比特流能够通过独立同分布(IID)随机比特的测试。

实施方案I：根据前述实施方案中任一项所述的方法，其中所述一个或多个材料样品是一批材料样品，其中所述一批材料样品的组成基本上相同并且通过基本上相同的方法制备。

实施方案J：根据实施方案I所述的方法，还包括将来自所述一批材料样品的初始随机比特流进行组合以得到组合随机比特流，以及通过对所述组合随机比特流应用随机性提取算法来生成次级随机比特流。

实施方案K：根据实施方案I或J所述的方法，其中所述一批材料样品选自研磨剂、光学膜和非织造织物。

实施方案L：一种从一批样品材料中提取随机数的方法，所述一批材料样品由基本上相同的组合物组成并且通过基本上相同的方法制备，该方法包括：

测量材料样品中的每个的一种或多种材料性质，所测得的材料性质具有变异性；

从材料样品中的每个的所测得的材料性质中导出一个或多个初始随机比特流；

将所述一批材料样品的导出的初始随机比特流进行组合以得到组合的随机比特流；以及

通过对所述组合的随机比特流应用随机性提取算法来生成一个或多个随机数。

实施方案M：根据实施方案L所述的方法，其中测量材料性质包括捕获所述一批材料样品的表面图像。

实施方案N：根据实施方案M所述的方法，其中导出初始随机比特流还包括从表面图像确定特性特征的表面变化。

实施方案O：根据实施方案N所述的方法，其中确定表面变化还包括基于图像的像素的强度值将图像转换为二进制表示。

实施方案P：根据实施方案L至O中任一项所述的方法，其中材料性质包括光学特征、声学特征、弹性特征、结构特征、电子特征、磁性特征、驻极体相关特征或机械特征。

实施方案Q：一种随机数生成器，包括：

测量部件，该测量部件被配置为测量一个或多个材料样品的一种或多种材料性质，所测得的材料性质具有变异性；以及

在功能上连接到测量部件的计算部件，该计算部件包括处理器，该处理器被配置为从材料样品中的每个的所测得的材料性质导出一个或多个初始随机比特流。

实施方案R：根据实施方案Q所述的随机数生成器，其中处理器被配置为通过对所导出的初始随机比特流应用随机性提取算法来生成一个或多个次级随机比特流。

实施方案S：根据实施方案Q或S所述的随机数生成器，还包括被配置为存储材料性质数据的存储器。

实施方案T：根据实施方案Q至S中任一项所述的随机数生成器，其中测量部件包括被配置为捕获材料样品的一个或多个图像的相机。

实施方案U：根据实施方案T所述的随机数生成器，其中处理器被配置为从材料样品的一个或多个图像确定特性特征的表面变化，所述特性特征与材料样品的表面的子结构或纹理相关，并且处理器被配置为将所述表面变化转化为初始随机比特流。

实施方案V：根据实施方案U所述的随机数生成器，其中处理器被配置为基于各自图像的像素的强度值将一个或多个图像转换为二进制表示。

实施方案W：根据实施方案Q至V中任一项所述的随机数生成器，其中材料性质包括光学特征、声学特征、弹性特征、结构特征、电子特征、磁性特征、驻极体相关特征或机械特征。

实施方案X：根据实施方案R至V中任一项所述的随机数生成器，其中随机性提取算法包括块奇偶提取器。

已经对本公开的示例性实施方案的各个方面和优点进行了汇总。上文的发明内容并非旨在描述本公开的当前某些示例性实施方案的每个例示的实施方案或每种实施方式。下面的附图和具体实施方式更具体地举例说明使用本文所公开的原理的某些优选实施方案。

附图说明

结合附图来考虑本发明以下各个实施方案的详细描述可以更完全地理解本发明，其中：

图1是根据一个实施方案的用于生成随机数的方法的流程图。

图2示出根据一个实施方案的随机数生成器的框图。

图3A示出根据一个实施方案的材料样品的光学图像和所述光学图像的图像像素的强度值。

图3B示出根据一个实施方案的转换的光学图像及其强度值的二进制表示。

图3C示出根据一个实施方案基于图3B的二进制表示获得初始比特。

图3D示出根据一个实施方案基于图3C的初始比特生成次级比特。

图3E示出根据一个实施方案的通过应用块奇偶提取器生成次级比特流来处理示例性初始随机比特流。

图4A示出根据一个实施方案的一批材料样品的光学图像和各个光学图像的图像像素的强度值。

图4B示出根据一个实施方案的图4A的一批材料样品的转换的光学图像和强度值的二进制表示。

图4C示出根据一个实施方案的基于图4B的二进制表示导出初始随机比特流。

图4D示出根据一个实施方案连结图4C的初始随机比特流。

图4E示出根据一个实施方案的基于图4D的连结随机比特流来生成次级随机比特流。

图5示出火焰压印膜样品的光学图像。

图6示出非织造材料样品的光学图像。

在这些附图中，类似的附图标号表示类似的元件。虽然可能未按比例绘制的以上附图阐述了本公开的各种实施方案，但还可以设想如在具体实施方式中所指出的其它实施方案。在所有情况下，本公开都通过示例性实施方案的表示而非通过表述限制来描述当前公开的公开内容。应当理解，本领域的技术人员可设计出许多其它修改形式和实施方案，这些修改形式和实施方案落在本公开的范围和实质内。

具体实施方式

许多材料的性质具有固有的物理变异性，其可用于生成高质量的随机比特。简而言之，在一个方面，本公开描述了通过使用材料样品中存在的物理变化生成随机比特的系统和方法。材料的固有物理变异性的使用提供了一种用于获得高质量随机数的具成本效益的方法。在一些实施方案中，材料性质的物理变异性可以是天然形成的并且存在于材料中，而在其它实施方案中，特定的制造方法可以产生或改变材料性质的物理变异性。本公开中的一些实施方案还利用制造过程中固有的随机性来生成随机数。

图1示出用于生成随机数或随机比特流的方法100。在110处，提供一个或多个材料样品。材料样品可以是可从例如美国明尼苏达州圣保罗的3M公司(3M Company，St.Paul，MN)商购获得的各种材料样品。材料样品可包括例如研磨剂、光学膜、非织造织物等。材料样品表现出具有变异性的至少一种材料性质，其可以是天然形成的，或源于特定的制造工艺。材料性质可包括例如光学特征、声学特征、弹性特征、结构特征、电子特征、磁性特征、驻极体相关特征、机械特征等。然后，方法100前进至120。

在120处，测量材料样品中的每个的一种或多种材料性质。在一些实施方案中，材料样品的表面图像可以由例如数字相机捕获。然后方法100前进至130。

在130处，从材料样品中的每个的所测得的材料性质中导出一个或多个初始随机比特流。在一些实施方案中，可以从材料样品的表面图像确定特性特征的表面变化。所述特性特征可以与例如材料样品的表面的子结构或纹理有关。在一些实施方案中，可以基于例如图像的像素的强度值将材料样品的表面图像转换为二进制表示。然后方法100前进至140。

任选地，在140处，通过对初始随机比特流应用随机性提取算法来生成一个或多个次级随机比特流。随机性提取算法可包括例如块奇偶提取器、von Neumann提取器、随机游走提取器等中的一个或多个。在一些实施方案中，可以将两个或更多个随机性提取算法同时或顺序地应用于初始随机比特流来生成次级随机比特流。

图2示出根据一个实施方案的通过实现例如方法100从材料样品生成随机数的随机数生成器200。随机数生成器200包括测量部件224、计算部件226和一个或多个输入/输出设备216。

测量部件224被配置为测量材料样品的一种或多种材料性质。测量部件224可以是用于测量具有固有变异性的材料性质的各种测量工具，所述材料性质包括例如光学特征、声学特征、弹性特征、结构特征、电子特征、磁性特征、驻极体相关特征或机械特征中的一个或多个。在一些实施方案中，测量部件224可包括例如用于捕获材料样品的一个或多个图像的相机。

在图2的实施方案中，计算部件226包括处理器212和存储器214。计算部件226在功能上连接到测量部件224，从测量部件224接收与所测得的材料性质相关的信号，并且从接收到的信号导出一个或多个初始随机比特流。处理器212可以将一个或多个随机性提取算法应用于导出的初始随机比特流以生成一个或多个二级随机比特流。随机性提取算法可包括例如块奇偶提取器、von Neumann提取器、随机游走提取器等中的一个或多个。在一些实施方案中，随机性提取算法可以被预先确定并存储在存储器214中。在一些实施方案中，可以从存储在存储器214中的随机性提取算法列表中根据导出的初始随机比特流来选择随机性提取算法。生成的随机数可以存储在存储器214中。处理器212还可以对随机比特流执行另外的处理，诸如下文将进一步讨论的二进制化和向量化。

在一些实施方案中，测量部件224可以是可在现场工作的便携式设备。测量部件224可以通过发送和接收信号与诸如计算部件226的远程计算设备进行无线通信。计算部件226可以与例如计算机、服务器、移动电话等集成。计算部件226可以处理所接收的材料性质信号，并将生成的随机数发送到输入/输出设备216以显示在其上。

存储器214存储信息。在一些实施方案中，存储器214可以存储用于执行本文所述的方法或过程的指令。在一些实施方案中，材料性质数据可以预先存储在存储器214中。材料样品的一个或多个性质诸如光学特征、声学特征、弹性特征、结构特征、电子特征、磁性特征、驻极体相关特征或机械特征可以作为材料性质数据存储。

存储器214可包括任何易失性或非易失性存储元件。示例可包括诸如同步动态随机存取存储器(SDRAM)的随机存取存储器(RAM)、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦除可编程只读存储器(EEPROM)和闪存(FLASH)存储器。示例还可包括硬盘、磁带、磁或光数据存储介质、光盘(CD)、数字通用盘(DVD)、蓝光盘和全息数据存储介质。

处理器212可包括例如一个或多个通用微处理器、专门设计的处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、离散逻辑的集合和/或任何类型的能够执行本文所述技术的处理设备。在一些实施方案中，处理器212(或本文所述的任何其它处理器)可以被描述为计算设备。在一些实施方案中，存储器214可被配置为存储由处理器212执行以进行本文所述的过程或方法的程序指令(例如，软件指令)。在其它实施方案中，本文所述的过程或方法可以由处理器212的专门编程的电路来执行。在一些实施方案中，处理器212因此可被配置为执行用于生成本文所述的随机数的技术。处理器212(或本文所述的任何其它处理器)可包括一个或多个处理器。

输入/输出设备216可包括被配置为从用户或其它设备输入或向用户或其它设备输出信息的一个或多个设备。在一些实施方案中，输入/输出设备216可呈现用户界面218，其中用户可以控制对随机数的生成的评估。例如，用户界面218可包括用于向用户呈现视觉信息的显示屏。在一些实施方案中，显示屏包括触敏显示器。在一些实施方案中，用户界面218可包括用于向用户呈现信息的一个或多个不同类型的设备。用户界面218可包括例如任何数量的视觉(例如，显示设备、灯等)、听觉(例如，一个或多个扬声器)和/或触觉(例如，键盘、触摸屏或鼠标)反馈设备。在一些实施方案中，输入/输出设备216可以表示显示屏(例如，液晶显示器或发光二极管显示器)和/或打印机(例如，印刷设备或用于将指令输出到印刷设备的部件)中的一者或多者。在一些实施方案中，输入/输出设备116可被配置为接受或接收由处理器112执行以进行本文所述的实施方案的程序指令(例如，软件指令)。

随机数生成器200还可包括其它部件，并且包括处理器212、存储器214和输入/输出设备216在内的所示部件的任一者的功能可以分布在多个部件和独立设备(例如，计算机)上。随机数生成器200可被配置为工作站、台式计算设备、笔记本计算机、平板计算机、移动计算设备或任何其它合适的计算设备或计算设备的集合。随机数生成器200可以在本地网络上运行或者被托管在云计算环境中。图2所示的部件仅仅是为了解释本公开的各个方面而示出，并且部件的添加或移除对于本领域技术人员将是显而易见的。

在一些实施方案中，随机数生成器200允许用户采用材料样品，例如3M制造的材料样品，并将材料样品插入生成器200中。可测量材料样品中存在的固有随机性并且可以应用随机性提取算法，继而可以产生随机比特序列。然后，随机比特可以被任何计算设备用于需要例如加密的任何应用程序。

在一些实施方案中，诸如随机数生成器200的基于材料的随机数生成器可以用于对象识别。从材料特征唯一地导出的随机数可以允许数字材料认证。例如，图1的方法100和图2的随机数生成器200可用于向诸如护照或身份证的个人文件添加加密或隐写特征。

图3A至图3E示出根据一个实施方案从材料样品的光学图像生成随机数。图3A示出为材料样品所测得的光学图像32。光学图像32包括具有各种强度的像素，其可与例如材料样品表面上的子结构或纹理相关。光学图像32可以由例如图2的测量部件226捕获。像素的各种强度反映出例如材料样品表面的子结构或纹理的固有随机性。光学图像32的示例性部分322中的图像像素的强度值示于表34中。强度值可以通过例如图2的计算部件226被归一化到0和1之间，并列在阵列m×n中。应当理解，可以使用光学图像32的任何部分或整个光学图像32来获得相应的强度值。

光学图像32可以被转换成图3B所示的二进制表示32′。因此，表34中的图像像素的强度值被转换为表34′中的二进制值0或1。该转换可以通过例如图2的计算部件226进行。然后由计算部件226对表34′的二进制值的阵列进行矢量化，以获得初始比特流36。初始比特流26包括如图3C所示的一系列比特0或1。在一些实施方案中，初始随机比特流36可包括对应于如图3B所示的光学图像32的二进制表示32′的(m×n)个二进制比特数。应当理解，可通过任何适当的方式从表34′中的二进制值阵列的至少一部分获得初始比特流36。用于从表34′中的二进制值阵列获得初始比特流36的指令可以存储在存储器214中，并由计算部件226的处理器212执行。

然后通过应用随机性提取算法来处理初始随机比特流36，以生成如图3D所示的次级随机比特流38。随机性提取算法可包括例如块奇偶提取器、von Neumann提取器、随机游走提取器等中的一个或多个。应当理解，随机性提取算法可以迭代地应用于初始比特流和/或次级随机比特流来生成最终随机比特流。还应当理解，可以组合两个或更多个随机性提取算法以顺序地或同时地应用于初始随机比特流。

在一些实施方案中，图2的计算部件226可以使用预定的随机性提取算法诸如块奇偶提取器来处理初始随机比特流36并生成次级随机比特流38。在一些实施方案中，计算部件226可根据初始随机比特流36从存储在存储器214中的随机性提取算法列表中选择一个或多个随机性提取算法，并且应用所选择的一个或多个随机性提取算法来处理初始随机比特流36并生成次级随机比特流38。

在图3E的实施方案中，通过应用块奇偶提取器处理示例性初始随机比特流37来生成次级比特流39。初始比特流37被划分为k个块(k为不小于1的整数)。每个块可包括l个比特或具有长度l(l为不小于1的整数)。可计算每个块的奇偶性以确定次级比特流39的相应比特。例如，对于特定块，如果特定块中0比特数大于1比特数，则次级比特流39的对应比特可以被确定为0。如果特定块中0比特数不大于1比特数，则次级比特流39的相应比特可以被确定为1。

在一些实施方案中，初始随机比特流诸如图3D或图3E的初始随机比特流36或37可包括n个独立且有偏差(但不一定同分布)的比特。对于一些0＜δ＜1，初始随机比特流的第i个比特可以作为具有参数δ≤p_i≤1-δ的Bernoulli随机变量分布。对于每个常数δ＞0、每个整数n和m，存在函数f：{0，1}ⁿ→{0，1}^m，其为初始随机比特的∈-提取器，其中∈＝m·2^-Ω(n/m)。

图4A至图4E示出根据一个实施方案从一批材料样品的光学图像生成随机数。本文所述的“一批材料样品”是指包括基本上相同的组成和/或通过基本上相同的方法制备的多个材料样品。材料样品中的每个可以表现出具有相应变异性或固有随机性的相似性质。

图4A示出分别为第一材料样品和第二材料样品所测得的光学图像41和42。第一材料样品和第二材料样品来自相同批次的材料样品。光学图像41和42各自包括具有与相应材料样品的表面上的子结构或纹理相关的各种强度的像素。像素的各种强度反映出相应材料样品表面的子结构或纹理的固有随机性。光学图像41和42的相应部分中的图像像素的强度值分别示于表44和表45中。强度值被归一化到0和1之间并列于阵列中。表44和表45中的强度值彼此不同。此类变化反映出材料样品的性质中固有的随机性，以及用于制备该批材料样品的方法中固有的随机性。

光学图像41和42可以分别被转换成图4B所示的二进制表示41′和42′。因此，表44和表45中的图像像素的强度值在表44′和表45′中被转换为二进制值0或1。然后通过例如图2的计算部件226对二进制值的阵列进行向量化，以获得各自包括如图4C所示的一系列比特0或1的相应初始比特流46a和46b。初始随机比特流46a和46b各自可包括对应于如图4B所示的光学图像41和42的二进制表示41′和42′的(m×n)个二进制比特数。

分别从第一材料样品和第二材料样品导出的初始随机比特流46a和46b可以通过例如图2的计算部件226进行组合，以获得组合的随机比特流。在图4D的实施方案中，初始随机比特流46a和46b被连结为组合的初始随机比特流46。应当理解，可通过各种方式组合初始随机比特流46a和46b，以获得组合的初始随机比特流。用于从初始随机比特流46a和46b获得组合的初始比特流46的指令可以存储在存储器214中，并由计算部件226的处理器212执行。

然后，组合的初始随机比特流46经由例如计算部件226通过应用随机性提取算法来生成如图4E所示的次级随机比特流48来进行处理。随机性提取算法可包括例如块奇偶提取器、von Neumann提取器、随机游走提取器等中的一个或多个。应当理解，随机性提取算法可以迭代地应用于初始比特流和次级随机比特流来生成最终随机比特流。还应当理解，可以组合多于一个随机性提取算法以应用于初始随机比特流。

使用一批材料样品可以生成随机比特流，诸如比从单个材料样品获得的随机比特流相对较长的次级随机比特流48。此外，从一批材料样品获得的随机比特流可用于材料样品的认证。

如上所述，初始随机比特流可以通过应用随机性提取算法生成次级随机比特流来处理。随机性提取器的性能可以通过运行随机性提取器的输出经由各种随机性测试来证明。在一些实施方案中，可以使用国家标准技术研究所(National Institute forStandards in Technology)的测试套件。测试套件可包括例如频率、块内频率、运行、块的最长运行、频谱离散傅里叶变换(DFT)、重叠模板匹配、近似熵、累积和等的测试。

在一些实施方案中，可以通过采用初始或次级随机比特流的统计值并将统计值拟合到参考分布来设置上述每个测试。参考分布可以是例如正态分布或卡方分布。可以计算假设随机性(或p值)的失败概率。在一些实施方案中，如果p值低于0.01，则返回测试失败。在一些实施方案中，本文所述的次级随机比特流能够通过独立同分布(IID)随机比特的测试。

除非另外指明，否则在说明书和实施方案中所使用的所有表达数量或成分、特性测量等的数值在一切情况下均应理解成由术语“约”修饰。因此，除非有相反的说明，否则前述说明书和所附实施方案列表中示出的数值参数可根据本领域技术人员利用本公开的教导内容寻求获得的期望特性而变化。在最低程度上且不试图将等同原则的应用限制到受权利要求书保护的实施方案的范围的前提下，至少应当根据所报告的数值的有效数位并通过应用普通四舍五入法来解释每个数值参数。

在不脱离本公开实质和范围的前提下，可对本公开的示例性实施方案进行各种修改和更改。因此，应当理解，本公开的实施方案并不限于下文描述的示例性实施方案，而应受权利要求书及其任何等同物中所述的限制因素控制。

现在将具体参考附图描述本公开的各种示例性实施方案。可以在不脱离本公开的实质和范围的前提下，对本公开的示例性实施方案进行各种修改和更改。因此，应当理解，本公开的实施方案并不限于下文描述的示例性实施方案，而应受权利要求书及其任何等同物中示出的限制因素控制。

本公开的操作将参照以下详述的实施例进一步描述。提供这些实施例以进一步说明各种具体和优选的实施方案和技术。然而，应当理解，可以在不脱离本公开范围的前提下进行许多变型和修改。

实施例

这些实施例仅是为了进行示例性的说明，并非旨在过度地限制所附权利要求书的范围。尽管阐述本公开的广义范围的示出的数值范围和参数为近似值，但具体实施例中示出的数值尽可能精确地被记录。然而，任何数值都固有地包含某些误差，在它们各自的试验测量中所存在的标准偏差必然会引起这种误差。在最低程度上，并且不试图将等同原则的应用限制于权利要求书的范围的情况下，至少应根据所记录的有效数位并通过应用惯常的舍入技术来解释每一个数值参数。

测试材料样本

使用可从美国明尼苏达州圣保罗的3M公司(3M Company，Saint Paul，MN)商购获得的火焰压印膜、吹塑微纤维(BMF)过滤材料、非织造材料和树脂材料的光学图像导出初始随机比特流。图5和图6分别示出示例性火焰压印膜样品和示例性非织造样品的光学图像。

测试随机性提取算法

将各种随机性提取算法应用于上述初始随机比特流以生成次级随机比特流。具体地讲，将块奇偶提取器应用于初始随机比特流。

使用国家标准技术研究所的测试套件评估导出的初始随机比特流和分别生成的次级随机比特流。测试套件包括例如频率、块内频率、运行、块的1s的最长运行、频谱离散傅里叶变换(DFT)、重叠模板匹配、近似熵、累积和等的测试。

通过采用初始或次级随机比特流的统计值并将统计值拟合到参考分布来设置上述测试中的每个。参考分布可以是例如正态分布或卡方分布。可以计算假设随机性(或p值)下的失败概率。如果p值低于0.01，则返回测试失败。

表1列出从火焰压印膜样品导出的初始随机比特流的随机性方面的测试结果。通过对从材料样品导出的1000个不同比特串运行测试来计算每个失败率。

表1

表2列出通过应用块奇偶提取器从表1的初始随机比特流导出的次级随机比特流的随机性方面的测试结果。通过对1000个不同比特串运行测试来计算每个失败率。以每个次级随机比特l＝45个初始随机比特来提取128个比特串。以每个次级随机比特l＝5个初始随机比特来提取1024个比特串。

表2

表3列出从非织造材料样品导出的初始随机比特流的随机性方面的测试结果。通过对从材料样品导出的1000个不同比特串运行测试来计算每个失败率。

表3

表4列出通过应用块奇偶提取器从表3的初始随机比特流导出的次级随机比特流的随机性方面的测试结果。通过对1000个不同比特串运行测试来计算每个失败率。以每个次级随机比特l＝288个初始随机比特，提取128个比特串。以每个次级随机比特l＝90个初始随机比特，提取1024个比特串。

表4

块奇偶提取器的应用是基于现有技术水平的伪随机数生成器(PRNG)的基准，特别是MATLAB中内置的伪随机数生成器。PRNG采用小的随机种子，并生成看起来随机的更长字符串。表5列出由MATLAB PRNG生成的字符串的随机性方面的测试结果。总体而言，块奇偶提取器的测试结果(例如，表2和表4)具有与MATLAB PRNG(例如，表5)同等水平的性能。

表5

整个本说明书中提及的“一个实施方案”、“某些实施方案”、“一个或多个实施方案”或“实施方案”，无论在术语“实施方案”前是否包括术语“示例性”都意指结合该实施方案描述的特定特征、结构、材料或特性包括在本公开的某些示例性实施方案中的至少一个实施方案中。因此，在整个本说明书的各处

出现的短语诸如“在一个或多个实施方案中”、“在某些实施方案中”、“在一个实施方案中”或“在实施方案中”不一定是指本公开的某些示例性实施方案中的同一实施方案。此外，具体特征、结构、材料或特性可在一个或多个实施方案中以任何合适的方式进行组合。

虽然本说明书已详细地描述了某些示例性实施方案，但应当理解，本领域的技术人员在理解上述内容后，可以很容易地想到这些实施方案的更改、变型和等同形式。因此，应当理解，本公开不应不当地受限于以上阐述的例示性实施方案。特别是，如本文所用，用端值表述的数值范围旨在包括该范围内所包含的所有数值(例如，1至5包括1、1.5、2、2.75、3、3.80、4和5)。另外，本文所用的所有数字都被认为是被术语“约”修饰。此外，对各种示例性实施方案进行了描述。这些实施方案以及其它实施方案均在如下权利要求的范围内。

Claims (19)

1.一种生成随机数的方法，包括：

提供一批材料样品，其中所述一批材料样品是通过基本上相同的工艺单独制备的多个不同的材料样品，并且其中所述一批材料样品的组成基本上相同；

测量所述一批材料样品中的每一个的一种或多种材料性质，所测得的材料性质具有变异性；

从所述材料样品中的每一个的所测得的材料性质中导出一个或多个初始随机比特流；以及

将来自所述一批材料样品的初始随机比特流进行组合以得到组合的随机比特流，所述组合的随机比特流表示制备所述一批材料样品的所述工艺中固有的随机性。

2.根据权利要求1所述的方法，还包括通过对所导出的初始随机比特流应用随机性提取算法来生成一个或多个次级随机比特流。

3.根据权利要求1所述的方法，其中测量所述一个或多个材料性质包括捕获所述一批材料样品中的每一个的表面的图像。

4.根据权利要求3所述的方法，其中导出所述初始随机比特流还包括从所述材料样品的所述图像确定特性特征的表面变化，所述特性特征与所述材料样品的所述表面的子结构或纹理相关，并将所述表面变化转换成所述初始随机比特流。

5.根据权利要求4所述的方法，其中确定所述表面变化还包括基于所述图像的像素的强度值将所述图像转换为二进制表示。

6.根据权利要求1所述的方法，其中所述材料性质包括光学特征、声学特征、弹性特征、结构特征、电子特征、磁性特征、驻极体相关特征或机械特征，并且材料性质的所述变异性是天然形成的或与用于制备所述材料样品的具体制造工艺相关。

7.根据权利要求2所述的方法，其中所述随机性提取算法包括块奇偶提取器。

8.根据权利要求2所述的方法，其中所述次级随机比特流能够通过独立同分布(IID)随机比特的测试。

9.根据权利要求1所述的方法，还包括：通过对所述组合的随机比特流应用随机性提取算法来生成一个或多个次级随机比特流。

10.根据权利要求1所述的方法，其中所述一批材料样品选自研磨剂、光学膜和非织造织物构成的组。

11.一种从一批样品材料中提取随机数的方法，所述一批材料样品是通过基本上相同的工艺单独制备的多个不同的材料样品，所述一批材料样品的组成基本上相同，所述方法包括：

测量所述材料样品中的每一个的一种或多种材料性质，所测得的材料性质具有变异性；

从所述材料样品中的每一个的所测得的材料性质导出一个或多个初始随机比特流；

将所述一批材料样品的所述导出的初始随机比特流进行组合以得到组合的随机比特流；以及

通过对所述组合的随机比特流应用随机性提取算法来生成一个或多个随机数。

12.根据权利要求11所述的方法，其中测量所述材料性质包括捕获所述一批材料样品的表面图像。

13.根据权利要求12所述的方法，其中导出所述初始随机比特流还包括从所述表面图像确定特性特征的表面变化。

14.根据权利要求13所述的方法，其中确定所述表面变化还包括基于所述图像的像素的强度值将所述图像转换为二进制表示。

15.根据权利要求11所述的方法，其中所述材料性质包括光学特征、声学特征、弹性特征、结构特征、电子特征、磁性特征、驻极体相关特征或机械特征。

16.一种随机数生成器，包括：

测量部件，所述测量部件被配置为测量多个不同的材料样品的一种或多种材料性质，所测得的材料性质具有变异性，其中所述多个不同的材料样品是通过基本上相同的工艺单独制备的一批材料样品，其中所述一批材料样品的组成基本上相同；以及

在功能上连接到所述测量部件的计算部件，所述计算部件包括处理器，所述处理器被配置为：

从所述材料样品中的每一个的所测得的材料性质导出一个或多个初始随机比特流；以及

将来自所述一批材料样品的初始随机比特流进行组合以得到组合的随机比特流，所述组合的随机比特流表示制备所述一批材料样品的所述工艺中固有的随机性。

17.根据权利要求16所述的随机数生成器，其中所述处理器被配置为通过对所述组合的随机比特流应用随机性提取算法来生成一个或多个次级随机比特流。

18.根据权利要求16所述的随机数生成器，还包括被配置为存储材料性质数据的存储器。

19.根据权利要求16所述的随机数生成器，其中所述测量部件包括被配置为捕获所述材料样品的一个或多个图像的相机。

Images