随机数被广泛应用于科学计算、模拟仿真、身份认证、信息安全等诸多领域。特别是信息安全领域,加密系统的安全主要依赖随机数的随机性与不可预测性,故随机数的安全性评估至关重要。目前,针对随机数安全性评估主要基于概率统计方法。该方法依据概率统计规律检测随机序列是否存在明显的统计缺陷。然而,受限于模式识别与数据挖掘能力,基于概率统计的测试标准在随机数安全性评估中表现出了不足。例如,一些伪随机序列存在微弱且固有的关联性,但由于具有良好的统计特性,却能够通过多项统计测试标准。因此,仅使用统计测试标准难以满足安全性评估要求。而基于预测模型的随机数安全性分析方法,主要利用机器学习较强的数据挖掘与分析能力,被逐渐应用于随机数安全性分析。深度学习作为机器学习的重要组成部分,在识别模式和挖掘大数据复杂结构方面具有强大能力而备受关注。考虑到深度学习在拟合数据非线性特征的优势,及加密系统对随机数质量更严格的要求,本文研究的基于深度学习预测模型的随机数安全性分析具有重要意义。本文旨在研究基于深度学习的随机数安全性分析方法。其中,提出了基于注意力机制预测模型的随机数安全性分析方法,并设计了预测模型分析随机数安全性方案。预测模型依据历史随机数据,进行模型训练与学习,并对随机数进行预测和安全性评估。在检测随机数据中固有关联性或模式方面,该预测模型具有较强的数据挖掘能力与泛化能力。此外,利用该预测模型探究了基于白混沌的物理随机数发生器在不同阶段下,提取位数、采样率等参数对随机数据质量的影响。实验结果表明,该预测模型有望成为一种随机数安全性评估的有效方法。本文具体研究内容如下:1.提出了基于注意力机制预测模型的随机数安全性分析方法,构建了基于注意力机制的深度学习预测模型,并设计了预测模型分析随机数安全性方案。该方案中包括数据收集与预处理、模型训练与验证、随机数据评估。2.探究了注意力机制预测模型的性能。其中,引入线性同余伪随机数发生器,与基于概率统计的NIST SP 800-22测试标准比较,研究了基于注意力机制预测模型的预测能力与泛化能力。实验结果表明,该预测模型在猜测下一位伪随机数时高达99.3%的预测正确率。与NIST测试结果相比,该预测模型具有挖掘随机序列中相关性或模式的优势。此外,与基于预测模型的现有工作对比,在不同伪随机数周期、训练集数量、及移位步进长度下,探究并证明了基于注意力机制的预测模型的拟合特征能力。3.利用注意力机制预测模型对基于白混沌的物理随机数发生器进行了安全性分析。在该物理随机数发生器的不同阶段下,利用预测模型探究了提取位数、采样率等参数对相应随机数据质量的影响,并通过NIST SP 800-22统计测试验证预测模型的评估结果。此外,对不同参数下的随机数据引入了自相关分析,探究预测模型能够挖掘数据中关联性的原因。实验结果表明,预测模型能够检测出参数变化对随机数质量的影响,其结果与NIST统计测试结果基本保持一致。通过预测模型分析提取位数、采样率等参数对数据随机性的影响,有利于构建更加高速、安全可靠的物理随机数发生器。