CN111884792B - 基于忆阻器混沌序列的本征态网络电路信号制备系统和方法 - Google Patents
基于忆阻器混沌序列的本征态网络电路信号制备系统和方法 Download PDFInfo
- Publication number
- CN111884792B CN111884792B CN202010618028.7A CN202010618028A CN111884792B CN 111884792 B CN111884792 B CN 111884792B CN 202010618028 A CN202010618028 A CN 202010618028A CN 111884792 B CN111884792 B CN 111884792B
- Authority
- CN
- China
- Prior art keywords
- neural network
- chaotic sequence
- hopfield neural
- circuit
- eigen
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/001—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using chaotic signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
- H04L2209/12—Details relating to cryptographic hardware or logic circuitry
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
- H04L2209/12—Details relating to cryptographic hardware or logic circuitry
- H04L2209/125—Parallelization or pipelining, e.g. for accelerating processing of cryptographic operations
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Feedback Control In General (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及基于忆阻器混沌序列的本征态网络电路信号制备系统,包括:混沌序列生成器,SDN控制器,Hopfield神经网络装置和物联网关。所述Hopfield神经网络装包括多个离散Hopfield神经网络电路。所述混沌序列生成器,用于基于忆阻器电路生成混沌序列。所述SDN控制器通过所述物联网关与所述混沌序列生成器和所述Hopfield神经网络装置通信;所述Hopfield神经网络装置基于所述控制策略和所述混沌序列选择所述离散Hopfield神经网络电路生成所述本征态网络电信号。本发明还涉及基于忆阻器混沌序列的本征态网络电路信号制备方法。本发明能够快速大量制备高随机性的网络电路信号。
Description
技术领域
本发明涉及量子计算技术领域,更具体地说,涉及一种基于忆阻器混沌序列的本征态网络电路信号制备系统和方法。
背景技术
无论是与重大装备设施相关的故障诊断、寿命预知、维保决策,还是与人口健康保障相关的精准医疗、生物医药、信用监管,以及与网络空间安全相关的个人隐私保护、基础设施防御、国家安全保障,无一不需要大规模数据分析、无一不依赖于超强算力的承载。
在大规模数据分析对超强算力的需求不断增加的情况下,需要快速大量制备高随机性的网络电路信号。而现有技术中尚且没有这样的方法或系统。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于忆阻器混沌序列的本征态网络电路信号制备系统和方法,其能够快速大量制备高随机性的网络电路信号。
本发明解决其技术问题所采用的技术方案是:构造一种基于忆阻器混沌序列的本征态网络电路信号制备系统,包括:
混沌序列生成器,用于基于忆阻器电路生成混沌序列;
SDN控制器,用于基于所述混沌序列和预先设置生成控制策略;
Hopfield神经网络装置,包括多个离散Hopfield神经网络电路;
物联网关,所述SDN控制器通过所述物联网关与所述混沌序列生成器和所述Hopfield神经网络装置通信;
所述Hopfield神经网络装置基于所述控制策略和所述混沌序列选择所述离散Hopfield神经网络电路生成所述本征态网络电信号。
在本发明所述基于忆阻器混沌序列的本征态网络电路信号制备系统中,所述混沌序列生成器包括蔡氏忆阻器混沌电路和验证装置;所述蔡氏忆阻器混沌电路基于蔡氏电路混沌系统生成所述混沌序列,所述验证装置用于采用随机统计检验包验证所述混沌序列中的真随机数的安全性和随机性。
在本发明所述基于忆阻器混沌序列的本征态网络电路信号制备系统中,所述蔡氏忆阻器混沌电路包括电流源、电压源、第一电容、第二电容、电阻、电感和忆阻器,所述电感的第一端连接所述电压源和所述电流源、第二端连接所述忆阻器的第一端和所述第二电容的第一端,所述忆阻器的第二端连接所述第一电容的第一端和所述电阻的第一端,所述电阻的第二端、所述第一电容的第二端和所述第二电容的第二端均连接所述电感的第一端。
在本发明所述基于忆阻器混沌序列的本征态网络电路信号制备系统中,所述控制策略包括将每个离散Hopfield神经网络电路与混沌序列中的每个真随机数一一对应,每个离散Hopfield神经网络电路接收一个真随机数并输出一个本征态网络电信号。
在本发明所述基于忆阻器混沌序列的本征态网络电路信号制备系统中,所述离散Hopfield神经网络电路判断接收的真随机数的数值是否大于设定阈值,如果是,所述离散Hopfield神经网络电路输出本征态网络电信号1,否则所述离散Hopfield神经网络电路输出本征态网络电信号0。
在本发明所述基于忆阻器混沌序列的本征态网络电路信号制备系统中,所述设定阈值为固定阈值或所述设定阈值为基于随机函数生成的动态阈值。
在本发明所述基于忆阻器混沌序列的本征态网络电路信号制备系统中,所述控制策略包括将每个离散Hopfield神经网络电路与混沌序列中的每个真随机数一一对应,每个离散Hopfield神经网络电路接收一个真随机数并且多个离散Hopfield神经网络电路输出一个所述本征态网络电信号。
在本发明所述基于忆阻器混沌序列的本征态网络电路信号制备系统中,所述多个离散Hopfield神经网络电路基于接收的多个真随机数的数值和设定阈值输出本征态网络电信号0或输出本征态网络电信号1。
在本发明所述基于忆阻器混沌序列的本征态网络电路信号制备系统中,所述Hopfield神经网络装置包括n个离散Hopfield神经网络电路,每个离散Hopfield神经网络电路用于针对其接收到的一位混沌序列在t时刻生成n维向量Y(t)表示的电路信号,其中Y(t)=[Y1(t),Y2(t),...,Yn(t)]T,n为大于零的整数,Yj(t)(j=1……n)取值为1或0。
本发明解决其技术问题采用的另一技术方案是,构造一种基于忆阻器混沌序列的本征态网络电路信号制备方法,包括:
S1、采用混沌序列生成器基于忆阻器电路生成混沌序列;
S2、采用SDN控制器基于所述混沌序列和预先设置生成控制策略;
S3、采用包括多个离散Hopfield神经网络电路的Hopfield神经网络装置基于所述控制策略和所述混沌序列选择所述离散Hopfield神经网络电路生成所述本征态网络电信号。
实施本发明的基于忆阻器混沌序列的本征态网络电路信号制备系统和方法,能够快速大量制备高随机性的网络电路信号。进一步的,通过采用蔡氏忆阻器混沌电路,可以产生具有高随机性和安全性的混沌系列,进而产生高质量的电路信号。进一步的,还可以根据实际需要选择不同的本征态网络电信号生成方式,能够适应不同的应用场景。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明的基于忆阻器混沌序列的本征态网络电路信号制备系统的第一实施例的原理框图;
图2是本发明的基于忆阻器混沌序列的本征态网络电路信号制备系统的第二实施例的原理框图;
图3是本发明的基于忆阻器混沌序列的本征态网络电路信号制备方法的优选实施例的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1是本发明的基于忆阻器混沌序列的本征态网络电路信号制备系统的第一实施例的原理框图。如图1所示,所述基于忆阻器混沌序列的本征态网络电路信号制备系统,包括:混沌序列生成器100、Hopfield神经网络装置200、物联网关300和SDN控制器400。所述混沌序列生成器100用于基于忆阻器电路生成混沌序列。本领域技术人员知悉,忆阻器是一种新型的非线性两端电路元件,具有记忆特性和阻值连续可变,它主要表示磁通与电荷的关系,由于忆阻器的非线性性质,可以产生混沌电路。因此,在本发明中,可以选择任何适合的已知忆阻器电路实现本发明。
在本发明的一个优选实施例中,所述混沌序列生成器包括蔡氏忆阻器混沌电路和验证装置;所述蔡氏忆阻器混沌电路基于蔡氏电路混沌系统生成所述混沌序列,所述验证装置用于采用随机统计检验包验证所述混沌序列中的真随机数的安全性和随机性。在本实施例中,所述忆阻器电路采用蔡氏忆阻器混沌电路,根据蔡氏电路混沌系统可以使得所述蔡氏忆阻器混沌电路成为混沌系统。利用动力学微分方程的计算方法,进行一定量的迭代,可生成混沌序列。
所述蔡氏电路混沌系统是关于变量x(t),y(t),z(t)的一个由三个非线性常微分方程组成的系统,x,y,z分别代表电容C1、C2上的电压,电感L上的电流强度,所述蔡氏电路混沌系统如下:
其中g(x)=dx+0.5(c-d)·(|x+1|-|x-1|),且a,b,c,d∈R,a,b>0且c,d<0。函数g(x)描述了非线性电阻的电子响应,并且它的形状是依赖于它的组件的特定配置。参数α,β是由电路组件的特定值来决定的。对于蔡氏电路混沌系统的各个参数。
本领域可以根据电路的实际配置进行选择。本领域技术人员知悉各种选择方式,在此不再累述了。
所述验证装置可以采用随机统计检验包验证所述混沌序列中的安全性和随机性。在本发明的优选实施例中,NIST SP800-22标准规定的随机统计检验包验证所述混沌序列中的真随机数的安全性和随机性。
在本发明中,所述Hopfield神经网络装置200可以包括多个离散Hopfield神经网络电路210、220和230。虽然图1中示出的离散Hopfield神经网络电路为3个,但是本领域技术人员知悉,离散Hopfield神经网络电路的具体数量可以根据实际需要构建。
在本发明中,所述SDN控制器400用于基于所述混沌序列和预先设置生成控制策略。所述SDN控制器400通过所述物联网关300与所述混沌序列生成器100和所述Hopfield神经网络装置200通信。所述Hopfield神经网络装置200基于所述控制策略和所述混沌序列选择所述离散Hopfield神经网络电路210、220、230生成所述本征态网络电信号。
在本发明的一个优选实施例中,所述Hopfield神经网络装置200可以包括任意数量个离散Hopfield神经网络电路。所述SDN控制器400可以根据需要生成的本征态网络电信号的位数来选择适合数量的离散Hopfield神经网络电路。例如,如果所述Hopfield神经网络装置200包括50个离散Hopfield神经网络电路。而需要生成的本征态网络电信号的位数是32位,可以根据实际需要选择32个适合的离散Hopfield神经网络电路生成所述本征态网络电信号。比如可以预先设置离散Hopfield神经网络电路的优先级。
在本优选实施例中,所述控制策略包括将每个离散Hopfield神经网络电路与混沌序列中的每个真随机数一一对应,每个离散Hopfield神经网络电路接收一个真随机数并输出一个本征态网络电信号。例如所述离散Hopfield神经网络电路判断接收的真随机数的数值是否大于设定阈值,如果是,所述离散Hopfield神经网络电路输出本征态网络电信号1,否则所述离散Hopfield神经网络电路输出本征态网络电信号0。所述设定阈值可以是固定阈值,也可以是基于随机函数生成的动态阈值。例如,可以选择设定阈值为0.5,当离散Hopfield神经网络电路接收的真随机数的数值大于0.5时,其输出本征态网络电信号1,否则输出本征态网络电信号0。又例如,可以选择所述设定阈值是基于随机函数生成的动态阈值θ。如果离散Hopfield神经网络电路接收的真随机数的数值大于θ则触发离散Hopfield神经网络电路输出本征态网络电信号1。如果离散Hopfield神经网络电路接收的真随机数的数值小于θ则触发离散Hopfield神经网络电路输出本征态网络电信号0。θ可以基于任何随机函数生成。在此可以采用任何适合的已知随机函数。
如所述混沌序列生成器生成的混沌序列例如为n位,所述Hopfield神经网络装置包括n个离散Hopfield神经网络电路,每个离散Hopfield神经网络电路用于针对其接收到的一位混沌序列在t时刻生成n维向量Y(t)表示的电路信号,其中Y(t)=[Y1(t),Y2(t),...,Yn(t)]T,n为大于零的整数,Yj(t)(j=1……n)取值为1或0。故而,网络状态有2n个状态;因为Yj(t)(j=1……n)可以取值为1或0;故n维向量Y(t)有2n种状态,即是n个电路信号向量状态。
在本发明的进一步的优选实施例中,所述控制策略包括将每个离散Hopfield神经网络电路与混沌序列中的每个真随机数一一对应,每个离散Hopfield神经网络电路接收一个真随机数并且多个离散Hopfield神经网络电路输出一个所述本征态网络电信号。所述多个离散Hopfield神经网络电路基于接收的多个真随机数和设定阈值输出本征态网络电信号0或输出本征态网络电信号1。例如4个真随机数对应一个本征态网络电信号的输出,或者2个真随机数、或则8个真随机数对应本征态网络电信号的输出。在本发明的一个优选实施例中,可以基于每个混沌序列的真随机数的具体数值和设定阈值确定输出本征态网络电信号0或输出本征态网络电信号1。例如,只要全部的混沌序列的真随机数的数值都大于设定阈值时,才输出本征态网络电信号1,否则输出本征态网络电信号0。或者例如,混沌序列的一半的真随机数的数值都大于设定阈值时,才输出本征态网络电信号1,否则输出本征态网络电信号0。又例如,混沌序列的全部的真随机数之和大于设定阈值,输出本征态网络电信号1,否则输出本征态网络电信号0。本领域技术人员知悉,在此可以根据实际需要、系统预先设置,进行任何适合的判断标准。
在本发明的进一步的优选实施例中,每个基于忆阻器混沌序列的本征态网络电路信号制备系统可以包括一个SDN控制器、一个物联网关和一组或多组对应的所述Hopfield神经网络装置200和混沌序列生成器100。
实施本发明的基于忆阻器混沌序列的本征态网络电路信号制备系统,能够快速大量制备高随机性的网络电路信号。进一步的,通过采用蔡氏忆阻器混沌电路,可以产生具有高随机性和安全性的混沌系列,进而产生高质量的电路信号。进一步的,还可以根据实际需要选择不同的本征态网络电信号生成方式,能够适应不同的应用场景。
图2是本发明的基于忆阻器混沌序列的本征态网络电路信号制备系统的第二实施例的原理框图。遵循OSI网络协议栈,采用软件定义网络的分层控制结构,将网络全部分层分别为物理层1、网络层2、控制层3。在本发明的优选实施例中,所述混沌序列生成器100和所述Hopfield神经网络装置200设置在物理层1中。SDN控制器400设置在控制层3中,而物联网关300设置在网络层2中。所述SDN控制器400通过所述物联网关300与所述混沌序列生成器100和所述Hopfield神经网络装置200通信。在本实施例中,所述混沌序列生成器100包括蔡氏忆阻器混沌电路110和验证装置。所述蔡氏忆阻器混沌电路110基于蔡氏电路混沌系统生成所述混沌序列,所述验证装置用于采用随机统计检验包验证所述混沌序列中的真随机数的安全性和随机性。
如图2所示,所述蔡氏忆阻器混沌电路110包括电流源、电压源、电容C1、电容C2、电阻R1、电感L和忆阻器R,所述电感L的第一端连接所述电压源和所述电流源、第二端连接所述忆阻器R的第一端和所述电容C2的第一端,所述忆阻器R的第二端连接所述电容C1的第一端和所述电阻R1的第一端,所述电阻R1的第二端、所述电容C1的第二端和所述电容C2的第二端均连接所述电感L的第一端。忆阻器R是一种新型的非线性两端电路元件,具有记忆特性和阻值连续可变,它主要表示磁通与电荷的关系,由于忆阻器的非线性性质,可以产生混沌电路。
根据蔡氏电路混沌系统可以使得所述蔡氏忆阻器混沌电路成为混沌系统。利用动力学微分方程的计算方法,进行一定量的迭代,可生成混沌序列。
所述蔡氏电路混沌系统是关于变量x(t),y(t),z(t)的一个由三个非线性常微分方程组成的系统,x,y,z分别代表电容C1、C2上的电压,电感L上的电流强度,所述蔡氏电路混沌系统如下:
其中g(x)=dx+0.5(c-d)·(|x+1|-|x-1|),且a,b,c,d∈R,a,b>0且c,d<0。函数g(x)描述了非线性电阻的电子响应,并且它的形状是依赖于它的组件的特定配置。参数α,β是由电路组件的特定值来决定的。对于蔡氏电路混沌系统的各个参数。
同样的,在本实施例中,采用NIST SP800-22标准规定的随机统计检验包验证所述混沌序列中的真随机数的安全性和随机性。
在本优选实施例中,所述Hopfield神经网络装置200利用混沌序列与信号发生位一一对应的特性,采用多个离散Hopfield神经网络电路实现多信号发生位的并行性。对于每一位混沌序列,采用离散Hopfield神经网络电路与每一位信号发生位对应,利用离散Hopfield网络的二值性,对应所输出的离散值1和0分别表示神经元处于激活和抑制状态,即信号发生位的1或0稳态。
在本实施例中,将每个离散Hopfield神经网络电路与混沌序列中的一个真随机数(即每个位的混沌序列产生的信息)一一对应,每个离散Hopfield神经网络电路接收混沌序列的一个真随机数并输出一个本征态网络电信号。在本实施例中,所述离散Hopfield神经网络电路判断接收的混沌序列的真随机数是否大于设定阈值,如果是,所述离散Hopfield神经网络电路输出本征态网络电信号1,否则所述离散Hopfield神经网络电路输出本征态网络电信号0。在此,采用动态阈值,即基于随机函数的阈值θ,从而使得混沌序列中小于θ的真随机数经离散Hopfield神经网络电路输出本征态网络电信号0,而小于θ的真随机数经离散Hopfield神经网络电路输出本征态网络电信号1。
对于一个由n个信号发生位的并行向量的产生,可由一个包括n个离散Hopfield神经网络电路的Hopfield神经网络装置。每个离散Hopfield神经网络电路用于针对其接收到的一位混沌序列在t时刻生成n维向量Y(t)表示的本征态网络电信号,其中Y(t)=[Y1(t),Y2(t),...,Yn(t)]T,n为大于零的整数,Yj(t)(j=1……n)取值为1或0。故而,网络状态有2n个状态;因为Yj(t)(j=1……n)可以取值为1或0;故n维向量Y(t)有2n种状态,即是n个本征态网络电信号正负向量状态。
进一步的,所述网络层主要负责网络通信。其功能除了网络联接和管理之外,还包括现场处理,同时保障网络电路信号制备作业在本地的存活。收集物理层各装置的状态维护数据。此外,协议转换也是这一层的重要功能。需要在该层网关上做协议的转换,将数据统一承载在IP网络上向外传输。
物联网关300包括交换路由及ICT融合网关,因此设置在网络层中的物联网关300可以包括交换路由及ICT融合网关,其支持接口种类多,例如支持多种工业标准的物理接口,支持的协议种类多,具有本地智能,即要求网关具有本地计算,边缘决策,本地存活的能力,从而确保连接的所述基于本征态的电路信号制备装置可以按照SDN控制器400对物联网关300的指令要求进行编码,从而制备出N-信息电路信号的特定初态。
物联网关300还可以通过SDN/NFV技术,让本地计算、就近观测,以及维持边缘存活等不同类型的网络电路信号制备应用在网关上得以运行,使得低时延的业务和本地存活成为可能。
优选的是,所述控制层还可以包括网络管理功能、计算资源管理功能、应用管理和数据订阅与发放功能。所述网络管理功能包括对物理层终端和网关的统一管理和认证。所述网络管理功能包括实现对物理层终端和网关的统一管理和认证。所述计算资源管理功能包括实现SDN控制器400对物联网关300的计算资源的管理和分配。所述应用管理管理功能包括实现对混沌序列正负向生成策略、装置状态维护机制等网关应用的下载更新。所述数据订阅与发放功能包括处理装置状态维护数据并观测电路信号模拟操作过程。
本发明在大规模数据分析对超强算力的需求不断增加的情况下,基于SDN/NFV的计算体系,提供了一种可采用虚拟化技术对单个电路信号模拟制备节点的计算服务资源进行切分组织,制备形成面向通信、存储与服务环境的叠加映像态的多位本征态网络电路信号并行化制备系统。本发明的基于忆阻器混沌序列的本征态网络电路信号制备系统可采用分布式并行计算模式,将业务计算流同步复制迁移至每个映像态中参与独立计算,实现高速的并行计算支持。本发明的基于忆阻器混沌序列的本征态网络电路信号制备系统确保本征态的网络电路信号制备的工艺流程可软件化定义方式实现。基于软件定义机制,可采用规定的重构策略集叠加每个映像态的独立计算结果,协同完成网络体系的结果输出。
图3是本发明的基于忆阻器混沌序列的本征态网络电路信号制备方法的优选实施例的流程图。如图3所示,在步骤S1中,采用混沌序列生成器基于忆阻器电路生成混沌序列。在步骤S2中,采用SDN控制器基于所述混沌序列和预先设置生成控制策略。在步骤S3中,采用包括多个离散Hopfield神经网络电路的Hopfield神经网络装置基于所述控制策略和所述混沌序列选择所述离散Hopfield神经网络电路生成所述本征态网络电信号。
在本发明的进一步的优选实施例中,所述混沌序列生成器100和所述Hopfield神经网络模块200可以参照图1-2中所示的实施例构造。本发明的进一步的基于忆阻器混沌序列的本征态网络电路信号制备方法也可以参照图1-2中所示的实施例构造。
下面以32位的本征态网络电路信号的制备为例说明如下。该信号按二进制,分4段表示如下:
11110000、11101110、11001100、10001000
由于考虑快速并行计算的支持,这里的多位本征信号的生成与传统冯诺依曼计算机的同样位数信号的生成不同,本系统生成的信号为同时并行生成的,即同一个时刻并行生成32位信号,而不是按现有系统CPU的串行指令方式生成32位信号。
系统物理层接收控制指令,同时采用每隔6秒钟生成一个电路信号的规则,控制物理电路开始生成混沌序列。所述蔡氏忆阻器混沌电路110基于蔡氏电路混沌系统,利用动力学微分方程的计算方法,生成混沌序列。根据蔡氏电路混沌系统方程,选定一组系统参数a=10,b=18,c=-1.37,d=0.74,使得系统为混沌系统。然后根据动力学微分方程的计算方法,进行一定量的迭代,即可生成混沌序列。对生成的混沌序列采用NIST SP800-22标准规定的随机统计检验包验证所述混沌序列中的真随机数的安全性和随机性,经检验后,混沌序列生成器触发Hopfield神经网络。
系统SDN根据生成的混沌序列进行判断,按照控制策略,不同的混沌序列对应不同的Hopfield神经网络电路,同时控制不同位对应位的网络输入输出。在本实施例中,SDN控制器根据32位信号的本征态确定一一对应的每一位的输出,生成混沌序列正负向生成控制措施作为控制指令控制物理层,该指令通过网络层向物理层下达形成制备本征态网络电路信号的控制策略。比如混沌序列中数值大于θ的随机数则触发Hopfield神经网络装置中对应Hopfield神经网络电路输出1信号,小于θ则Hopfield神经网络装置中对应Hopfield神经网络电路输出。当然,也可以如前所述,选择4个Hopfield神经网络电路作为输入,但是仅输出一个本征态网络电路信号。
在本发明的优选实施例中,网络中可以包括多个前述的基于忆阻器混沌序列的本征态网络电路信号制备系统。在本征态网络电路信号制备完成之后,通过网络层实现全部的基于忆阻器混沌序列的本征态网络电路信号制备系统的互联。全部的本征态网络电路信号上传至控制层。可以采用一个物理网关和一个SDN控制器连接多组混沌序列生成器和对应Hopfield神经网络装置,保证每个混沌序列生成器及对应的Hopfield神经网络装置的协同,实现信号的并行生成。
SDN控制器对网络层传送的本征态网络电路信号进行统一的处理,供物理层维护和真随机数观测用。并对下层的网络、控制部件、测量部件、计算资源进行管理控制。通过该步骤,SDN控制器可以对输出信号并行位或向量进行测量和检验,保证输出的本征态信号的正确性。
最后通过SDN的全局管理控制,综合32位随机数及对应的Hopfield神经网络的最终输出,得到32位信号的最终稳定的本征态结果,灵活实现软件定义的多位本征态网络电路信号初态。混沌序列生成器连接32个Hopfield神经网络电路,SDN控制器经接收联网关发来的电路信号生成策略控制每个Hopfield电路每6秒生成一个电路信号,则一分钟内,系统可生成320个本征态的网络电路信号。
实施本发明的基于忆阻器混沌序列的本征态网络电路信号制备方法,能够快速大量制备高随机性的网络电路信号。进一步的,通过采用蔡氏忆阻器混沌电路,可以产生具有高随机性和安全性的混沌系列,进而产生高质量的电路信号。进一步的,还可以根据实际需要选择不同的本征态网络电信号生成方式,能够适应不同的应用场景。
因此,本发明可以通过硬件、软件或者软、硬件结合来实现。本发明可以在至少一个计算机系统中以集中方式实现,或者由分布在几个互连的计算机系统中的不同部分以分散方式实现。任何可以实现本发明方法的计算机系统或其它设备都是可适用的。常用软硬件的结合可以是安装有计算机程序的通用计算机系统,通过安装和执行程序控制计算机系统,使其按本发明方法运行。
本发明还可以通过计算机程序产品进行实施,程序包含能够实现本发明方法的全部特征,当其安装到计算机系统中时,可以实现本发明的方法。本文件中的计算机程序所指的是:可以采用任何程序语言、代码或符号编写的一组指令的任何表达式,该指令组使系统具有信息处理能力,以直接实现特定功能,或在进行下述一个或两个步骤之后实现特定功能:a)转换成其它语言、编码或符号;b)以不同的格式再现。
虽然本发明是通过具体实施例进行说明的,本领域技术人员应当明白,在不脱离本发明范围的情况下,还可以对本发明进行各种变换及等同替代。另外,针对特定情形或材料,可以对本发明做各种修改,而不脱离本发明的范围。因此,本发明不局限于所公开的具体实施例,而应当包括落入本发明权利要求范围内的全部实施方式。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于忆阻器混沌序列的本征态网络电路信号制备系统,其特征在于,包括:
混沌序列生成器,用于基于忆阻器电路生成混沌序列;
SDN控制器,用于基于所述混沌序列和预先设置生成控制策略;
Hopfield神经网络装置,包括多个离散Hopfield神经网络电路;
物联网关,所述SDN控制器通过所述物联网关与所述混沌序列生成器和所述Hopfield神经网络装置通信;
所述Hopfield神经网络装置基于所述控制策略和所述混沌序列选择所述离散Hopfield神经网络电路生成所述本征态网络电信号;
所述控制策略包括将每个离散Hopfield神经网络电路与混沌序列中的每个真随机数一一对应,每个离散Hopfield神经网络电路接收一个真随机数并输出一个本征态网络电信号;或所述控制策略包括将每个离散Hopfield神经网络电路与混沌序列中的每个真随机数一一对应,每个离散Hopfield神经网络电路接收一个真随机数并且多个离散Hopfield神经网络电路输出一个所述本征态网络电信号。
2.根据权利要求1所述基于忆阻器混沌序列的本征态网络电路信号制备系统,其特征在于,所述混沌序列生成器包括蔡氏忆阻器混沌电路和验证装置;所述蔡氏忆阻器混沌电路基于蔡氏电路混沌系统生成所述混沌序列,所述验证装置用于采用随机统计检验包验证所述混沌序列中的真随机数的安全性和随机性。
3.根据权利要求2所述基于忆阻器混沌序列的本征态网络电路信号制备系统,其特征在于,所述蔡氏忆阻器混沌电路包括电流源、电压源、第一电容、第二电容、电阻、电感和忆阻器,所述电感的第一端连接所述电压源和所述电流源、第二端连接所述忆阻器的第一端和所述第二电容的第一端,所述忆阻器的第二端连接所述第一电容的第一端和所述电阻的第一端,所述电阻的第二端、所述第一电容的第二端和所述第二电容的第二端均连接所述电感的第一端。
4.根据权利要求1所述基于忆阻器混沌序列的本征态网络电路信号制备系统,其特征在于,所述离散Hopfield神经网络电路判断接收的真随机数的数值是否大于设定阈值,如果是,所述离散Hopfield神经网络电路输出本征态网络电信号1,否则所述离散Hopfield神经网络电路输出本征态网络电信号0。
5.根据权利要求4所述基于忆阻器混沌序列的本征态网络电路信号制备系统,其特征在于,所述设定阈值为固定阈值或所述设定阈值为基于随机函数生成的动态阈值。
6.根据权利要求1所述基于忆阻器混沌序列的本征态网络电路信号制备系统,其特征在于,所述多个离散Hopfield神经网络电路基于接收的多个真随机数的数值和设定阈值输出本征态网络电信号0或输出本征态网络电信号1。
7.根据权利要求1所述基于忆阻器混沌序列的本征态网络电路信号制备系统,其特征在于,所述Hopfield神经网络装置包括n个离散Hopfield神经网络电路,每个离散Hopfield神经网络电路用于针对其接收到的一位混沌序列在t时刻生成n维向量Y(t)表示的电路信号,其中Y(t)=[Y1(t),Y2(t),...,Yn(t)]T,n为大于零的整数,Yj(t)(j=1……n)取值为1或0。
8.一种基于忆阻器混沌序列的本征态网络电路信号制备方法,其特征在于,包括:
S1、采用混沌序列生成器基于忆阻器电路生成混沌序列;
S2、采用SDN控制器基于所述混沌序列和预先设置生成控制策略;
S3、采用包括多个离散Hopfield神经网络电路的Hopfield神经网络装置基于所述控制策略和所述混沌序列选择所述离散Hopfield神经网络电路生成所述本征态网络电信号;
所述控制策略包括将每个离散Hopfield神经网络电路与混沌序列中的每个真随机数一一对应,每个离散Hopfield神经网络电路接收一个真随机数并输出一个本征态网络电信号;或所述控制策略包括将每个离散Hopfield神经网络电路与混沌序列中的每个真随机数一一对应,每个离散Hopfield神经网络电路接收一个真随机数并且多个离散Hopfield神经网络电路输出一个所述本征态网络电信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618028.7A CN111884792B (zh) | 2020-06-30 | 2020-06-30 | 基于忆阻器混沌序列的本征态网络电路信号制备系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010618028.7A CN111884792B (zh) | 2020-06-30 | 2020-06-30 | 基于忆阻器混沌序列的本征态网络电路信号制备系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111884792A CN111884792A (zh) | 2020-11-03 |
CN111884792B true CN111884792B (zh) | 2021-07-09 |
Family
ID=73157371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010618028.7A Active CN111884792B (zh) | 2020-06-30 | 2020-06-30 | 基于忆阻器混沌序列的本征态网络电路信号制备系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111884792B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095497B (zh) * | 2021-05-06 | 2023-04-07 | 安徽大学 | 一种分数阶四元忆阻神经网络的有限时间同步方法、装置 |
CN114301580B (zh) * | 2021-11-23 | 2023-06-02 | 中国地质大学(武汉) | 一种基于Duffing-Van der pol忆阻混沌振子的混沌同步电路 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102681816B (zh) * | 2012-05-22 | 2015-01-14 | 太原理工大学 | 一种全光真随机数发生器 |
MX2015004844A (es) * | 2012-10-17 | 2015-11-16 | Enterome | Firmas geneticas de trastornos inflamatorios que se relacionan con el higado. |
WO2015065834A2 (en) * | 2013-10-28 | 2015-05-07 | Saffron Technology, Inc. | Methods, systems and computer program products for using a distributed associative memory base to determine data correlations and convergence therein |
CN203554473U (zh) * | 2013-11-19 | 2014-04-16 | 韩凤英 | 一种用于保密通信系统中的混沌同步控制系统 |
CN103957112A (zh) * | 2014-05-20 | 2014-07-30 | 华侨大学 | 一种基于混沌神经网络的安全组播通信的方法 |
CN104516713B (zh) * | 2014-12-29 | 2017-11-14 | 太原理工大学 | 一种全光真随机数产生装置 |
CN106201435B (zh) * | 2016-07-17 | 2018-11-16 | 西安电子科技大学 | 基于细胞神经网络的伪随机数生成方法 |
US10510358B1 (en) * | 2017-09-29 | 2019-12-17 | Amazon Technologies, Inc. | Resolution enhancement of speech signals for speech synthesis |
US10796181B2 (en) * | 2018-09-18 | 2020-10-06 | GE Precision Healthcare LLC | Machine learning based method and system for analyzing image artifacts and imaging system failure |
CN109635430B (zh) * | 2018-12-12 | 2023-10-03 | 中国科学院深圳先进技术研究院 | 电网输电线路暂态信号监测方法和系统 |
US11580411B2 (en) * | 2018-12-18 | 2023-02-14 | Hewlett Packard Enterprise Development Lp | Systems for introducing memristor random telegraph noise in Hopfield neural networks |
CN109830888B (zh) * | 2019-01-24 | 2020-10-13 | 西南大学 | 一种基于硅基微腔混沌产生物理随机数装置 |
CN109921893A (zh) * | 2019-01-30 | 2019-06-21 | 太原理工大学 | 一种增强混沌激光随机性的系统及方法 |
-
2020
- 2020-06-30 CN CN202010618028.7A patent/CN111884792B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111884792A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | Exponential adaptive lag synchronization of memristive neural networks via fuzzy method and applications in pseudorandom number generators | |
Schwartz et al. | Exhaustive learning | |
CN111884792B (zh) | 基于忆阻器混沌序列的本征态网络电路信号制备系统和方法 | |
Wen et al. | Passivity analysis of memristor-based recurrent neural networks with time-varying delays | |
US11176446B2 (en) | Compositional prototypes for scalable neurosynaptic networks | |
Komar et al. | Compression of network traffic parameters for detecting cyber attacks based on deep learning | |
CN108334942A (zh) | 神经网络的数据处理方法、装置、芯片和存储介质 | |
CN112087329B (zh) | 一种网络服务功能链部署方法 | |
CN112232513A (zh) | 一种量子态的制备方法及装置 | |
Xinsong et al. | Adaptive pinning synchronization of coupled neural networks with mixed delays and vector-form stochastic perturbations | |
Rasteh et al. | Encrypted internet traffic classification using a supervised spiking neural network | |
Dong et al. | A cell-based fast memetic algorithm for automated convolutional neural architecture design | |
Zhang et al. | Mode-dependent adaptive event-triggered control for stabilization of Markovian memristor-based reaction–diffusion neural networks | |
Tashev et al. | Determination of the computer modelling precision for throughput of switch node with LPF-algorithm | |
Xiao et al. | Distributed traffic synthesis and classification in edge networks: A federated self-supervised learning approach | |
CN113535381B (zh) | 基于改进遗传算法的服务功能链映射方法、装置及设备 | |
Udhayakumar et al. | Quasi‐bipartite synchronisation of multiple inertial signed delayed neural networks under distributed event‐triggered impulsive control strategy | |
Ding et al. | A hybrid-mode on-chip router for the large-scale FPGA-based neuromorphic platform | |
CN111884793B (zh) | 基于分数阶混沌序列的本征态网络电路信号制备系统和方法 | |
Roy et al. | Hardware efficient, neuromorphic dendritically enhanced readout for liquid state machines | |
Abbasi et al. | FLITC: A novel federated learning-based method for IoT traffic classification | |
CN109697511B (zh) | 数据推理方法、装置及计算机设备 | |
Yu et al. | Traffic scheduling based on spiking neural network in hybrid E/O switching intra-datacenter networks | |
Chen et al. | Multi‐consensus for second‐order multi‐agent systems based on sampled position information | |
CN111860774B (zh) | 一种基于真随机数的本征态网络电路信号制备系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |