逻辑回归matlab代码预测PRNG 使用机器学习技术预测伪随机数生成器 要运行一个学习者的单个实例，请使用exampleKNN.m脚本（例如，运行KNN）。 要重新运行实验，请运行deployConfig.m。 我们总共实施了五名学习者： 随机抽样-按比例随机抽取训练集中标签的比例 随机森林-传统的随机森林算法，以固定深度生长自举树-预测由树预测的标签的模式 KNN（k最近邻）-从训练集中预测k最近邻标签的模式 朴素贝叶斯-假设给定标签的每个特征在条件上均独立于所有其他特征-通过在训练集中计数来学习概率，并根据未归一化的贝叶斯规则预测具有最高概率的标签 Logistic回归-传统的logistic回归分类器使用Barzilai Borwein方程对更新进行了梯度下降训练-预测每个输出最可能的标签 我们还实现或硬编码了几个伪随机数生成器（PRNG）。 除非另有说明，否则每一项我们都支持k = 2、3和5个标签的值。 Mercenne Twister-我们在Matlab内置的Mercenne Twister算法的默认实现中包装了一个函数。 线性同余生成器-我们已使用Borland C /

线性同余伪随机数生成器算法及其原理，神经网络，随机数生成器

伪随机数生成-移位寄存器方法

SHADY-CRYPT.js 关于Shady Crypt： Shady Crypt是一个新的密码哈希和加密安全的伪随机数生成器（CSPRNG）库，它从头开始进行了优化，可在Node.js / Chrome V8 JavaScript引擎上本地运行。 散列算法 除了MD5和SHA-1 [1]的显着例外，大多数现代哈希函数实际上都不易受到冲突/第二次图像前攻击的影响-尽管BCrypt的固定184位摘要大小在理论上确实为这打开了大门[ 2]。 相反，攻击的主要方向是蛮力密码猜测，并由字典，模式检查，单词列表替换等指导。这使得必须选择的哈希算法不允许攻击者过快地做出太多猜测。 不幸的是，许多常用的哈希算法是高度可并行化的，从而允许在专用硬件（包括专用集成电路（ASIC），现场可编程门阵列（FPGA）和高端图形处理单元（GPU））上极大地加快密码猜测的速度。 ）[3]。 Ntantogian等人

这是一个随机数生成软件，可以随机生成指定书目的随机数，而不重复

全部代码放在一个CPP中，没有分开 LSFR根据系统时间为种子，利用反馈移位寄存器实现，其中f函数为第1、5、6、7位的异或。

一种基于混沌的伪随机数生成器

如题。

M序列产生算法，M序列构造伪随机数生成器，神经网络，密码安全