혼돈 반복 기반 의사난수 생성기 최적화 기법

초록

본 논문은 기존 의사난수 생성기(PRNG)의 품질을 향상시키기 위해 혼돈 반복(Chaotic Iterations) 기법을 적용하는 방법을 제시한다. 세 가지 CIPRNG(Old, New, Xor) 구조를 설계하고, NIST와 DieHARD 테스트를 통해 결함이 있는 PRNG에도 통계적 무작위성을 크게 개선함을 실험적으로 입증한다.

상세 분석

논문은 먼저 혼돈 반복(Chaotic Iterations, CI)의 수학적 정의와 Devaney가 제시한 위상적 혼돈 조건을 요약한다. CI는 이진 벡터 공간 B^N에서 정의되며, 전략(sequence) S에 따라 매 반복마다 하나의 비트만을 선택적으로 업데이트한다. 이때 사용되는 반복 함수 f는 보통 벡터 논리 부정이며, 전략 S는 외부 PRNG(예: PRNG1, PRNG2)에서 추출된 인덱스로 구성된다. 이러한 구조는 기존 PRNG의 출력에 비선형적인 교란을 가함으로써, 입력 PRNG가 갖는 주기성이나 편향을 효과적으로 억제한다는 점이 핵심이다.

세 가지 CIPRNG 설계는 다음과 같이 차별화된다.

1. Old CIPRNG은 N=4인 작은 상태 벡터를 사용하고, PRNG2가 제공하는 전략 S에 따라 한 비트를 뒤집는다. PRNG1은 출력 시점(m) 선택에 활용된다. 이 구조는 구현이 간단하지만, 전략과 출력 선택이 무작위성을 크게 향상시킨다.
2. New CIPRNG은 32비트 상태 벡터와 불규칙한 전략 디케이(Decimation)를 도입한다. 전략은 PRNG2의 출력을 N으로 나눈 나머지를 사용하고, 이미 사용된 인덱스는 재사용을 방지하기 위해 플래그 d_i를 관리한다. 또한 PRNG1이 결정하는 m 값에 따라 반복 횟수를 동적으로 조절한다. 이 설계는 Old 버전에 비해 연산량이 늘지만, 전략의 다양성과 출력 선택의 복잡도가 증가해 통계적 품질이 크게 개선된다.
3. Xor CIPRNG은 매 반복마다 하나가 아닌 여러 비트를 동시에 XOR 연산으로 업데이트한다. 수식 x_n = x_{n-1} ⊕ S_n 로 표현되며, 여기서 S_n은 PRNG2가 생성한 N비트 마스크이다. 이 방식은 GPU와 같은 병렬 환경에서 높은 처리량을 달성할 수 있어 20 GSamples/s 수준의 속도를 보인다. 다만, 통계적 품질은 Old와 New에 비해 다소 낮을 수 있어, 다중 기능 파워(multiple functional power)를 적용해 보강한다.

논문은 네 가지 PRNG 군(LGC, MRG, UCARRY, GFSR, INV)을 실험 대상으로 선정하고, 각각을 위 세 가지 CIPRNG 구조와 조합한다. 실험은 100개의 1 M비트 시퀀스를 생성해 NIST SP 800‑22(15개 테스트)와 DieHARD(18개 테스트)에 투입하였다. 결과는 표 형태로 제시되며, 대부분의 경우 CIPRNG 적용 후 모든 테스트를 통과하거나, 기존보다 P‑value 분포가 현저히 개선된 것을 확인한다. 특히 New CIPRNG은 가장 높은 통과율을 보였으며, Xor CIPRNG은 기능 파워를 늘릴 경우 NIST 전부를 통과한다.

이러한 결과는 CI가 비선형 교란을 제공함으로써 입력 PRNG의 구조적 결함을 효과적으로 마스킹한다는 것을 의미한다. 또한, 전략 선택과 출력 추출 메커니즘을 조절함으로써 속도와 품질 사이의 트레이드오프를 유연하게 관리할 수 있다. 논문은 향후 GPU 최적화, 하드웨어 구현, 그리고 암호학적 보안 분석을 통한 확장 가능성을 제시한다.