BoolTest and grey-box randomness testing

Bc. Jiří Gavenda

Master's thesis

Abstract:

BoolTest je rychlý a konfigurovatelný nástroj pro testování náhodnosti. V této práci si klademe za cíl překonat výsledky BoolTestu tím, že vezmeme v úvahu vlastnosti zdrojů dat, o kterých předpokládáme, že jsou náhodná. Představujeme novou konstrukci detektorů náhodnosti (distinguisherů) založenou na aproximaci zkoumaného zdroje dat. Tato konstrukce identifikovala silný distinguisher pro generátor pseudonáhodných čísel Xorshift64. Dále zkoumáme, jaké vlastnosti obvykle mají dobré distinguishery. Na základě našich pozorování jsme navrhli a naimplementovali nový nástroj pro testování náhodnosti, CoolTest. V práci porovnáváme CoolTest s BoolTestem a standardními sadami testů náhodnosti na výstupech 12 kryptografických funkcí. Pro těchto 12 funkcí CoolTest produkuje významně lepší výsledky než BoolTest a je alespoň srovnatelný se standardními sadami testů. Navíc představujeme další verze CoolTestu, které dokážou najít nenáhodné vzory, které hlavní verze nástroje nenajde. Kromě toho navrhujeme metodu předzpracování dat, která pomáhá BoolTestu a CoolTestu najít silnější distinguishery.

Abstract:

BoolTest is a fast, configurable randomness testing tool. This thesis aims to improve upon BoolTest by taking into account the properties of sources of presumably random data. We design a new randomness distinguisher construction based on an approximation of the examined source of data. This construction identified a strong distinguisher for the pseudorandom number generator Xorshift64. We then explore what properties good distinguishers usually have. Based on our observations, we design and implement a new randomness testing tool, CoolTest. We compare CoolTest to BoolTest and standard randomness test suits on the outputs of 12 cryptographic functions. We show that on the outputs of the 12 functions, CoolTest produces significantly better results than BoolTest and is at least comparable to the standard test suits. Moreover, we present other versions of CoolTest, which can find non-random patterns that the main version of the tool can not find. Besides that, we propose a data-preprocessing method that helps both BoolTest and CoolTest find stronger distinguishers.

Keywords

distinguisher, BoolTest, CoolTest, randomness testing, hypothesis testing

Language used: English

Date on which the thesis was submitted / produced: 15. 12. 2023

Thesis defence

• Date of defence: 14. 2. 2024
• Supervisor: Mgr. Marek Sýs, Ph.D.
• Reader: doc. RNDr. Petr Švenda, Ph.D.

Masaryk University

Faculty of Informatics

Master programme / field:
Theoretical computer science / Discrete algorithms and models