本发明涉及密码学领域，具体地，涉及一种基于时间注意力机制网络量子随机数预测增强方法及系统。
背景技术：
1、近年来，机器学习在各个领域中都得到了广泛的应用。神经网络作为一种重要的机器学习模型，在经典机器学习领域中占据着重要的地位。它通过模拟人类神经系统的工作原理，可以有效地解决诸如分类、回归、聚类等各种问题。现在应用比较广泛的神经网络有较为简单的前馈神经网络(feed forward，ff)，输入层接收数据，输出层输出数据，没有循环或反馈，隐藏层不更新；卷积神经网络(convolut ional neural networks，cnn)，其中卷积层用于从输入数据中提取特征，池化层用于降低维度，全连接层用于分类；循环神经网络(recurrent neural networks，rnn)，可用于处理序列数据，具有记忆功能，可以传递信息和状态，对隐藏层的参数进行更新；长短时记忆网络(long short-term memorynetworks，lstm)，是循环神经网络的一种变体，能够处理长序列和长期依赖性，可以有效地解决梯度爆炸和梯度消失的问题；自动编码器(auto encoder，ae)，该神经网络由编码器和解码器两个网络构成，可以用于数据压缩、特征提取和数据重建。
2、在今天这个信息时代，密码学十分重要，它是一门研究如何保护信息安全与隐私的学科，确保重要与敏感的信息在传输的过程中不受恶意的攻击或者窃取。密码分析学是密码学中的一个重要领域，研究如何破解密码算法，它主要涉及分析密码系统的弱点和漏洞，以便开发出更强大的密码保护措施。在密码的产生过程中，随机数生成器是一个十分重要的工具，许多密码的设计都用到了随机数的生成，以便消除其规律性，防止被他人轻易预测。而“种子”对于随机数的生成又具有重要意义，它是随机数产生的根据，只要在随机数产生的过程中“种子”不被他人获取，那么即使他掌握了随机数的产生方式，也无法对随机数序列进行预测。传统的随机数产生器采用时间、数字序列等较有规律的“种子”，使得其产生的随机数序列规律性较强，较容易被破解。而随着现代科学的发展，量子力学被应用到了随机数产生中。由于量子力学的不确定性与难以精确测量的问题，用量子力学的特征数值作为随机数产生的“种子”可以达到良好的效果。
技术实现思路
1、针对现有技术中的缺陷，本发明的目的是提供一种基于时间注意力机制网络量子随机数预测增强方法及系统。
2、根据本发明提供的一种基于时间注意力机制网络量子随机数预测增强方法，包括：
3、步骤s1：进行数据集的生成和准备，收集随机数生成器的数据点并进行处理以便进行网络训练；
4、步骤s2：使用tpa-lstm神经网络对量子随机数的生成序列进行学习；
5、步骤s3：基于机器学习的预测模型的预测成功率pml评估预测模型的性能，将其与在qrng输出上观察到的分布的统计概率pg进行比较。
6、优选地，预测成功率pml为：
7、使用长度为k的训练序列进行学习，在知道前面的n个数字的情况下，pml是正确猜测第n+1个数字的概率。
8、优选地，在所述步骤s1中：
9、步骤s1.1：通过量子熵源收集预设个连续的数据点，每个数据点由一个16位二进制整数组成，取其中的预设位作为数据，收集到的原始随机序列通过变化检测技术，分割为三个数据子集，分别经过统计特征提取器后再合并成为经过特征工程处理的随机序列；
10、将此序列中的前预设个数据作为训练集数据，中间预设个数据作为验证集，后预设个数据作为测试集数据，使用伪随机数产生算法产生相同规模的数据集，对两种随机数发生器进行比较；
11、步骤s1.2：原始的数字数组的排列方式为n个相邻的数字作为输入，下一个数字作为标签，标签用于监督学习中，作为学习过程中的指标，输入样本x1为前n个数字，而第n+1个数字定义为y1作为x1的标签，下一个输入样本x2是x1在原始数组中移动s个位置形成的，s用于控制样品之间的重叠性。
12、优选地，在所述步骤s1中：
13、所述的tpa-lstm神经网络模型结合了时态模式和长短期记忆网络的预测模型，利用长短期记忆网络学习时间序列中的长期依赖关系，同时通过时态模式对序列中不同时间点的模式进行建模，时态模式通过计算相对时间差和序列间的相似性得到，在多变量回归预测中，tpa-lstm模型捕捉时间序列中的模式和趋势。
14、优选地，在所述步骤s2中：
15、步骤s2.1：使用卷积层对数据进行特征提取，将整数序列考虑成文本，每个整数作为一个单词，对预设个13位整数进行编码，除单个元素外，其他元素均为0的one-hot向量；
16、步骤s2.2：将这预设个one-hot向量送入卷积层，卷积层之后会经过一个池化层。卷积层使用relu作为激活函数，经过卷积层后经过自注意力函数的计算生成特征序列，经过一个积分函数，输入lstm网络中；
17、步骤s2.3：通过一个全连接层输出预测结果。
18、根据本发明提供的一种基于时间注意力机制网络量子随机数预测增强系统，包括：
19、模块m1：进行数据集的生成和准备，收集随机数生成器的数据点并进行处理以便进行网络训练；
20、模块m2：使用tpa-lstm神经网络对量子随机数的生成序列进行学习；
21、模块m3：基于机器学习的预测模型的预测成功率pml评估预测模型的性能，将其与在qrng输出上观察到的分布的统计概率pg进行比较。
22、优选地，预测成功率pml为：
23、使用长度为k的训练序列进行学习，在知道前面的n个数字的情况下，pml是正确猜测第n+1个数字的概率。
24、优选地，在所述模块m1中：
25、模块m1.1：通过量子熵源收集预设个连续的数据点，每个数据点由一个16位二进制整数组成，取其中的预设位作为数据，收集到的原始随机序列通过变化检测技术，分割为三个数据子集，分别经过统计特征提取器后再合并成为经过特征工程处理的随机序列；
26、将此序列中的前预设个数据作为训练集数据，中间预设个数据作为验证集，后预设个数据作为测试集数据，使用伪随机数产生算法产生相同规模的数据集，对两种随机数发生器进行比较；
27、模块m1.2：原始的数字数组的排列方式为n个相邻的数字作为输入，下一个数字作为标签，标签用于监督学习中，作为学习过程中的指标，输入样本x1为前n个数字，而第n+1个数字定义为y1作为x1的标签，下一个输入样本x2是x1在原始数组中移动s个位置形成的，s用于控制样品之间的重叠性。
28、优选地，在所述模块m1中：
29、所述的tpa-lstm神经网络模型结合了时态模式和长短期记忆网络的预测模型，利用长短期记忆网络学习时间序列中的长期依赖关系，同时通过时态模式对序列中不同时间点的模式进行建模，时态模式通过计算相对时间差和序列间的相似性得到，在多变量回归预测中，tpa-lstm模型捕捉时间序列中的模式和趋势。
30、优选地，在所述模块m2中：
31、模块m2.1：使用卷积层对数据进行特征提取，将整数序列考虑成文本，每个整数作为一个单词，对预设个13位整数进行编码，除单个元素外，其他元素均为0的one-hot向量；
32、模块m2.2：将这预设个one-hot向量送入卷积层，卷积层之后会经过一个池化层。卷积层使用relu作为激活函数，经过卷积层后经过自注意力函数的计算生成特征序列，经过一个积分函数，输入lstm网络中；
33、模块m2.3：通过一个全连接层输出预测结果。
34、与现有技术相比，本发明具有如下的有益效果：
35、1、本发明创新地使用了机器学习方法对于量子随机数进行预测，获得了相较于盲猜更高的预测精度，同样其对于伪随机数也有着更高的预测精度。
36、2、本发明将机器学习应用到了密码学分析之中，使用机器学习对经典的随机数发生器，即伪随机数生成器和量子随机数生成器进行预测，提高随机数预测的精度。
37、3、本发明使用了tpa-lstm模型，在量子随机数预测算法中加入了时间注意力机制，以更好地捕捉随机数序列中的重要模式和特征，tpa-lstm模型是一种用于序列预测的机器学习模型，该模型能很好地发掘隐藏在周期序列中的周期性等信息。
38、4、本发明采用输入样本x1为前n个数字，而第(n+1)个数字定义为y1作为x1的标签.下一个输入样本x2是x1在原始数组中移动s个位置形成的。s用于控制样品之间的重叠性。如此特殊的处理数据的方法可以使随机数序列在模型中更好地被学习。
39、5、本发明将使用机器学习方法得到的预测概率与统计的分布概率做比较，是一种直观的评判机器学习预测精度的方法，并且所得的预测精度明显高于盲猜概率
1.一种基于时间注意力机制网络量子随机数预测增强方法，其特征在于，包括：
2.根据权利要求1所述的基于时间注意力机制网络量子随机数预测增强方法，其特征在于，包括：
3.根据权利要求1所述的基于时间注意力机制网络量子随机数预测增强方法，其特征在于，在所述步骤s1中：
4.根据权利要求1所述的基于时间注意力机制网络量子随机数预测增强方法，其特征在于，在所述步骤s1中：
5.根据权利要求1所述的基于时间注意力机制网络量子随机数预测增强方法，其特征在于，在所述步骤s2中：
6.一种基于时间注意力机制网络量子随机数预测增强系统，其特征在于，包括：
7.根据权利要求6所述的一种基于时间注意力机制网络量子随机数预测增强系统，其特征在于，包括：
8.根据权利要求6所述的基于时间注意力机制网络量子随机数预测增强系统，其特征在于，在所述模块m1中：
9.根据权利要求6所述的基于时间注意力机制网络量子随机数预测增强系统，其特征在于，在所述模块m1中：
10.根据权利要求6所述的基于时间注意力机制网络量子随机数预测增强系统，其特征在于，在所述模块m2中：
