Апаратно-програмний генератор випадкових чисел на основі напівпровідникової фотоматриці та логічних комбінацій клітинних автоматів
Primary binary sequences obtained directly from semiconductor photodiode arrays of standard CMOS webcams exhibit significant non-uniform frequency distributions and high inter-frame correlation. Experimental measurements reveal critical defects, including anomalous byte gaps in the [0...25] range an...
Gespeichert in:
| Datum: | 2026 |
|---|---|
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | Ukrainisch |
| Veröffentlicht: |
PE "Politekhperiodika", Book and Journal Publishers
2026
|
| Schlagworte: | |
| Online Zugang: | https://www.tkea.com.ua/index.php/journal/article/view/TKEA2026.1.32 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Technology and design in electronic equipment |
| Завантажити файл: |  |
Institution
Technology and design in electronic equipment| _version_ | 1872552516568219648 |
|---|---|
| author | Yanushevskyi, Serhii Dobrovolsky, Yuriy |
| author_facet | Yanushevskyi, Serhii Dobrovolsky, Yuriy |
| author_institution_txt_mv | [
{
"author": "Serhii Yanushevskyi",
"institution": "Yurii Fedkovych Chernivtsi National University, Ukraine"
},
{
"author": "Yuriy Dobrovolsky",
"institution": "Yurii Fedkovych Chernivtsi National University, Ukraine"
}
] |
| author_sort | Yanushevskyi, Serhii |
| baseUrl_str | https://www.tkea.com.ua/index.php/journal/oai |
| collection | OJS |
| datestamp_date | 2026-08-03T14:14:28Z |
| description | Primary binary sequences obtained directly from semiconductor photodiode arrays of standard CMOS webcams exhibit significant non-uniform frequency distributions and high inter-frame correlation. Experimental measurements reveal critical defects, including anomalous byte gaps in the [0...25] range and a 30% correlation in darkness. Primary binary sequences obtained directly from semiconductor photodiode arrays of standard CMOS webcams exhibit significant non-uniform frequency distributions and high inter-frame correlation. Experimental measurements reveal critical defects, including anomalous byte gaps in the [0...25] range and a 30% correlation in darkness. The primary entropy source is the stochastic photocurrent of the array elements, captured at 25 frames per second and transformed into discrete numbers via analog-to-digital conversion. Local statistical correlations are eliminated using post-processing based on logical combinations of one-dimensional cellular automata. The developed algorithm combines chaotic rule-switching and a multi-component XOR-MIX combination of equivalent primitives.. For high computational efficiency, a lightweight algorithm for adaptive control of evolution iterations based on express root-mean-square deviation control is introduced. The low complexity of bitwise Boolean operations enables real-time data processing on personal computers and embedded microcontrollers. Experimental results show that the developed algorithm provides a real-time generation speed of 47.8 Mbps, with an additional CPU load of only 0.3% and a frame latency of less than 0.1 ms. The normalized stream completely eliminates inherent hardware defects, successfully passing all 15 NIST STS test groups with a stable proportion of over 96%, confirming the cryptographic strength of the method and its high suitability for modern information security applications. |
| doi_str_mv | 10.15222/TKEA2026.1.32 |
| first_indexed | 2026-08-04T01:00:41Z |
| format | Article |
| fulltext |
Технологія та конструювання в електронній апаратурі, 2026, № 132 ISSN 3083-6530 (Print)
ISSN 3083-6549 (Online)
32
АПАРАТНО-ПРОГРАМНІ КОМПЛЕКСИ ТА СИСТЕМИ
УДК 004.056.55:519.713
АПАРАТНО-ПРОГРАМНИЙ ГЕНЕРАТОР ВИПАДКОВИХ ЧИСЕЛ
НА ОСНОВІ НАПІВПРОВІДНИКОВОЇ ФОТОМАТРИЦІ
ТА ЛОГІЧНИХ КОМБІНАЦІЙ КЛІТИННИХ АВТОМАТІВ
Забезпечення інформаційної безпеки в інфокому-
нікаційних системах потребує використання крип-
тографічно стійких послідовностей випадкових чи-
сел. Традиційні програмні методи генерації є детер-
мінованими та стають вразливими до криптоаналізу
в міру зростання обчислювальних потужностей [1].
Перспективним напрямком є проєктування апаратних
генераторів (true random number generator, TRNG),
що базуються на стохастичних фізичних явищах у
напівпровідникових елементах [2]. Як джерело пер-
винного хаосу зазвичай використовують випадкові
коливання фотоструму в кремнієвих фотодіодах або
інтегральних фотоматрицях.
Проте фізичні сигнали, що зчитуються безпосе-
редньо з напівпровідникових сенсорів, часто мають
незадовільні статистичні характеристики, пов’язані з
конструктивними дефектами апаратури або змінами
умов зовнішнього середовища. Емпіричні досліджен-
ня показують, що первинні дані з фотоматриць мають
нерівномірний розподіл значень, локальні кореляції
або зони повної відсутності певних бітових комбіна-
цій [3]. Для нормалізації таких потоків відповідно до
вимог сучасних криптографічних стандартів необ-
хідна додаткова побітова постобробка. Застосування
класичних багатокрокових методів фільтрації призво-
дить до критичного зниження пропускної здатності
та зростання енергоспоживання обчислювального
тракту електронного пристрою [4], [5].
Ефективним розв’язанням цієї проблеми є вико-
ристання одновимірних клітинних автоматів (КА), які
функціонують як низькорівневі апаратні криптопри-
мітиви. Завдяки паралелізму структури та простоті
логічних операцій булевої алгебри, алгоритми КА ви-
конуються безпосередньо в регістрах центрального
На основі методів програмної інженерії запропоновано апаратно-програмний генератор випадкових чисел із дворів-
невою нормалізацією шуму фотодіодних матриць. Стохастичний фотострум сенсора перетворюється у дискретні
числа, а для усунення кореляцій застосовано постобробку клітинними автоматами з хаотичними правилами та бага-
токомпонентною XOR-комбінацією. Легковаговий алгоритм адаптивного контролю ітерацій знижує обчислювальні
витрати, що дозволяє реалізувати побітові булеві операції на мікроконтролерах у реальному часі. Експерименти під-
тверджують нормалізацію розподілу та успішне проходження тестів NIST STS при високій пропускній здатності.
Ключові слова: клітинні автомати, фотоматриця, програмна інженерія, генератор випадкових чисел, постобробка
даних, тести NIST STS, швидкість генерації криптостійкість, захист інформації.
процесора або на базі мікроконтролерів за мінімаль-
ну кількість тактових циклів [6] – [8]. Недостатньо
вивченим залишається питання оптимізації обчислю-
вальних витрат апаратури за допомогою динамічно-
го керування ітеративністю КА залежно від поточно-
го стану напівпровідникового сенсора.
Метою цієї роботи є дослідження апаратно-
програмної архітектури генератора послідовностей
випадкових чисел на основі фотоматриці та дворів-
невої системи нормалізації сигналів логічними ком-
бінаціями клітинних автоматів з механізмом адап-
тивного керування обчислювальним навантаженням.
Архітектура апаратної системи та формування
первинного сигналу ентропії
Апаратна частина генератора базується на реє-
страції стохастичних змін фотоструму в напівпро-
відникових структурах. Фізичним джерелом ентро-
пії слугує інтегральна кремнієва фотоматриця або
система дискретних фотодіодних елементів. В умо-
вах фіксованої освітленості або у повній темряві ге-
нерація носіїв заряду в напівпровіднику має ймовір-
нісний характер [9]. Безперервний аналоговий сиг-
нал на виході сенсора описується густиною ймовір-
ності нормального розподілу Гаусса:
( )
21 1 μexp
2 σσ 2π
xf x
æ öæ ö- ÷ç ÷ ÷çç= - ÷ ÷çç ÷ ÷çç è ø ÷çè ø
, (1)
де f(x) — функція густини ймовірності випадкової вели-
чини x (миттєвого значення амплітуди сигналу);
σ — середньоквадратичне відхилення, що визначає
дисперсію випадкового процесу;
µ — математичне сподівання або середнє значення
амплітуди сигналу.
DOI: 10.15222/TKEA2026.1.32
Сергій ЯНУШЕВСЬКИЙ, Юрій ДОБРОВОЛЬСЬКИЙ
Україна, Чернівецький національний університет імені Юрія Федьковича
Технологія та конструювання в електронній апаратурі, 2026, № 1 33ISSN 3083-6530 (Print)
ISSN 3083-6549 (Online)
33
АПАРАТНО-ПРОГРАМНІ КОМПЛЕКСИ ТА СИСТЕМИ
Зі зростанням рівня освітленості дисперсія зна-
чень струму збільшується, проте характер розподі-
лу залишається незмінним [10].
Для знімання та обробки первинного сигналу
використано оптико-електронний тракт на основі
цифрової USB-вебкамери з CMOS-фотоматрицею
(рис. 1). Первинний стохастичний фотострум, зге-
нерований світлочутливими елементами матриці,
піддається внутрішньому аналогово-цифровому пе-
ретворенню безпосередньо вбудованим контроле-
ром сенсора. Сформований цифровий потік через
USB-інтерфейс передається в обчислювальний тракт
(ПК або мікроконтролер) для формування первинної
матриці даних у регістрах пам’яті.
Відомо, що у процесі квантування безперервна
шкала напруги поділяється на фіксовані інтервали
[11]. Це дозволяє трансформувати безперервну амп-
літуду струму в послідовність дискретних цілих ви-
падкових чисел у діапазоні від 0 до 255. У результа-
ті квантування цифровий потік на виході АЦП збері-
гає дискретизовану форму нормального (гаусівсько-
го) розподілу із симетричним відхиленням відносно
середнього значення µ [12].
При використанні інтегрального матричного сен-
сора у режимі SVGA (800/600 пікселів) первинні дані
формуються у вигляді двовимірного масиву цілих чи-
сел. Кожен елемент цієї матриці відображає ампліту-
ду просторового шуму окремого напівпровідникового
RGB-триплета. Сканування матриці та її розгортан-
ня в одновимірний масив забезпечує високу швид-
кість формування первинного цифрового потоку [13].
Проте емпіричний аналіз “сирого” бінарного сиг-
налу виявляє його суттєву статистичну неоднорід-
ність [2], [13]. Через технологічний розкид чутли-
вості окремих зон фотоматриці та дискретність кро-
ків АЦП у вихідній послідовності виникають стійкі
локальні кореляції, основні параметри яких систе-
матизовано й наведено в табл. 1. Також фіксують-
ся аномальні зони повної відсутності певних біто-
вих комбінацій в інтервалі [0…25] (рис. 2). Такі де-
фекти порушують криптографічну вимогу рівномір-
ності розподілу значень, що унеможливлює безпо-
середнє використання первинного потоку без до-
даткової нормалізації. За результатами статистич-
ного аналізу пакета тестів NIST STS, “сирий” сиг-
нал виявився спроможним успішно подолати лише
4 з 15 груп еталонних перевірок, повністю прова-
ливши решту 11.
Успішно пройдені первинним сигналом тести об-
межуються групами, які представлені у табл. 2. Для
решти 11 груп тестів (таких як FFT / Спект раль ний,
Approximate Entropy, Serial, Linear Complexity та ін.)
значення 0,0000 зафіксовано як для P-value, так і
для пропорції, що автоматично виставило їм статус
FAILED і підтвердило незадовільну якість первин-
ного хаосу.
Математична модель нормалізації потоку
на базі клітинних автоматів
Для усунення виявлених дефектів і локальних ко-
реляцій первинного сигналу застосовано математич-
ний апарат одновимірних КА.
Клітинні автомати є дискретною динамічною
системою, що складається з лінійного масиву од-
Ча
ст
от
а
по
яв
и
зн
ач
ен
ь
2000
1750
1500
2000
1000
750
500
250
0 50 100 150 200 250
Значення байта
Аномальна
зона
Рис. 2. Гістограма розподілу частоти появи байтових
значень для первинного цифрового потоку
Рис. 1. Структурна схема апаратно-програмного тракту
генерації послідовностей випадкових чисел
CMOS-фотоматриця вебкамери
(масив фотодіодних елементів)
Стохастичний фотострум
Вбудований АЦП та контролер сенсора
Квантові дискретні значення
USB-інтерфейс передачі даних
Цифровий відеопотік
Регістри обчислювального пристрою
(ПК / мікроконтролера)
Формування первинної матриці даних
Оптичний потік / Тепловий шум
Технологія та конструювання в електронній апаратурі, 2026, № 134 ISSN 3083-6530 (Print)
ISSN 3083-6549 (Online)
34
АПАРАТНО-ПРОГРАМНІ КОМПЛЕКСИ ТА СИСТЕМИ
Таблиця 1
Параметри статистичної неоднорідності первинного потоку даних
Числовий параметр дефекту
сигналу
Фіксоване експеримен-
тальне значення Наслідки для криптографічної стійкості
Порожній діапазон у спектрі байтів інтервал [0…25]
(відсутність бітів)
Грубе порушення вимоги рівномірності
розподілу
Тимчасова залежність
даних (кореляція)
у темряві до 30% (крок 0,04 с) Наявність стійких локальних зв’язків у часі
при світлі до 10% (крок 0,04 с) Пряма залежність якості ентропії від
середовища
Флуктуація сигналу
(середнє / дисперсія)
0,1 люкс 27 нА / ≈5% Передбачуваність і низький рівень хаосу
10 люкс 270 нА / ≈50% Зміщення параметрів закону розподіл
Таблиця 2
Значення успішно пройдених тестів NIST STS для первинного потоку
Назва статистичного тесту
пакета NIST
Коефіцієнт ймовірності
P-value
Пропорція успішних
підтестів Статус
Frequency (monobit) test 0,2435 0,98 PASSED
Frequency test within a block 0,1581 0,97 PASSED
Cumulative sums (cusum) test 0,3122 0,98 PASSED
Longest run of ones in a block 0,0843 0,96 PASSED
норідних комірок, кожна з яких може перебувати
лише в одному з двох станів: 0 або 1. Еволюція цієї
системи відбувається тактами (циклами). На кожно-
му кроці часу стан комірки оновлюється одночасно
із рештою елементів зафіксованої сітки [14]. Нове
значення кожної окремої комірки залежить виключ-
но від її власного поточного стану та стану її най-
ближчих сусідів ліворуч і праворуч. Цей локальний
взаємозв’язок задається функцією переходу, яку в
теорії автоматів називають правилом еволюції [15].
Завдяки простоті логічних операцій булевої алгебри,
таких як виключне АБО (XOR), кон’юнкція (AND)
та інверсія (NOT), усі обчислення виконуються на
рівні елементарних побітових зсувів у регістрах
процесора [16].
У запропонованому алгоритмі “сирі” дефектні
дані з АЦП мікроконтролера використовуються як
початковий вектор для ініціалізації клітинної сітки.
Позначимо цей початковий стан масиву в момент
часу t = 0 як вектор:
0 0 0 0
1 2 , , , ,{ } }0 1{ ,n iX x x x x= ¼ Î . (2)
Замість тривалого накопичення ентропії за допо-
могою одного класичного правила КА, наприклад
Правила 30, у роботі реалізовано динамічне переми-
кання між декількома різними правилами. Процедура
нормалізації передбачає паралельне виконання кро-
ків еволюції для двох незалежних правил із подаль-
шим поєднанням їхніх результатів через операцію
XOR-MIX.
Наведемо покроковий математичний алгоритм
процедури нормалізації.
Крок 1. Паралельне обчислення проміжних ста-
нів. На кожному такті t еволюції поточний стан трій-
ки сусідніх комірок { }( 1) ( 1), ,t t t
i i ix x x- + обробляється од-
ночасно двома різними функціями переходу FA та FB:
( )1
1, 1 1, ,t t t t
i A i i is F x x x+
- += ; (3)
( )1
2, 1 1, ,t t t t
i B i i is F x x x+
- += , (4)
де s1, i , s2, i — тимчасові бітові значення для i-ї комір-
ки, отримані за правилом A та правилом B відповідно.
Крок 2. Логічне змішування потоків (операція
XOR-MIX). Фінальний стан комірки xi на наступно-
му такті часу t + 1 формується шляхом застосування
операції побітового виключного АБО (⊕) до отри-
маних значень:
1 1 1
1, 2,
t t t
i i ix s s+ + += Å . (5)
Для оптимізації обчислювального навантаження
на мікроконтролер впроваджено алгоритм адаптив-
ного керування кількістю ітерацій k еволюції КА.
На кожному кроці для вікна первинних даних N об-
числюється поточне середньоквадратичне відхилен-
ня (СКВ):
2
1
1σ ( μ) .
N
t ii
x
N =
= -å
(6)
Отримане значення σt порівнюється з еталонним
показником рівномірного розподілу σref . Якщо відхи-
лення | σt – σref | ≤ ε (де ε — порогове значення), кіль-
кість ітерацій обробки зменшується до мінімальної
(k = 1). У разі зростання неоднорідності первинного
Технологія та конструювання в електронній апаратурі, 2026, № 1 35ISSN 3083-6530 (Print)
ISSN 3083-6549 (Online)
35
АПАРАТНО-ПРОГРАМНІ КОМПЛЕКСИ ТА СИСТЕМИ
шуму система автоматично збільшує кількість ітера-
цій (k = 2; 3) до досягнення необхідного рівня ентропії.
Схематично процедуру нормалізації можна подати
у вигляді схеми взаємодії блоків, зображеної на рис. 3.
Така просторово-часова комбінація логічних пра-
вил дозволяє ефективно руйнувати статистичні зв’язки
та міжкадрові залежності первинного сигналу. Кожна
ітерація автомата працює як математичний екстрак тор
хаосу — “розмиває” локальні закономірності напів-
провідникового шуму та цілком заповнює аномальні
порожнечі у вихідних байтах. Вирівняний потік піс-
ля нормалізації комбінацією правил клітинних авто-
матів продемонстровано на рис. 4.
Впровадження комбінованого клітинного автомата
дозволяє повністю вирівняти статистичний розподіл.
Після завершення циклу постобробки вихідний бінар-
ний потік позбувається технологічних дефектів АЦП
і набуває статистичних властивостей, наближених до бі-
лого шуму. Сформована послідовність чисел відповідає
сучасним вимогам до криптографічної стійкості і стає
придатною для генерації секретних ключів.
Експериментальна перевірка та аналіз
статистичної якості згенерованого потоку
Для оцінки ефективності запропонованого мето-
ду нормалізації було проведено фінальне статистич-
не тестування. Вихідний бінарний потік даних обся-
гом 100 Мбіт, отриманий після обробки комбінова-
ним КА, повторно перевірявся за допомогою еталон-
ного пакету тестів NIST STS. Результати цього екс-
перименту зафіксували суттєве покращення всіх ха-
рактеристик сигналу, що можна побачити на рис. 5.
Як видно з рис. 5, на відміну від первинного “сиро-
го” потоку нормалізована послідовність бітів успіш-
но пройшла всі 15 груп тестів без жодного виключен-
ня. Для кожного окремого тесту отримане значення
коефіцієнта ймовірності (P-value) перевищило кри-
тичну межу 0,01, значення розподілилися рівномір-
но в діапазоні від 0,12 до 0,89. Пропорція успішних
підтестів склала від 97% до 99%, що повністю задо-
вольняє суворим криптографічним стандартам. Пакет
перевірок підтвердив повну відсутність періодичних
дефектів, локальних кореляцій та лакун.
Під час досліджень також було проаналізовано
швидкість формування випадкових чисел. Апаратним
джерелом первинної ентропії у лабораторному стенді
слугувала стандартна цифрова USB-вебкамера на базі
CMOS сенсора (Logitech HD Webcam C270/ C310).
Сигнал зчитувався у форматі нестиснутого відеопо-
току з роздільною здатністю SVGA (800 × 600 пік-
селів) та фіксованою частотою оновлення кадрів
25 кадр/с (часовий інтервал між суміжними кадрами
∆t = 0,04 с). Вибір CMOS-матриці обґрунтований на-
явністю природного теплового та дробового шуму на-
півпровідникових зон, який виступає базовим ком-
понентом для генерації послідовностей випадко-
вих чисел .
Завдяки використанню простих логічних операцій
булевої алгебри алгоритм працює надзвичайно швид-
ко. Процедура нормалізації не створює обчислюваль-
ного навантаження на систему. Експериментальні по-
Ча
ст
от
а
по
яв
и
зн
ач
ен
ь
500
250
0 50 100 150 200 250
Значення байта
Рис. 4. Розподіл значень байтів вирівняного потоку
Первинні дані з АЦП:
вектор X c
Ініціалізація сітки
КА
Паралельна обробка:
правило A (FA)
Паралельна обробка:
правило B (FВ)
Проміжий стан s t Проміжий стан s t
Логічне змішування:
операція XOR-MIX
Новий стан сітки x t
Поточний стан x t
Наступний такт часу
Рис. 3. Схематичне зображення процедури нормалізації
потоку на базі клітинних автоматів
Рис. 5. Порівняльна діаграма пропорцій успішних підте-
стів (proportion) для 15 основних тестів пакета NIST STS:
червоні стовпчики — первинний “сирий” потік;
сині стовпчики — оброблений потік (XOR-MIX КА);
пунктир — мінімально допустима пропорція (0,96)
Pr
op
or
tio
n
1,0
0,8
0,6
0,4
0,2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Номер статистичного тесту
Технологія та конструювання в електронній апаратурі, 2026, № 136 ISSN 3083-6530 (Print)
ISSN 3083-6549 (Online)
36
АПАРАТНО-ПРОГРАМНІ КОМПЛЕКСИ ТА СИСТЕМИ
казники швидкодії та витрат системних ресурсів на-
ведено в табл. 3.
При оцінюванні продуктивності генератора важ-
ливо розмежувати фізичну (“сиру”) швидкість зчи-
тування та реальну ентропійну швидкість вихідного
потоку. Фізична швидкість формується параметра-
ми CMOS-сенсора (800 × 600 пікселів при 25 кадр/с)
і становить Rraw = 48,0 Мбіт/с. Проте через стати-
стичну неоднорідність первинного шуму густина ен-
тропії “сирих” бітів є недостатньою (H < 1,0 біт ен-
тропії/біт за стандартом NIST), що унеможливлює їх
безпосереднє криптографічне використання.
Застосування постобробки на базі XOR-MIX КА
забезпечує нормалізацію потоку з незначними обчис-
лювальними накладними витратами (зниження швид-
кості на 0,2 Мбіт/с). У результаті реальна ентропій-
на швидкість генерації становить Rent = 47,8 Мбіт/с
за умови забезпечення максимальної оцінки ентропії
(H ≈ 1,0 біт/біт за стандартом NIST SP 800-90B), що
підтверджено проходженням тестування NIST STS.
Зазначимо, що швидкість генерації фінального
потоку обмежена лише апаратними можливостями
зчитування даних із фотоматриці сенсора. Це дозво-
ляє використовувати розроблений метод у реальному
часі на малопотужних мікроконтролерах.
Висновки
Розроблено та перевірено апаратно-програмний
генератор випадкових чисел на основі CMOS-матриці
та клітинних автоматів. Встановлено, що первин-
ний цифровий потік містить апаратні дефекти (між-
кадрову кореляцію, аномальні лакуни), які уне-
можливлюють його використання без постоброб-
ки. Запропонований метод нормалізації на базі од-
новимірних клітинних автоматів із динамічним пе-
ремиканням правил та змішуванням за принципом
XOR–MIX ефективно усуває ці залежності. При до-
датковому навантаженні на CPU лише 0,3% і затрим-
ці кадру до 0,1 мс алгоритм забезпечує генерацію
даних зі швидкістю 47,8 Мбіт/с у реальному часі.
Сформований потік демонструє суттєве нівелюван-
ня технологічних дефектів та аномальних лакун й
успішно проходить усі тести NIST STS, що підтвер-
джує його криптографічну стійкість і дозволяє ре-
комендувати метод для використання в системах за-
хисту інформації, вбудованих засобах кібербезпеки
та мобільних сенсорних мережах.
ВИКОРИСТАНІ ДЖЕРЕЛА
[1] F. Martinez, “Attacks on pseudo random number generators
hiding a linear structure,” in Topics in Cryptology – CT-RSA 2022,
2022, pp. 97 – 119. doi: 10.1007/978-3-030-95312-6_5.
[2] R. L. Diachuk, K. M. Dmytrashchuk, A. Mazurets, H. V.
Prokhorov, and S. V. Yanushevskyi, “Photosensitive matrix as a
source of entropy,” in Proceedings of SPIE, vol. 13813, 2025, Art.
no. 138132C. doi: 10.1117/12.3092587.
[3] Д. Ганжело та Г. Прохоров, “Дослідження числової
випадкової послідовності, що одержана з веб камери”, Herald of
Khmelnytskyi National University. Technical sciences, vol. 333, no. 2,
pp. 120 – 124, Apr. 2024, doi: 10.31891/2307-5732-2024-333-2-18.
[4] L. Crocetti, P. Nannipieri, S. Di Matteo, L. Fanucci, and S.
Saponara, “Review of Methodologies and Metrics for Assessing the
Quality of Random Number Generators,” Electronics, vol. 12, no. 3,
p. 723, Jan. 2023. doi: 10.3390/electronics12030723.
[5] Recommendation for the Entropy Sources Used for Random
Bit Generation, National Institute of Standards and Technology,
Gaithersburg, MD, USA, Tech. Rep. NIST SP 800-90B, 2018. doi:
10.6028/NIST.SP.800-90B.
[6] S. Wolfram, “Random sequence generation by cellular au-
tomata,” Advances in Applied Mathematics, vol. 7, no. 2, pp. 123 – 164,
Jun. 1986. doi: 10.1016/0196-8858(86)90028-X.
[7] T. Toffoli and N. Margolus, Cellular Automata Machines: A New
Environment for Modeling. Cambridge, MA, USA: MIT Press, 1987.
[8] J. L. Hennessy and D. A. Patterson, Computer Architecture:
A Quantitative Approach, 6th ed. Cambridge, MA, USA: Morgan
Kaufmann, 2017.
[9] S. M. Sze and K. K. Ng, Physics of Semiconductor Devices,
3rd ed. Hoboken, NJ, USA: John Wiley & Sons, 2006. doi:
10.1002/0470068329.
[10] S. Donati, Photodetectors: Devices, Circuits, and Applications.
Upper Saddle River, NJ, USA: Prentice Hall PTR, 2000.
[11] J. G. Proakis and D. G. Manolakis, Digital Signal Processing:
Principles, Algorithms, and Applications, 4th ed. Upper Saddle River,
NJ, USA: Pearson Prentice Hall, 2007.
[12] A. Papoulis and S. U. Pillai, Probability, Random Variables, and
Stochastic Processes, 4th ed. New York, NY, USA: McGraw-Hill, 2002.
[13] H. Prokhorov, M. Hanzhelo, R. Diachuk, and S. Yanushevskyi,
“Investigation of statistical characteristics of random number sequenc-
es generated by a webcam using cellular automata functionality and
NIST patterns,” Security of Infocommunication Systems and Internet of
Things, vol. 3, no. 1, p. 01007, 2025. doi: 10.31861/sisiot2025.1.01007.
[14] S. Wolfram, “Statistical mechanics of cellular automata,”
Reviews of Modern Physics, vol. 55, no. 3, pp. 601–644, Jul. 1983.
doi: 10.1103/RevModPhys.55.601.
[15] S. Wolfram, A New Kind of Science. Champaign, IL, USA:
Wolfram Media, 2002.
[16] P. Chaudhuri, D. R. Chowdhury, S. Nandi, and S.
Chattopadhyay, Additive Cellular Automata: Theory and Applications,
vol. 1. Los Alamitos, CA, USA: IEEE Computer Society Press, 1997.
doi: 10.1109/9780470544150.
Надійшла до редакції 24.05.2026
Прийнято до друку 9.06.2026
Таблиця 3
Результати аналізу швидкодії на базі процесора ПК (Intel Core i5)
Параметр ефективності системи Значення без
постобробки
Значення з нормаліза-
цією (XOR-MIX КА)
Різниця значень
(витрати ресурсів)
Швидкість потоку / Ентропійна швидкість 48,0 Мбіт/с 47,8 Мбіт/с –0,2 Мбіт/с
Навантаження на CPU (1 ядро) 0,5% 0,8% +0,3%
Тривалість оброблення кадру SVGA 8,2 мс 8,3 мс +0,1 мс
Технологія та конструювання в електронній апаратурі, 2026, № 1 37ISSN 3083-6530 (Print)
ISSN 3083-6549 (Online)
37
АПАРАТНО-ПРОГРАМНІ КОМПЛЕКСИ ТА СИСТЕМИ
REFERENCES
[1] F. Martinez, “Attacks on pseudo random number generators
hiding a linear structure,” in Topics in Cryptology – CT-RSA 2022,
2022, pp. 97 – 119. doi: 10.1007/978-3-030-95312-6_5.
[2] R. L. Diachuk, K. M. Dmytrashchuk, A. Mazurets, H. V.
Prokhorov, and S. V. Yanushevskyi, “Photosensitive matrix as a
source of entropy,” in Proceedings of SPIE, vol. 13813, 2025, Art.
no. 138132C. doi: 10.1117/12.3092587.
[3] D. Hanzhelo and G. Prokhorov, “Investigation of a Numerical
Random Sequence Obtained from a Webcam,” Herald of Khmelnytskyi
National University. Technical Sciences, no. 2 (333), pp. 120 – 124, 2024
(in Ukrainian). doi: 10.31891/2307-5732-2024-333-2-18.
[4] L. Crocetti, P. Nannipieri, S. Di Matteo, L. Fanucci, and S.
Saponara, “Review of Methodologies and Metrics for Assessing the
Quality of Random Number Generators,” Electronics, vol. 12, no. 3,
p. 723, Jan. 2023. doi: 10.3390/electronics12030723.
[5] Recommendation for the Entropy Sources Used for Random
Bit Generation, National Institute of Standards and Technology,
Gaithersburg, MD, USA, Tech. Rep. NIST SP 800-90B, 2018. doi:
10.6028/NIST.SP.800-90B.
[6] S. Wolfram, “Random sequence generation by cellular au-
tomata,” Advances in Applied Mathematics, vol. 7, no. 2, pp. 123 – 164,
Jun. 1986. doi: 10.1016/0196-8858(86)90028-X.
[7] T. Toffoli and N. Margolus, Cellular Automata Machines: A New
Environment for Modeling. Cambridge, MA, USA: MIT Press, 1987.
Copyright: © 2026, The author(s). Licensee: Politekhperiodika, Odesa, Ukraine. This article is an open access
article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license
(https://creativecommons.org/licenses/by/4.0/).
Відомості про авторів
Сергій Янушевський, асистент, Чернівецький національ-
ний університет імені Юрія Федьковича, Україна;
е-mail: s.yanushevskyi@chnu.edu.ua;
ORCID: https://orcid.org/0009-0007-3426-2868
Юрій Добровольський, докт. техн. наук, професор,
Чернівецький національний університет імені Юрія
Федьковича, Україна;
е-mail: y.dobrovolsky@chnu.edu.ua;
ORCID: https://orcid.org/0000-0003-0626-0594
About the authors
Serhii Yanushevskyi, Assistant Lecturer, Yuriy Fedkovych
Chernivtsi National University, Ukraine;
е-mail: s.yanushevskyi@chnu.edu.ua;
ORCID: https://orcid.org/0009-0007-3426-2868
Yuriy Dobrovolsky, Dr. Sc., Professor of the Department,
Yuriy Fedkovych Chernivtsi National University, Ukraine;
е-mail: y.dobrovolsky@chnu.edu.ua;
ORCID: https://orcid.org/0000-0003-0626-0594
Serhii YANUSHEVSKYI, Yuriy DOBROVOLSKY
Ukraine, Yuriy Fedkovych Chernivtsi National University
HARDWARE SOFTWARE TRUE RANDOM NUMBER GENERATOR BASED
ON A SEMICONDUCTOR PHOTODIODE ARRAY AND LOGICAL COMBINATIONS
OF CELLULAR AUTOMATA
Primary binary sequences obtained directly from semiconductor photodiode arrays of standard CMOS webcams exhibit significant
non-uniform frequency distributions and high inter-frame correlation. Experimental measurements reveal critical defects, including
anomalous byte gaps in the [0...25] range and a 30% correlation in darkness. To address these vulnerabilities, a hardware-software
true random number generator architecture based on software engineering principles with two-level spatial noise normalization
is proposed. The primary entropy source is the stochastic photocurrent of the array elements, captured at 25 frames per second
and transformed into discrete numbers via analog-to-digital conversion. Local statistical correlations are eliminated using post-
processing based on logical combinations of one-dimensional cellular automata. The developed algorithm combines chaotic rule-
switching and a multi-component XOR-MIX combination of equivalent primitives.. For high computational efficiency, a lightweight
algorithm for adaptive control of evolution iterations based on express root-mean-square deviation control is introduced. The low
complexity of bitwise Boolean operations enables real-time data processing on personal computers and embedded microcontrollers.
Experimental results show that the developed algorithm provides a real-time generation speed of 47.8 Mbps, with an additional CPU
load of only 0.3% and a frame latency of less than 0.1 ms. The normalized stream effectively mitigates inherent hardware defects,
successfully passing all 15 NIST STS test groups with a stable proportion of over 96%, confirming the cryptographic strength of the
method and its high suitability for modern information security applications.
Keywords: cellular automata, photodiode array, software engineering, random number generator, data post processing, NIST STS
tests, generation speed, cryptographic strength, information security.
DOI: 10.15222/TKEA2026.1.32
UDC 004.056.55:519.713
[8] J. L. Hennessy and D. A. Patterson, Computer Architecture: A Quantitative
Approach, 6th ed. Cambridge, MA, USA: Morgan Kaufmann, 2017.
[9] S. M. Sze and K. K. Ng, Physics of Semiconductor Devices,
3rd ed. Hoboken, NJ, USA: John Wiley & Sons, 2006. doi:
10.1002/0470068329.
[10] S. Donati, Photodetectors: Devices, Circuits, and Applications.
Upper Saddle River, NJ, USA: Prentice Hall PTR, 2000.
[11] J. G. Proakis and D. G. Manolakis, Digital Signal Processing:
Principles, Algorithms, and Applications, 4th ed. Upper Saddle River,
NJ, USA: Pearson Prentice Hall, 2007.
[12] A. Papoulis and S. U. Pillai, Probability, Random Variables, and
Stochastic Processes, 4th ed. New York, NY, USA: McGraw-Hill, 2002.
[13] H. Prokhorov, M. Hanzhelo, R. Diachuk, and S. Yanushevskyi,
“Investigation of statistical characteristics of random number sequenc-
es generated by a webcam using cellular automata functionality and
NIST patterns,” Security of Infocommunication Systems and Internet of
Things, vol. 3, no. 1, p. 01007, 2025. doi: 10.31861/sisiot2025.1.01007.
[14] S. Wolfram, “Statistical mechanics of cellular automata,”
Reviews of Modern Physics, vol. 55, no. 3, pp. 601–644, Jul. 1983.
doi: 10.1103/RevModPhys.55.601.
[15] S. Wolfram, A New Kind of Science. Champaign, IL, USA:
Wolfram Media, 2002.
[16] P. Chaudhuri, D. R. Chowdhury, S. Nandi, and
S. Chattopadhyay, Additive Cellular Automata: Theory and
Applications, vol. 1. Los Alamitos, CA, USA: IEEE Computer Society
Press, 1997. doi: 10.1109/9780470544150.
Технологія та конструювання в електронній апаратурі, 2026, № 138 ISSN 3083-6530 (Print)
ISSN 3083-6549 (Online)
38
СИСТЕМИ ПЕРЕДАЧІ ТА ОБРОБКИ СИГНАЛІВ
УДК 621.396.96+004.932
МЕТОДИ НЕЙРОМЕРЕЖЕВОЇ КЛАСИФІКАЦІЇ СИГНАЛІВ
ІЗ РОЗШИРЕНИМ СПЕКТРОМ У СИСТЕМАХ
РАДІОМОНІТОРИНГУ
Сучасні системи радіомоніторингу функціонують
в умовах постійного ускладнення радіоелектронно-
го середовища, що зумовлено збільшенням кілько сті
джерел радіовипромінювання та активним застосу-
ванням методів підвищення завадостійкості й при-
хованості зв’язку. До таких методів належать техно-
логії з розширеним спектром: перестрибування ро-
бочої частоти (frequency-hopping spread spectrum,
FHSS), пряме розширення спектра (direct-sequence
spread spectrum, DSSS) та лінійна частотна модуля-
ція (chirp spread spectrum, CSS) [1], [2]. Їх виявлен-
ня та ідентифікація є складним завданням, особливо
за низького відношення сигнал/шум (signal-to-noise
ratio, SNR) [3], [4].
Особливого значення задача класифікації сигна-
лів із розширеним спектром набуває у складі розпо-
ділених систем радіомоніторингу, де обробка здійс
нюється безпосередньо на периферійних вузлах збо-
ру — одноплатних комп’ютерах та мікроконтролерах
з обмеженими ресурсами пам’яті та обчислювальної
потужності. Такі платформи орієнтовані на обробку
в режимі реального часу, тому основними критерія-
ми застосовності методу класифікації є не лише точ-
ність, а й обчислювальна складність, обсяг пам’яті
моделі та енергоефективність.
Існуючі методи класифікації сигналів із розши-
реним спектром умовно поділяють на три поколін-
ня, кожне з яких має суттєві обмеження для вбудова-
них систем, що працюють у режимі реального часу.
Класичні детерміновані методи ґрунтуються на спек-
тральному аналізі з використанням швидкого перетво-
рення Фур’є, часовочастотних перетворень (коротко-
часне перетворення Фур’є, вейвлетперетворення [5])
Розглянуто задачу автоматичної класифікації сигналів із розширеним спектром у системах радіомоніторингу,
що функціонують на платформах з обмеженими обчислювальними ресурсами. Запропоновано компактний вектор
інформативних ознак, який поєднує частотні, часово-частотні та статистичні характеристики. Теоретично обґрун-
товано використання параметрів Гйорта на основі моментів спектральної щільності потужності. За результатами
абляційного аналізу сформовано скорочений вектор із п’яти ознак. Побудовано нейромережевий класифікатор у форма-
тах з рухомою та фіксованою комою. Досягнуто точність класифікації понад 91% у діапазоні відношення сигнал/шум
від 0 до 20 дБ, що підтверджує ефективність запропонованого підходу для систем радіомоніторингу в реальному часі.
Ключові слова: сигнали з розширеним спектром, цифрові радіосигнали, нейронні мережі, цілочисельна квантизація,
радіомоніторинг, вбудовані системи.
та ентропійних характеристик з фіксованими порого-
вими правилами [1], [6]. Основними недоліками цих
методів є чутливість до рівня шуму (точність падає
нижче 70% за SNR < 0 дБ [7]), відсутність адаптивно
сті та висока обчислювальна складність двовимірних
часовочастотних подань, яка має порядок O(N 2 logN)
для сигналу довжи ною N відліків.
Методи машинного навчання на основі ознак част-
ково долають обмеження класичних підходів [4], [7].
Зокрема, у роботі [7] для ідентифікації FHSSсигналів
застосовано штучні нейронні мережі на параме-
тричних ознаках, що забезпечує точність 92 – 95%
за SNR ≥ 5 дБ. Проте такі методи орієнтовані пере-
важно на один клас сигналів, вони використовують
евристичне формування вектора ознак без формалі-
зованого обґрунтування та не передбачають оцінки
стійкості до цілочисельної квантизації. У нашій попе-
редній роботі [4] був виконаний порівняльний аналіз
глибоких нейронних мереж для класифікації цифро-
вих модуляцій, який підтвердив залежність точності
від стратегії навчання та архітектури.
Методи глибокого навчання на часовочастотних
поданнях забезпечують високу точність класифікації.
У роботі [8] для сигналів з низькою ймовірні стю пере-
хоплення (low probability of intercept, LPI) застосовано
згорткові нейронні мережі на спектрограмах, що дало
точність 96% за SNR ≥ 0 дБ. Водночас такі мережі ха-
рактеризуються високою обчислювальною складні стю
(108 – 109 операцій множеннянакопичення на один
прямий прохід), значним обсягом моделі (5 – 20 Мб) та
орієнтацією на офлайнобробку [9] – [11]. Це унемож-
ливлює їх застосування на платформах з бюджетом у
десяткисотні кілобайт оперативної пам’яті.
DOI: 10.15222/TKEA2026.1.38
Іван ГОРБАТИЙ, Олександр УСАТИЙ
Україна, Національний університет «Львівська політехніка»
Технологія та конструювання в електронній апаратурі, 2026, № 1 39ISSN 3083-6530 (Print)
ISSN 3083-6549 (Online)
39
СИСТЕМИ ПЕРЕДАЧІ ТА ОБРОБКИ СИГНАЛІВ
Отже, жоден з відомих підходів не забезпечує од-
ночасного виконання трьох ключових вимог: високої
точності за від’ємних значень SNR, низької обчис-
лювальної складності (менше 105 операцій на одну
реалізацію) та сумісності з цілочисельною арифме-
тикою. Це визначає актуальність розроблення мето-
ду, що поєднує компактний вектор інформативних
ознак, обчислюваних переважно у часовій області, з
легкою нейромережевою моделлю, адаптованою до
8бітового цілочисельного формату.
Метою цієї роботи є розроблення методу нейро-
мережевої класифікації широкосмугових радіосигна-
лів, орієнтованого на платформи з обмеженими об-
числювальними ресурсами, з теоретичним обґрунту-
ванням вибору вектора ознак та кількісним порівнян-
ням обчислювальних витрат з відомими підходами.
Формування вектора ознак
Для формування вектора ознак використано час-
тотні, часовочастотні та статистичні характеристи-
ки сигналів FHSS, DSSS та CSS, які дозволяють ви-
окремити їх за відмінностями у спектральній струк-
турі та динамікою зміни частотних компонентів.
Пріоритет надавався параметрам, що поєднують ви-
соку дискримінативну здатність з низькою обчислю-
вальною складністю. Повний склад ознак, їх належ-
ність до групи, алгоритмічну складність та фізичний
зміст наведено у табл. 1.
Ключовим елементом запропонованого вектора
є параметри Гйорта — активність A(x), мобільність
M(x) та складність C(x) [12], які відображають, від-
повідно, повну потужність сигналу, середньоквадра-
тичну частоту та відносну ширину смуги частот [13]
і обчислюються виключно у часовій області. Для дис-
кретного сигналу x[n] довжиною N ці параметри ви-
значаються за формулами
A(x) = σ2
x; (1)
M(x) = σx′ / σx; (2)
C(x) = M(x′) / M(x), (3)
де σx, σx′ — стандартне відхилення сигналу та першої
різниці відповідно;
x′[n] — перша різниця сигналу, x′[n] = x[n] − x[n − 1].
Згідно з теоремою Парсеваля, для стаціонарних у
широкому сенсі процесів мобільність Гйорта аналі-
тично пов’язана з нормованим другим спектральним
моментом спектральної щільності потужності S(ω):
M 2(x) = (1/σ2x)·∫ ω2·S(ω) dω. (4)
Аналогічно, складність C(x) пов’язана з чет-
вертим спектральним моментом. Поведінка пара-
метрів у різних класах сигналів має специфічні
риси. Мобільність сигналів DSSS з майже рівномір-
ним спектром у смузі B близька до B/√3 за наймен-
шої складності. Для FHSS мобільність демонструє
стрибкоподібні зміни у часі, що відображає дискрет-
ну зміну центральної частоти, а складність приймає
найбільші значення через різкі перехідні процеси.
У сигналах CSS мобільність зростає монотонно, а
складність приймає проміжні значення, відобража-
ючи плавну зміну миттєвої частоти. Отже, параме-
три Гйорта забезпечують опис спектральної струк-
тури без явного обчислення перетворення Фур’є зі
складністю O(N) порівняно з O(N log N) для частот-
них аналогів.
Таким чином, запропонований вектор ознак
об’єднує частотні дескриптори (F1, F2, F3), часово
частотні характеристики (F4, F5, F7, F8) та стати
стичні показники (F6, F9, F10), причому параметри
Гйорта (F6, F7, F8) виконують роль обчислювально
ефективних замінників традиційних спектральних
характеристик.
Таблиця 1
Класифікація вектора інформативних ознак сигналів
Назва ознаки Позначення Група Складність Фізичний зміст
Спектральна ентропія F1 Частотні O(N logN) Міра впорядкованості
спектра
Спектральна
рівномірність F2 Частотні O(N) Оцінка шумоподібності
Ефективна ширина спектра
(99%) F3 Частотні O(N) Еквівалент ширини спектра
Варіація спектра у часі F4 Часовочастотні O(N) Нестаціонарність частотної
структури
Показник перестрибування
частоти F5 Часовочастотні O(N logN) Оцінка дискретної частотної
динаміки
Активність Гйорта F6 Часові O(N) Енергія сигналу
Мобільність Гйорта F7 Часовочастотні O(N) Оцінка середньої частоти
Складність Гйорта F8 Часовочастотні O(N) Оцінка ширини спектра
Ексцес амплітудного
розподілу F9 Статистичні O(N) Негаусовість розподілу
Дисперсія енергітичної
обвідної F10 Часові O(N) Нестаціонарність амплітуд-
ної обвідної
Технологія та конструювання в електронній апаратурі, 2026, № 140 ISSN 3083-6530 (Print)
ISSN 3083-6549 (Online)
40
СИСТЕМИ ПЕРЕДАЧІ ТА ОБРОБКИ СИГНАЛІВ
Оцінка обчислювальної складності
Для кількісного обґрунтування ефективності оці-
нювали обчислювальну складність повного конве-
єра класифікації для реалізації сигналу довжиною
N = 1024 комплексних відліків. Сумарна кількість
операцій множеннянакопичення на обчислення ско-
роченого вектора (F3, F5, F7, F8, F9) становить при-
близно 3·104 з таким розподілом витрат: F3 — близь-
ко 10240 операцій для оцінки спектра потужності;
F5 —7200 для короткочасного перетворення Фур’є з
вісьмома вікнами по 128 відліків; F7 та F8 — 8200 для
обчислення двох рівнів різниць та відповідних дис-
персій; F9 — 4100 для обчислення моментів вищого
порядку. Для повного вектора з десяти ознак сумар-
на кількість зростає до 7·104 операцій.
Для архітектури багатошарового перцептрона з
двома прихованими шарами (32 та 16 нейронів) кіль-
кість операцій множеннянакопичення на один ін-
ференс становить 5·32 + 32·16 + 16·5 = 752, що від-
повідає близько 2,5% від вартості обчислення ознак.
Тобто, основна частина обчислювальних ресурсів
витрачається на етап формування вектора характери
стик, що виправдовує використання низькоскладних
часових ознак в процесі його проєктування.
З табл. 2 видно, що запропонований підхід у ці-
лочисельній конфігурації на скороченому векторі за-
безпечує зменшення обчислювальних витрат на чо-
тири порядки та скорочення обсягу моделі приблиз-
но у 5000 разів порівняно з підходом на основі згорт-
кових мереж [8], зберігаючи при цьому еквівалентну
точність у діапазоні SNR ≥ 0 дБ. У зіставленні з ме-
тодом [7], орієнтованим лише на FHSS, запропоно-
ваний підхід характеризується удвічі меншою склад-
ністю та ширшим охопленням класів сигналів.
Час інференсу оцінювався для типових плат-
форм радіомоніторингу — одноплатних комп’ютерів
BeagleBone AI та Raspberry Pi з тактовою частотою
процесора близько 1 ГГц. Наведені у табл. 2 кіль-
кість операцій та обсяг пам’яті моделі слід розгля-
дати як теоретичні оцінки порядку величини, отри-
мані з аналітичних виразів складності алгоритмів.
Час інференсу визначався на основі тактової часто-
ти процесора, він може відрізнятися від результатів
вимірювань залежно від рівня оптимізації реалізації
та ступеня паралелізму обчислень.
Нейромережева модель та абляційний аналіз
Для побудови класифікатора використано архітек-
туру багатошарового перцептрона з двома прихова-
ними шарами, схему якої наведено на рис. 1. Вхідний
шар приймає N ознак (N = 10 для повного вектора та
N = 5 для скороченого), вихідний шар формує ймо-
вірнісні оцінки належності сигналу до п’яти класів:
адитивний білий гаусовий шум, вузькосмуговий сиг-
нал, FHSS, DSSS, CSS. Приховані шари застосовують
нелінійні функції активації для апроксимації залеж-
ностей між ознаками. Вибір такої архітектури зумов-
лений необхідністю досягнення достатньої точності
за обмеженої обчислювальної складності: на відміну
від згорткових мереж багатошаровий перцептрон не
потребує операцій згортки, що знижує складність на
тричотири порядки при зіставній точності для ком-
пактних векторів ознак.
Для зменшення розмірності вектора виконано
абляційний аналіз шляхом послідовного виключення
кожної ознаки з оцінкою зміни точності ΔAcc віднос-
но базового варіанту (10 ознак, точність 91,42%) на
валідаційній вибірці у діапазоні SNR від 0 до 20 дБ.
Застосовано формалізований кількісний критерій від-
бору, що складається з трьох умов:
К1 (індивідуальна значущість) — ознака залиша-
ється, якщо |ΔAcc| ≥ 0,5%;
К2 (некорельованість) — ознака вилучається при
коефіцієнті кореляції Пірсона |ρ| ≥ 0,7 з іншою озна-
кою, що має більше значення |ΔAcc|;
К3 (негативний внесок) — ознака вилучається, якщо
ΔAcc ≥ 0 (тобто її видалення не погіршує модель).
Таблиця 2
Порівняння обчислювальних витрат методів класифікації сигналів
Метод
Кількість
операцій на
реалізацію
Обсяг пам’яті
моделі, Кб
Час інференсу,
мкс Примітка
Класичний спектральний аналіз
з пороговими правилами [1] 1·104 < 1 10 Низька адаптивність
до SNR
Машинне навчання на параметричних
ознаках FHSS [7] 5·104 10 50 Один клас сигналів
Згорткові мережі на спектрограмах
224×224 [8] 5·108 10 240 50 Офлайнобробка
Запропонований: 10 ознак, формат
з рухомою комою 7·104 15 70 Максимальна точність
за низького SNR
Запропонований: 5 ознак, формат
з рухомою комою 3·104 8 30 Компроміс
точність / ресурси
Запропонований: 5 ознак, цілочисель-
ний формат 3·104 2 15 Рекомендовано для
вбудованих систем
Технологія та конструювання в електронній апаратурі, 2026, № 1 41ISSN 3083-6530 (Print)
ISSN 3083-6549 (Online)
41
СИСТЕМИ ПЕРЕДАЧІ ТА ОБРОБКИ СИГНАЛІВ
Додатково застосовується правило винятку К1*:
ознака зберігається при |ΔAcc| < 0,5 %, якщо коефіці-
єнт кореляції Пірсона з найбільш корельованою ін-
шою ознакою |ρ*| < 0,3 (тобто вона несе унікальну не-
корельовану інформацію). Остаточне рішення прийма-
ється за мажоритарним правилом.
Як видно з табл. 3, п’ять залишених ознак {F3, F5,
F7, F8, F9} є комплементарними: F3 та F5 забезпечу-
ють частотний опис, F7 та F8 — часовочастотний з
меншими обчислювальними витратами, а F9 — ста-
тистичну характеристику для розрізнення гаусових
та негаусових процесів. Середнє попарне значення |ρ|
для цих ознак становить 0,34, що підтверджує їхню
функціональну незалежність.
Принциповим результатом абляційного аналізу є
вилучення F6: додатне значення ΔAcc = + 0,13% свід-
чить про те, що повна енергія сигналу, яка суттєво за-
лежить від рівня шуму, вносить систематичну похиб-
ку у рішення класифікатора. Ознака F1 (спектраль-
на ентропія) стає критичною лише при SNR < − 5 дБ,
що визначає обмеження скороченого вектора (розгля-
датимуться у наступному розділі). Таким чином, під
повним вектором ознак надалі розуміється набір із
10 компонентів (F1...F10), під скороченим — набір
із п’яти компонентів {F3, F5, F7, F8, F9}. Значення
кое фіцієнтів кореляції |ρ*| , наведені у табл. 3, отри-
мані на підмножині навчальних даних у діапазоні
SNR від 0 до 20 дБ та можуть незначно змінюватися
залежно від обсягу та характеристик вибірки.
Для реалізації моделі на платформах з обмежени-
ми ресурсами застосовано цілочисельну квантиза-
цію до 8бітового формату після навчання у форма-
ті з рухомою комою одинарної точності. Діапазони
ваги та активації визначаються на основі статистич-
них характеристик навчальних даних, що мінімізує
втрати точності. Процедура квантизації виконується
після завершення навчання і не потребує повторного
повного тренування, що суттєво спрощує виробниче
розгортання моделі.
Результати досліджень та їх обговорення
Для експериментальних досліджень було сфор-
мовано репрезентативний набір даних із 10 000 реа-
лізацій комплексних аналітичних сигналів (по 20 000
на клас). Частота дискретизації становила 1 МГц,
дов жина кожної реалізації — 1024 комплексні від-
ліки. Сигнали DSSS моделювалися з використанням
11чипового коду Баркера [14], [15], FHSS — зі швид-
Рис. 1. Структурна схема
нейромережевого класифікатора
F1
F2
F3
F4
F5
F6
F7
F8
F9
F10
Шум
NB
DSSS
FHSS
CSS
Вхідний шар Прихований 1 Прихований 2 Вихідний шар
Таблиця 3
Абляційний аналіз та формування скороченого вектора
Ознака ΔAcc,
% |ρ*| Критерій Рішення Обґрунтування
F1 – 0,30 0,72 (F2) К2 Вилучити Корелює з F2; критична лише при SNR < − 5 дБ
F2 − 0,23 0,74 (F7) К2 Вилучити Корельована з F7 при меншій складності обчислення
F3 − 1,17 0,41 К1 Залишити Критична для розрізнення DSSS від вузькосмугових
F4 − 0,27 0,68 (F5) К1 Вилучити Індивідуальний вплив нижче порога; F5 перекриває
F5 − 0,87 0,52 К1 Залишити Унікально фіксує дискретні стрибки частоти FHSS
F6 + 0,13 0,38 К3 Вилучити Додатне ΔAcc — видалення покращує модель
F7 − 1,70 0,74 К1 Залишити Найбільший індивідуальний внесок; пов’язаний з M 2(x)
(див. формулу (4))
F8 − 0,77 0,41 К1 Залишити Важлива для CSS — плавна зміна миттєвої частоти
F9 − 0,43 0,22 К1* Залишити Гранична |ΔAcc|, але найнижча кореляція (0,22) та роль
при низькому SNR
F10 − 0,07 0,31 К1 Вилучити Дубльована функціональність з F6, F9
Технологія та конструювання в електронній апаратурі, 2026, № 142 ISSN 3083-6530 (Print)
ISSN 3083-6549 (Online)
42
СИСТЕМИ ПЕРЕДАЧІ ТА ОБРОБКИ СИГНАЛІВ
кістю 500 стрибків/с, CSS — як лінійна частотна мо-
дуляція з випадковими граничними частотами (іміта-
ція фізичного рівня технології LoRa). Сигнали генеру-
валися з випадковою початковою фазою та централь-
ною частотою у діапазоні SNR від − 10 до + 20 дБ для
моделювання критичних умов приймання, характер-
них для сигналів з низькою ймовірні стю перехоплен-
ня. Навчання та тестування здійснювалося на підмно-
жинах даних, які не перетинаються, що забезпечує ко-
ректність оцінки узагальнювальної здатності моделі.
Модель з рухомою комою на повному векторі ознак
забезпечує точність понад 91,4% при SNR > 0 дБ, до-
сягаючи 93,2% при SNR = 20 дБ. Навіть за інтенсив-
них завад (SNR = −10 дБ) точність залишається на
рівні 87,1%, що підтверджує високу дискримінатив-
ну здатність вектора ознак. Для аналізу характеру по-
милок класифікації використано матриці невідповід-
ностей, наведені на рис. 2.
Як видно з рис. 2, а, система майже безпомилко-
во ідентифікує DSSS та шум, що підтверджує ефек-
тивність ознаки F9 (ексцес амплітуди) для розріз-
нення негаусовості DSSSсигналів. Водночас спо-
стерігається певний перетин між вузькосмугови-
ми сигналами та FHSS, що є фізично обґрунтова-
ним явищем: на коротких інтервалах FHSSсигнал
може виглядати як вузькосмуговий. Точність іден-
тифікації CSS залишається стабільно високою
(близько 89%), що доводить ефективність параме-
тра F8 (складність Гйорта). У випадку SNR = −10 дБ
(рис. 2, б) FHSS помилково класифікується як шум у
34% випадків, а 39% CSS розпізнаються як шум че-
рез недостатню потужність для статистичного вияв-
лення параметрами Гйорта.
Проведені експерименти для трьох конфігу-
рацій моделі дозволяють зазначити, що перехід
від повного вектора ознак до скороченого демон-
струє високу стабільність при SNR > 0 дБ: точ-
ність оптимізованої моделі становить 91,2 – 91,8%,
це лише на 1,5% нижче за базову при удвічі мен-
шій розмірності вектора. Найбільша різниця між
моделями спостерігається при високому рівні завад
(SNR = −10 дБ): базова модель зберігає точність 87%,
тоді як оптимізовані версії демонструють зниження
до 70% — з рухомою комою та 66% — цілочисель-
ний формат. Це підтверджує зроблений в абляційно-
му аналізі висновок, що вилучена ознака F1 (спек-
тральна ентропія) стає критичною в умовах глибоко-
го маскування сигналу шумом. Для критичних засто-
сувань при SNR < − 5 дБ рекомендується попередньо
застосувати алгоритми придушення шуму, збільши-
ти час спостереження для накопичення статистики
або використати повний вектор ознак.
Перехід від формату з рухомою комою до цілочи-
сельного призводить до незначної втрати точності,
що ілюструється графіками на рис. 3. При SNR ≥ 0 дБ
криві практично збігаються, що підтверджує мож-
Рис. 2. Матриця невідповідностей моделі у цілочисельному форматі:
а — усереднений результат для SNR від − 10 до 20 дБ; б — SNR = − 10 дБ
а) Загальна матриця плутанини
(модель INT8, п’ять ознак)
0,8
0,6
0,4
0,2
0,0
Шум
NB
DSSS
FHSS
CSS
С
пр
ав
ж
ні
й
кл
ас
Шум NB DSSS FHSS CSS
Передбачений клас
0,97 0,01 0,00 0,02 0,01
0,02 0,91 0,00 0,05 0,01
0,00 0,00 0,99 0,00 0,01
0,05 0,39 0,02 0,54 0,01
0,05 0,05 0,01 0,00 0,89
б) Матриця плутанини при SNR = – 10 дБ
(найскладніші умови)
0,8
0,6
0,4
0,2
0,0
Шум
NB
DSSS
FHSS
CSS
С
пр
ав
ж
ні
й
кл
ас
Шум NB DSSS FHSS CSS
Передбачений клас
0,95 0,01 0,01 0,03 0,01
0,18 0,59 0,01 0,13 0,10
0,01 0,00 0,93 0,00 0,05
0,34 0,33 0,01 0,24 0,08
0,39 0,11 0,06 0,00 0,45
Рис. 3. Залежність точності моделей з рухомою комою
(базової 1 та оптимізованої 2) та у цілочисельному фор-
маті (3) від SNR
90
85
80
75
70
То
чн
іс
ть
, %
– 10 – 5 0 5 10 15 20
SNR, дБ
1
2
3
Технологія та конструювання в електронній апаратурі, 2026, № 1 43ISSN 3083-6530 (Print)
ISSN 3083-6549 (Online)
43
СИСТЕМИ ПЕРЕДАЧІ ТА ОБРОБКИ СИГНАЛІВ
ливість цілочисельних обчислень без суттєвої втра-
ти якості. Для типових сценаріїв приймання сигна-
лу при SNR = 5 дБ оптимальною є модель із п’ятьма
ознаками у цілочисельному форматі: точність понад
91% за вимог до пам’яті у чотири рази менше порів-
няно з базовою моделлю з рухомою комою.
Отримані експериментальні результати узго-
джуються з теоретичним аналізом обчислювальної
складності (див. табл. 2): запропонований метод у
цілочисельній конфігурації на скороченому векторі
ознак забезпечує оптимальний компроміс між точ-
ністю класифікації та обчислювальними витратами.
Додатково слід зазначити стійкість методу до типо-
вих впливів у реальних умовах: варіацій централь-
ної частоти сигналу, випадкової початкової фази, різ-
ної тривалості сигналу у межах вікна спостережен-
ня. Це досягається використанням статистичних ін-
тегральних ознак, інваріантних до фазових зсувів та
короткочасних флуктуацій.
Висновки
Запропонований метод нейромережевої класи-
фікації широкосмугових радіосигналів для вбудо-
ваних платформ радіомоніторингу поєднує високу
точність при малих значеннях відношення сигнал/
шум, низьку обчислювальну складність та суміс-
ність із цілочисельною арифметикою. Теоретичне
обґрунтування інформативності параметрів Гйорта
дозволило замінити частотні дескриптори часо-
вими еквівалентами зі складністю O(N) замість
O(N log N), що суттєво зменшило обчислювальні ви-
трати. Розроблена методика абляційного аналізу до-
зволила сформувати скорочений вектор із п’яти ознак,
який забезпечує точність понад 91% при SNR ≥ 0 дБ
та потребує лише близько 3·104 операцій на одну реа
лізацію і приблизно 2 Кб пам’яті моделі, що на чоти-
ри порядки менше порівняно з підходами на основі
згорткових мереж.
Експериментальні результати підтвердили стій-
кість методу до варіацій центральної частоти, ви-
падкової початкової фази та різної тривалості сиг-
налу, що робить його придатним для застосування
у розподілених мережах радіомоніторингу, порта-
тивних засобах радіотехнічної розвідки, системах
виявлення сигналів з низькою ймовірністю пере-
хоплення та бортових комплексах моніторингу лі-
тальних апаратів.
Подальший розвиток методу варто спрямувати на
інтеграцію алгоритмів придушення шуму для умов
SNR < − 5 дБ, розширення набору класів для охоплен-
ня сучасних технологій зв’язку (OFDM, 5G, супут-
никові системи низької орбіти), дослідження апарат-
ного прискорення на DSP та FPGA, а також на пере-
хід від класифікації до оцінювання параметрів сиг-
налу з використанням багатозадачних нейромереже-
вих архітектур.
ВИКОРИСТАНІ ДЖЕРЕЛА
[1] D. Torrieri, Principles of Spread-Spectrum Communication
Systems, 5th ed. Cham, Switzerland: Springer, 2022, 710 p.
doi: 10.1007/9783030753436
[2] D. Stanescu, A. Digulescu, C. Ioana, and A. Serbanescu,
“Spread spectrum modulation recognition based on phase diagram
entropy,” Frontiers in Signal Processing, vol. 3, art. no. 1197619,
2023. doi: 10.3389/frsip.2023.1197619
[3] N. Islam and S. Shin, “Deep learning in physical layer:
review on data driven endtoend communication systems and
their enabling semantic applications,” IEEE Open Journal of the
Communications Society, vol. 5, pp. 4207 – 4240, 2024. doi: 10.1109/
ojcoms.2024.3425314
[4] І. В. Горбатий та О. А. Усатий, “Порівняльний аналіз меІ. В. Горбатий та О. А. Усатий, “Порівняльний аналіз ме-
тодів автоматичної класифікації цифрових модуляцій на осно-
ві глибинних нейронних мереж,” Технологія та конструювання
в електронній апаратурі, № 3 – 4, с. 33 – 39, 2025. doi: 10.15222/
TKEA2025.34.33
[5] C. M. Akujuobi, Wavelets and Wavelet Transform Systems
and Their Applications: A Digital Signal Processing Approach.
Cham, Switzerland: Springer, 2022, 644 p. doi: 10.1007/9783
030875282
[6] І. В. Горбатий та О. А. Усатий, “Дослідження методів
спектрального аналізу сигналів із розширеним спектром у су-
часних комунікаційних системах,” Інформаційно-комунікаційні
технології та електронна інженерія, т. 5, № 1, с. 125 – 135, 2025.
doi: 10.23939/ictee2025.01.125
[7] M. T. Khan, A. Z. Sha’ameri, and M. M. A. Zabidi,
“Classification of FHSS signals in a multisignal environment by
artificial neural network,” International Journal of Computing and
Digital Systems, vol. 11, no. 1, pp. 775 – 789, 2022. doi: 10.12785/
ijcds/110163
[8] T. HuynhThe, V.S. Doan, C.H. Hua, Q.V. Pham, T.V.
Nguyen, and D.S. Kim, “Accurate LPI radar waveform recognition
with CWDTFA for deep convolutional network,” IEEE Wireless
Communications Letters, vol. 10, no. 8, pp. 1638 – 1642, 2021.
doi: 10.1109/LWC.2021.3075880
[9] B. Jacob et al., “Quantization and training of neural networks
for efficient integerarithmeticonly inference,” in Proc. IEEE Conf.
Computer Vision and Pattern Recognition (CVPR), Salt Lake City,
USA, 2018, pp. 2704 – 2713. doi: 10.1109/CVPR.2018.00286
[10] H. Zhao, D. Liu, and H. Li, “Efficient integerarithmeticonly
convolutional neural networks,” arXiv preprint, arXiv:2006.11735,
2020. [Online]. Available: https://arxiv.org/abs/2006.11735
[11] A. Gholami, S. Kim, Z. Dong, Z. Yao, M. W. Mahoney,
and K. Keutzer, “A survey of quantization methods for ef-
ficient neural network inference,” in Low-Power Computer
Vision. Boca Raton, FL, USA: CRC Press, 2022, pp. 291 – 326.
doi: 10.1201/978100316281013
[12] B. Hjorth, “EEG analysis based on time domain properties,”
Electroencephalography and Clinical Neurophysiology, vol. 29,
no. 3, pp. 306–310, 1970. doi: 10.1016/00134694(70)901434
[13] W. H. Alawee, A. Basem, and L. A. AlHaddad, “Advancing
biomedical engineering: Leveraging Hjorth features for electroen-
cephalography signal analysis,” Journal of Electrical Bioimpedance,
vol. 14, no. 1, pp. 66–72, 2023. doi: 10.2478/joeb20230009
[14] M. A. Richards, Fundamentals of Radar Signal Processing,
2nd ed. New York, NY, USA: McGrawHill, 2014, 656 p.
[15] V. Maksimov and I. Khrapovitsky, “New composite
Barker codes in the synchronization system of broadband signals,”
Information and Telecommunication Sciences, no. 2, pp. 24 – 30, 2020.
doi: 10.20535/24112976.22020.2430
Надійшла до редакції 24.03.2026
Прийнято до друку 20.04.2026
Технологія та конструювання в електронній апаратурі, 2026, № 144 ISSN 3083-6530 (Print)
ISSN 3083-6549 (Online)
44
СИСТЕМИ ПЕРЕДАЧІ ТА ОБРОБКИ СИГНАЛІВ
REFERENCES
[1] D. Torrieri, Principles of Spread-Spectrum Communication Systems,
5th ed. Cham, Switzerland: Springer, 2022, 710 p. doi: 10.1007/9783030
753436
[2] D. Stanescu, A. Digulescu, C. Ioana, and A. Serbanescu, “Spread
spectrum modulation recognition based on phase diagram entropy,”
Frontiers in Signal Processing, vol. 3, art. no. 1197619, 2023. doi: 10.3389/
frsip.2023.1197619
[3] N. Islam and S. Shin, “Deep learning in physical layer: review on
data driven endtoend communication systems and their enabling semantic
applications,” IEEE Open Journal of the Communications Society, vol. 5,
pp. 4207 – 4240, 2024. doi: 10.1109/ojcoms.2024.3425314
[4] I. V. Horbatyi and O. A. Usatyi, “ Comparative analysis of digital
modulation classification methods based on deep neural networks (in
Ukrainian),” Technology and Design in Electronic Equipment, no. 3 – 4,
pp. 33 – 39, 2025. doi: 10.15222/TKEA2025.34.33
[5] C. M. Akujuobi, Wavelets and Wavelet Transform Systems
and Their Applications: A Digital Signal Processing Approach. Cham,
Switzerland: Springer, 2022, 644 p. doi: 10.1007/9783030875282
[6] I. V. Horbatyi and O. A. Usatyi, “Investigation of spread spectrum
signal analysis methods in modern communication systems (in Ukrainian),”
Information and Communication Technologies and Electronic Engineering,
vol. 5, no. 1, pp. 125 – 135, 2025. doi: 10.23939/ictee2025.01.125
[7] M. T. Khan, A. Z. Sha’ameri, and M. M. A. Zabidi, “Classification
of FHSS signals in a multisignal environment by artificial neural network,”
International Journal of Computing and Digital Systems, vol. 11, no. 1,
pp. 775 – 789, 2022. doi: 10.12785/ijcds/110163
DOI: 10.15222/TKEA2026.1.38
UDC 621.396.96+004.932
Ivan HORBATYI, Oleksandr USATYI
Ukraine, Lviv Polytechnic National University
NEURAL NETWORKBASED METHODS FOR SPREAD SPECTRUM SIGNAL
CLASSIFICATION IN RADIO MONITORING SYSTEMS
Automatic classification of spread spectrum signals — frequency-hopping, direct-sequence, and chirp — is a key
task in modern radio monitoring systems, particularly relevant for distributed sensor networks with constrained
computational resources. A critical review of existing approaches shows that none of the three generations of
classification methods — classical deterministic, feature-based machine learning, and deep learning on time-
frequency representations — simultaneously meets three essential requirements: high accuracy at negative signal-to-
noise ratios, computational complexity below 10 5 multiply–accumulate operations per realization, and compatibility
with integer arithmetic for embedded deployment. This paper proposes a method that addresses this gap through
a compact, informative feature vector combining frequency-domain, time-frequency, and statistical characteristics. The
informativeness of Hjorth parameters is theoretically justified via their analytical link to spectral moments of the power spectral
density, enabling O(N) time-domain computation equivalent to frequency-domain analysis. A formalized ablation analysis
with three quantitative selection criteria (individual significance, pairwise correlation below 0.7, and absence of negative
contribution) yields a reduced vector of five components. Complexity analysis confirms approximately 3·104 operations per
realization and 2 kB model memory in integer configuration — four orders of magnitude less than convolutional network–
based approaches. Experimental evaluation of a multilayer perceptron classifier demonstrates stable accuracy above 91%
across a wide SNR range, 93.2% at 20 dB and 87% at −10 dB, with negligible degradation under integer quantization,
confirming practical applicability to embedded and distributed radio monitoring systems.
Keywords: spread spectrum signals, digital radio signals, neural networks, integer quantization, radio monitoring, embedded systems.
[8] T. HuynhThe, V.S. Doan, C.H. Hua, Q.V. Pham, T.V. Nguyen,
and D.S. Kim, “Accurate LPI radar waveform recognition with CWDTFA
for deep convolutional network,” IEEE Wireless Communications Letters,
vol. 10, no. 8, pp. 1638 – 1642, 2021. doi: 10.1109/LWC.2021.3075880
[9] B. Jacob et al., “Quantization and training of neural networks for
efficient integerarithmeticonly inference,” in Proc. IEEE Conf. Computer
Vision and Pattern Recognition (CVPR), Salt Lake City, USA, 2018,
pp. 2704 – 2713. doi: 10.1109/CVPR.2018.00286
[10] H. Zhao, D. Liu, and H. Li, “Efficient integerarithmeticonly
convolutional neural networks,” arXiv preprint, arXiv:2006.11735, 2020.
[Online]. Available: https://arxiv.org/abs/2006.11735
[11] A. Gholami, S. Kim, Z. Dong, Z. Yao, M. W. Mahoney, and K.
Keutzer, “A survey of quantization methods for efficient neural network
inference,” in Low-Power Computer Vision. Boca Raton, FL, USA: CRC
Press, 2022, pp. 291 – 326. doi: 10.1201/978100316281013
[12] B. Hjorth, “EEG analysis based on time domain proper-
ties,” Electroencephalography and Clinical Neurophysiology, vol. 29,
no. 3, pp. 306–310, 1970. doi: 10.1016/00134694(70)901434
[13] W. H. Alawee, A. Basem, and L. A. AlHaddad, “Advancing
biomedical engineering: Leveraging Hjorth features for electroencepha-
lography signal analysis,” Journal of Electrical Bioimpedance, vol. 14,
no. 1, pp. 66–72, 2023. doi: 10.2478/joeb20230009
[14] M. A. Richards, Fundamentals of Radar Signal Processing,
2nd ed. New York, NY, USA: McGrawHill, 2014, 656 p.
[15] V. Maksimov and I. Khrapovitsky, “New composite Barker codes
in the synchronization system of broadband signals,” Information and
Telecommunication Sciences, no. 2, pp. 24 – 30, 2020. doi: 10.20535/2411
2976.22020.2430
Copyright: © 2026, The author(s). Licensee: Politekhperiodika, Odesa, Ukraine. This article is an open access
article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license
(https://creativecommons.org/licenses/by/4.0/).
Відомості про авторів
Іван Горбатий, докт. техн. наук, професор, зав.
кафедри, Львівська політехніка, Україна;
еmail: giv@polynet.lviv.ua;
ORCID: https://orcid.org/000000016495192X
Олександр Усатий, аспірант, Львівська політехніка,
Україна;
еmail: oleksandr.a.usatyi@lpnu.ua;
ORCID: https://orcid.org/000900073470702X
About the authors
Ivan Horbatyi, Dr.Sc., Professor, Head of Department,
Lviv Polytechnic National University, Ukraine;
еmail: giv@polynet.lviv.ua;
ORCID: https://orcid.org/000000016495192X
Oleksandr Usatyi, Ph.D. Student, Lviv Polytechnic National
University, Ukraine;
еmail: oleksandr.a.usatyi@lpnu.ua;
ORCID: https://orcid.org/000900073470702X
|
| id | oai:tkea.com.ua:article-1326 |
| institution | Technology and design in electronic equipment |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-08-04T01:00:41Z |
| publishDate | 2026 |
| publisher | PE "Politekhperiodika", Book and Journal Publishers |
| record_format | ojs |
| resource_txt_mv | wwwtkeacomua/76/3a4ae69c8428e7decbc67bc5f95add76.pdf |
| spelling | oai:tkea.com.ua:article-13262026-08-03T14:14:28Z Hardware software true random number generator based on a semiconductor photodiode array and logical combinations of cellular automata Апаратно-програмний генератор випадкових чисел на основі напівпровідникової фотоматриці та логічних комбінацій клітинних автоматів Yanushevskyi, Serhii Dobrovolsky, Yuriy cellular automata photodiode array random number generator data post processing NIST STS tests generation speed cryptographic strength information security software engineering клітинні автомати фотоматриця генератор випадкових чисел постобробка даних тести NIST STS швидкість генерації криптостійкість захист інформації програмна інженерія Primary binary sequences obtained directly from semiconductor photodiode arrays of standard CMOS webcams exhibit significant non-uniform frequency distributions and high inter-frame correlation. Experimental measurements reveal critical defects, including anomalous byte gaps in the [0...25] range and a 30% correlation in darkness. Primary binary sequences obtained directly from semiconductor photodiode arrays of standard CMOS webcams exhibit significant non-uniform frequency distributions and high inter-frame correlation. Experimental measurements reveal critical defects, including anomalous byte gaps in the [0...25] range and a 30% correlation in darkness. The primary entropy source is the stochastic photocurrent of the array elements, captured at 25 frames per second and transformed into discrete numbers via analog-to-digital conversion. Local statistical correlations are eliminated using post-processing based on logical combinations of one-dimensional cellular automata. The developed algorithm combines chaotic rule-switching and a multi-component XOR-MIX combination of equivalent primitives.. For high computational efficiency, a lightweight algorithm for adaptive control of evolution iterations based on express root-mean-square deviation control is introduced. The low complexity of bitwise Boolean operations enables real-time data processing on personal computers and embedded microcontrollers. Experimental results show that the developed algorithm provides a real-time generation speed of 47.8 Mbps, with an additional CPU load of only 0.3% and a frame latency of less than 0.1 ms. The normalized stream completely eliminates inherent hardware defects, successfully passing all 15 NIST STS test groups with a stable proportion of over 96%, confirming the cryptographic strength of the method and its high suitability for modern information security applications. На основі методів програмної інженерії запропоновано апаратно-програмний генератор випадкових чисел із дворівневою нормалізацією шуму фотодіодних матриць. Стохастичний фотострум сенсора перетворюється у дискретні числа, а для усунення кореляцій застосовано постобробку клітинними автоматами з хаотичними правилами та багатокомпонентною XOR-комбінацією. Легковаговий алгоритм адаптивного контролю ітерацій знижує обчислювальні витрати, що дозволяє реалізувати побітові булеві операції на мікроконтролерах у реальному часі. Експерименти підтверджують нормалізацію розподілу та успішне проходження тестів NIST STS при високій пропускній здатності. PE "Politekhperiodika", Book and Journal Publishers 2026-06-30 Article Article Peer-reviewed Article application/pdf https://www.tkea.com.ua/index.php/journal/article/view/TKEA2026.1.32 10.15222/TKEA2026.1.32 Technology and design in electronic equipment; No. 1 (2026): Technology and design in electronic equipment; 32-37 Технологія та конструювання в електронній апаратурі; № 1 (2026): Технологія та конструювання в електронній апаратурі; 32-37 3083-6549 3083-6530 10.15222/TKEA2026.1 uk https://www.tkea.com.ua/index.php/journal/article/view/TKEA2026.1.32/1227 Copyright (c) 2026 Serhii Yanushevskyi, Yuriy Dobrovolsky http://creativecommons.org/licenses/by/4.0/ |
| spellingShingle | клітинні автомати фотоматриця генератор випадкових чисел постобробка даних тести NIST STS швидкість генерації криптостійкість захист інформації програмна інженерія Yanushevskyi, Serhii Dobrovolsky, Yuriy Апаратно-програмний генератор випадкових чисел на основі напівпровідникової фотоматриці та логічних комбінацій клітинних автоматів |
| title | Апаратно-програмний генератор випадкових чисел на основі напівпровідникової фотоматриці та логічних комбінацій клітинних автоматів |
| title_alt | Hardware software true random number generator based on a semiconductor photodiode array and logical combinations of cellular automata |
| title_full | Апаратно-програмний генератор випадкових чисел на основі напівпровідникової фотоматриці та логічних комбінацій клітинних автоматів |
| title_fullStr | Апаратно-програмний генератор випадкових чисел на основі напівпровідникової фотоматриці та логічних комбінацій клітинних автоматів |
| title_full_unstemmed | Апаратно-програмний генератор випадкових чисел на основі напівпровідникової фотоматриці та логічних комбінацій клітинних автоматів |
| title_short | Апаратно-програмний генератор випадкових чисел на основі напівпровідникової фотоматриці та логічних комбінацій клітинних автоматів |
| title_sort | апаратно-програмний генератор випадкових чисел на основі напівпровідникової фотоматриці та логічних комбінацій клітинних автоматів |
| topic | клітинні автомати фотоматриця генератор випадкових чисел постобробка даних тести NIST STS швидкість генерації криптостійкість захист інформації програмна інженерія |
| topic_facet | cellular automata photodiode array random number generator data post processing NIST STS tests generation speed cryptographic strength information security software engineering клітинні автомати фотоматриця генератор випадкових чисел постобробка даних тести NIST STS швидкість генерації криптостійкість захист інформації програмна інженерія |
| url | https://www.tkea.com.ua/index.php/journal/article/view/TKEA2026.1.32 |
| work_keys_str_mv | AT yanushevskyiserhii hardwaresoftwaretruerandomnumbergeneratorbasedonasemiconductorphotodiodearrayandlogicalcombinationsofcellularautomata AT dobrovolskyyuriy hardwaresoftwaretruerandomnumbergeneratorbasedonasemiconductorphotodiodearrayandlogicalcombinationsofcellularautomata AT yanushevskyiserhii aparatnoprogramnijgeneratorvipadkovihčiselnaosnovínapívprovídnikovoífotomatricítalogíčnihkombínacíjklítinnihavtomatív AT dobrovolskyyuriy aparatnoprogramnijgeneratorvipadkovihčiselnaosnovínapívprovídnikovoífotomatricítalogíčnihkombínacíjklítinnihavtomatív |