Застосування алгоритмiв штучного iнтелекту для тестування якостi псевдовипадкових послiдовностей для криптосистем

Скорочена інформація про документ
dc.contributor.advisorКудiн, Антон Михайлович
dc.contributor.authorГриценко, Марiя Дмитрiвна
dc.date.accessioned2026-08-21T10:06:01Z
dc.date.available2026-08-21T10:06:01Z
dc.date.issued2026
dc.description.abstractМетою роботи є дослiдити можливостi використання статистичних методiв та алгоритмiв машинного навчання для аналiзу властивостей псевдовипадкових послiдовностей. Об’єктом дослiдження є властивостi псевдовипадкових послiдовностей, що використовуються у криптографiчних застосуваннях. Предметом дослiдження є статистичнi методи та методи машинного навчання для оцiнювання властивостей псевдовипадкових послiдовностей i виявлення порушень їх псевдовипадковостi. У роботi пiсля аналiзу iснуючих пiдходiв до оцiнювання якостi псевдовипадкових послiдовностей, дослiдили постулати Голомба та за допомогою них обґрунтовали вибiр властивостей для подальшого аналiзу: рiвномiрностi, структури серiй та автокореляцiйних залежностей. Для проведення експериментiв реалiзовали генерацiю еталонних та модифiкованих послiдовностей на основi потокового шифру ChaCha20, а також сформовали набiр даних зi слабкими та сильними порушеннями дослiджуваних властивостей. Реалiзовано статистичнi методи Monobit Test, Runs Test та Autocorrelation Test, а також моделi машинного навчання Random Forest, MLP та LSTM. Проведене експериментальне дослiдження показало, що статистичнi методи стабiльно виявляють сильнi порушення властивостей псевдовипадкових послiдовностей, однак можуть пропускати слабкi вiдхилення. Найкращi результати серед моделей машинного навчання продемонстрував Random Forest, який успiшно виконав класифiкацiю всiх дослiджуваних класiв послiдовностей. Отриманi результати дозволили визначити особливостi застосування статистичних методiв та алгоритмiв машинного навчання для задач аналiзу псевдовипадкових послiдовностей.
dc.description.abstractotherThe purpose of this work is to investigate the possibilities of applying statistical methods and machine learning algorithms to the analysis of pseudorandom sequence properties. The object of the research is the properties of pseudorandom sequences used in cryptographic applications. The subject of the research is statistical methods and machine learning techniques for evaluating the properties of pseudorandom sequences and detecting violations of their pseudorandomness. The study begins with an analysis of existing approaches to assessing the quality of pseudorandom sequences. Based on Golomb’s postulates, the properties selected for further investigation were justified, namely uniformity, run structure, and autocorrelation characteristics. For the experimental part, a system for generating reference and modified sequences based on the ChaCha20 stream cipher was implemented. In addition, a dataset containing sequences with weak and strong violations of the investigated properties was constructed. The statistical methods Monobit Test, Runs Test, and Autocorrelation Test, as well as the machine learning models Random Forest, MLP, and LSTM, were implemented. The experimental results demonstrated that statistical methods reliably detect significant violations of pseudorandom sequence properties but may fail to identify weaker deviations. Among the machine learning models, Random Forest achieved the best performance, successfully classifying all investigated sequence classes. The obtained results made it possible to identify the strengths and limitations of both statistical methods and machine learning algorithms in the analysis of pseudorandom sequences.
dc.format.extent109 c.
dc.identifier.citationГриценко, М. Д. Застосування алгоритмiв штучного iнтелекту для тестування якостi псевдовипадкових послiдовностей для криптосистем : допломна робота ... бакалавра : 113 Прикладна математика / Гриценко Марiя Дмитрiвна. - Київ, 2026. - 109 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/82661
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectпсевдовипадковi послiдовностi
dc.subjectкриптографiя
dc.subjectChacha20
dc.subjectстатистичнi тести
dc.subjectмашинне навчання
dc.subjectRandom Forest
dc.subjectMLP
dc.subjectLSTM
dc.subjectMonobit Test
dc.subjectRuns Test
dc.subjectAutocorrelation Test
dc.subject.udc519.21:004.85
dc.titleЗастосування алгоритмiв штучного iнтелекту для тестування якостi псевдовипадкових послiдовностей для криптосистем
dc.title.alternativeApplication of Artificial Intelligence Algorithms for Assessing the Quality of Pseudorandom Sequences in Cryptosystems
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Hrytsenko_bakalavr.pdf
Розмір:
482.52 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММЗІ)
Бакалаврські роботи