پديد آورنده :
اسود، اميرحسين
عنوان :
بررسي آزمونهاي آماري و يك مولد اعداد شبه تصادفي بر پايهي روشهاي يادگيري ماشين و مقايسه با مولدهاي مرسوم
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
شبكه هاي مخابراتي
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
دوازده، 85ص. : مصور، جدول، نمودار
توصيفگر ها :
اعداد تصادفي , آزمون آماري , يادگيري ماشين , يادگيري ماشين
تاريخ ورود اطلاعات :
1403/12/19
دانشكده :
مهندسي برق و كامپيوتر
تاريخ ويرايش اطلاعات :
1403/12/22
چكيده فارسي :
مولدهاي اعداد شبهتصادفي ابزارهايي هستند كه دنبالههايي از اعداد توليد ميكنند كه از نظر آماري به اعداد تصادفي نزديكاند. اعداد شبهتصادفي در زمينههاي گستردهاي از جمله رمزنگاري، شبيهسازيهاي فيزيكي و نرمافزارهاي رايانهاي كاربرد دارند. براي ارزيابي كيفيت اين مولدها، از مجموعههاي آزموني استفاده ميشود كه از آزمونهاي آماري تشكيل ميشوند و ويژگيهاي آماري دنبالههاي توليدشده را تحليل ميكنند. در پژوهشهاي اخير، استفاده از روشهاي يادگيري ماشين بهعنوان يك روش نوآورانه براي طراحي مولدهاي اعداد شبهتصادفي پيشنهاد شده است. در اين روش، توليد اعداد بهصورت گامبهگام انجام ميشود تا روشي بهتر براي توليد اعداد شبهتصادفي ايجاد شود. با افزايش سه برابري نرخ يادگيري، هرچند مطابق انتظار ميزان پاداش كلي ده درصد كاهش داشت، اما مدت زمان آموزش سي درصد كاهش يافت. اين كاهش مدت زمان، با توجه به اهميت نرخ توليد دادهها در مولدها، نتيجهاي مناسب محسوب ميشود. اين روشها نهتنها امكان مقايسه و رقابت با مولدهاي مرسوم را فراهم ميكنند، بلكه زمينهاي براي استفاده از يادگيري تقويتي عميق در بهبود مولدهاي اعداد شبهتصادفي فراهم ميسازند. با توجه به نتايج پژوهشها، اين رويكردها ظرفيت بالايي در افزايش كيفيت و كاربرديتر كردن مولدهاي اعداد شبهتصادفي داشته و مسير جديدي را براي تحقيقات آينده در اين حوزه، از جمله پژوهش پيشرو، باز نمودهاند. در اين پژوهش نيز با تكيه بر رويكردهاي پيشنهاد شدهي قبلي، تلاشي براي بهبود توليد اعداد شبهتصادفي و مقايسه با روشهاي مرسوم انجام گرديده است.
چكيده انگليسي :
Pseudo-random number generators (PRNGs) are tools designed to produce sequences of numbers that statistically resemble random numbers, with applications spanning fields such as cryptography, physical simulations, and computer software. The quality of these generators is evaluated using test suites composed of statistical tests to analyze the statistical properties of the generated sequences. Recent studies have introduced machine learning methods as an innovative approach for designing PRNGs, where numbers are generated step-by-step to develop an optimized mechanism. An increase in the learning rate by a factor of three, while leading to a 10% decrease in overall reward, reduced the training time by 30%, which is significant given the critical role of data generation rates in PRNGs. These methods not only enable comparison and competition with traditional generators but also pave the way for leveraging deep reinforcement learning to improve PRNGs. Prior research highlights the potential of these approaches in enhancing the quality and applicability of PRNGs, opening new directions for exploration, including the current study, which builds on these methods to improve pseudo-random number generation and compare the results with conventional approaches.
استاد راهنما :
محمد دخيل عليان
استاد مشاور :
محمدرضا حيدرپور
استاد داور :
مجتبي خليلي دليگاني , فاطمه دلدارفروتقه
