Stream ciphers for digital image transactions by learning quantum true random numbers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The digital economy drives a surge in online digital image transactions, increasing the risk of data breaches due to extensive image file transmission. Stream ciphers, known for their efficiency compared to block ciphers, have emerged as a preferred choice for encrypting images in such transactions to safeguard transmitted data. Nevertheless, traditional stream cipher algorithms face diverse security threats. To address this challenge, efforts have been devoted to generating stream ciphers by generative adversarial networks (GANs) transforming input style into random patterns. Regrettably, these ciphers face issues in key sensitivity, randomness, and style transformation failures. Quantum true random numbers offer a potential solution but are costly to deploy. To handle this dilemma, we design stream ciphers relied on a neural network random number generator (RNG) using quantum true random numbers for training least squares GANs. Specifically, two fully-connected layers are incorporated into the RNG, avoiding the defects of style transformation in existing GANs-based stream ciphers. Besides, a random number calculation formula is employed to ensure that each decimal place output by the generator contributes to the computation of the random numbers. By doing so, the randomness of GANs is enhanced and the deployment of costly quantum devices is avoided. Experiments reveal that the information entropy of our generated images reaches to 7.9991, the adjacent pixel correlation coefficient of the ciphertext attains -0.0015, the Number of Pixel Change Rate and Unified Average Changing Intensity achieve 99.62% and 33.52%, respectively. These results demonstrate that the designed RNG facilitates randomness, whilst having secure properties applied in stream ciphers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle