Novel Way of Generating Random Numbers Using Lucas Sequence and Associated in ATM/Ecommerce for Secured Online Transactions
Notice bibliographique
Résumé
This paper proposes novel pseudorandom number generators (PRNGs) based on the Lucas sequence and the SHA3-512 hashing algorithm over the finite field Fp. We introduce one primary algorithm capable of generating random numbers up to 32 digits (256 bits) in length, suitable for highly confidential applications such as international communications, defense activities, and large monetary transactions. Additionally, three associated sub-algorithms produce fixed-length random numbers of 4, 6, and 8 digits (32, 48, and 64 bits, respectively), optimized for ATM and e-commerce transactions. Unlike existing PRNGs that rely on a single seed, our approach utilizes two seeds: a userprovided, context-specific seed, and a server-generated seed derived from the Lucas sequence over the Pell curve. The server-generated seed remains entirely outside user control, enhancing the security of the generated random numbers. The PRNG process involves hashing the sum of solutions to the Pell curve, converting the resulting hexadecimal hash output into binary, and extracting the first half of the 512 bits, which is then mapped to an integer over the field Fq to produce the random number. Statistical analysis using the Kolmogorov-Smirnov test confirms that the generated numbers follow a uniform distribution. Security analysis demonstrates resilience against various attacks, including direct cryptanalytic, input-based, iterative guessing, backtracking, and gap-filling attacks. These results suggest that the proposed PRNGs offer improved security and efficiency for applications in ATM operations and e-commerce.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».