现今随着互联网行业正在迅猛发展,数据信息量爆炸式增长,对于数据内部的探究成为一项重要课题。在众多数据类型中,随机数作为信息安全中的重要组成部分,是直接关系到信道传输安全和密码安全的,对随机序列的研究就显得格外重要。然而现今对于随机数质量的探索手段较少且形式单一,随着计算机计算能力增强,随机数的安全性需求也越来越高。理论上,传统的数学随机发生器产生的随机数被认为是伪随机的和不绝对安全的,为此产生了许多改进算法,但是具体的良性影响却只停留在算法层,对生成结果的性能却受目前测试方法的限制。传统的时频分析方法很难构造随机序列的公式表示从而很难构造时频谱;成熟的NIST方法被认为是随机序列的检测标准,但是指标特征过于单一且很难反应出序列的其他信息,从而很难满足更大的安全性需求,特别是序列的动态特征以及稳定性细节;人工智能的方法在充分训练的时候对于数据内部结构和外部关系的观察有着很好的效果,但是随机序列本身很难提取特征,不同源的随机序列很难通过指标信息识别分类。本文提出一种基于变值信息熵框架的方法,输入多元的非平稳随机脉冲。以多变量的变值逻辑为基础,对信号进行分段、自旋转、特征提取等操作,生成每组两个一维直方图和三个二维概率图以及一组信息熵指标数据。实际上拓展了观测空间,独立于传统的逻辑函数,对随机序列的熵值和脉冲平稳随机性做了分析。通过对比实验,变值信息熵模型对于伪随机序列的内部变化和外部噪声和异常都比较敏感。填补了国内外研究方法的空缺,解决了传统方法观测空间不足的问题。作为一个新的逻辑空间映射,也可以给今后随机序列的研究提供参考。