随机数被广泛应用于密钥生成、电子签名等信息安全领域,是加密系统的安全保障。安全的随机数具有随机性,是不可预测的,其随机性主要来源于熵源,因此用于产生随机数的熵源必须是安全的。在实际应用中,经理论证明的熵源也不应该被默认为是安全的。因为外部攻击、噪声以及构成熵源的物理器件存在的非理想特性等因素都会危及熵源的安全性,进而破坏随机数的不可预测性,因此针对熵源的安全性评估具有重要意义。目前,熵源的安全性评估方法主要包括统计学方法和熵评估方法。统计学方法是通过检测熵源产生的“0”、“1”二进制序列是否满足特定的假设检验标准,来评估熵源的安全性,但是此类方法难以检测到数据之间的隐藏关系;例如,一些周期较长的伪随机熵源虽然是可预测的,但却能够顺利通过统计学方法测试。熵评估方法是利用熵值的大小来度量熵源的安全性,其主要包括Shannon熵、排列熵、最小熵等评估手段。其中,最小熵是由美国国家标准与技术研究院在其SP 800-90B标准中提出的一种评估熵源安全性的方法,目前已在信息安全领域得到广泛应用,它使用机器学习算法挖掘熵源数据之间的隐藏关系,进而获得代表其安全性的最小熵。然而,由于机器学习算法存在泛化能力和数据处理能力方面的不足,该方法在最小熵测量时存在高估或低估的问题,且不能处理规模较大的数据。近年来,以长短期记忆神经网络和注意力机制为代表的深度学习表现出较强的泛化能力和数据处理能力,有望解决机器学习在熵源安全性评估方面的不足。本文提出了基于长短期记忆神经网络和注意力机制（TPA-LSTM,Temporal Pattern Attention-Long Short-Term Memory）预测模型的最小熵评估方法,该模型能够学习、挖掘并记忆时间序列中存在的的长期依赖关系以及固有特征,进而增强了数据处理能力,提高了最小熵评估的准确度。此外,本文还利用该模型对白混沌物理熵源的安全性进行了评估,研究了熵源的各项参数（反馈强度、工作电流、光波长失谐等）对其性能的影响,确定了其最佳工作参数。本文具体研究内容如下:1.提出了基于TPA-LSTM预测模型的最小熵评估方法。首先,设计了TPA-LSTM预测模型,包括独热编码器、长短期记忆层、注意力机制层以及全连接层。接着,将熵源样本数据标准化、标签化,并分为训练集、验证集以及测试集。利用训练集和验证集实现TPA-LSTM预测模型中权重和超参数的优化,提高了最小熵评估的准确度。最后,利用测试集验证了本文所提出最小熵评估方法的有效性。2.验证了基于TPA-LSTM预测模型的最小熵评估准确度。实验中,构建了90B预测器、FNN预测器、RNN预测器以及TPA-LSTM预测器。并利用上述预测器检测了离散均匀分布、离散近均匀分布、Markov模型以及正态分布等四种已知理论最小熵的随机数据集,并计算了最小熵检测值与理论值的相对误差。实验结果表明,TPA-LSTM预测器的相对误差最小可达到0.34%,小于其他类型预测器的相对误差,证明了TPALSTM预测模型能够更加准确的评估熵源的安全性。3.利用TPA-LSTM预测器对白混沌物理熵源的安全性进行了评估。首先,利用外腔半导体激光器产生两路混沌激光,经光学外差产生带宽达到15.8 GHz的白混沌。接着,利用TPA-LSTM预测器检测了混沌激光与白混沌的最小熵,结果表明,光学外差产生的白混沌的最小熵最大可达5.4,始终大于混沌激光,证明了光学外差可以提高熵源的安全性。最后,探究了实验装置中经典噪声对白混沌熵源性能的影响,并利用截取有效比特位的方法消除了噪声对最小熵检测的干扰。此外,还利用TPA-LSTM预测器评估了外腔半导体激光器的反馈强度、工作电流以及光波长失谐等参数对白混沌熵源安全性的影响。实验结果表明,当反馈强度为-15 d B、工作电流为28 m A、光波长失谐为0.15 nm时白混沌熵源的最小熵达到最大值。实验中还使用自相关与平坦度对不同参数下白混沌熵源的输出进行了时序分析,表明外腔半导体激光器存在的延时反馈特征是导致其安全性变差的原因。