密码工程读后感-第三章-第二，三，四节
这一章主要是对于PRNG的评估事项（例子我看了头也疼）
一般来说，PRNG的核心在于噪音源(noise source)，将噪音数字化之后的数值我们称之为digitized analog signals或者叫das。一般来说，PRNG会产生三次随机数，分别是das，内部随机数和外部随机数。das就算噪音数字化的数值，内部随机数是对于das的“后处理”, postprocessing。这个内部随机数会进行多一次加工，生成最后的外部随机数。一般上外部随机数并不是由随机数的设计者所决定的，打个比方，我决定在PRNG生成一个随机数后进行一次mod 114514的运算，这个PRNG生成的随机数在我的系统里就算内部随机数，而经过mod 114514之后的随机数，就算外部随机数。
PTRNG的评估最主要的目的是估算每一个比特的熵，然后第二个目的就算进行在线测试(online test，之后会细说)，很不幸的是，熵不能够像其他数值（例如温度）一样可以简单地测量。因为信息熵本身就是一种“随机性”，所以统计学上的黑箱测试是不太管用的。
备注3.1：以Maurer的例子(https://link.springer.com/content/pdf/10.1007/BF00193563.pdf)，如果我们用LFSR来产生随机数，每增加一个伪随机比特所增加的熵为0，但是Maurer的测试会接近最大值。这跟Coron的例子(http://www.crypto-uni.lu/jscoron/publications/entropy.pdf)很相似。
所以，与其量化每一个比特的熵，我们可能要先研究随机数的分布会比较合适。
这一节是随机模型(Stochastic model)
假设随机变量R和Y，分别满足das（数字化信号）和ir（内部随机数）随机性质。前者的分布方式会很依赖噪音源和“数字化机制”，而后者的分布会依赖后处理算法。所一般上，我们是无法准确确认这些分布的，所以评估的时候，会先标注一个“分布家族”(Family of distribution)，并证明所有此分布都是源于这个“家族”。
打个比方(3.1)
把硬币正面设为1，反面设为0，结果为我们假设这其中并没有任何“后处理算法”，也就是说
然后我们把每一次投币的结果设为，而且其分布概率是B(1,p)分布，而
。也就意味着，其分布是来自于单一参数的家族，或者单一参数的概率分布（B(1,p)分布的积）
对于现实中的PTRNG，往往情况更复杂，特定的分布家族可能需要依赖多个参数，所有需要多次实验来测试其独立性。一般来说，信号那一段了解的越深，在PTRNG的所需要的证实部分就越少。另外，随机模型并不是噪音源的物理模型，更不是数字化的机制。
这个随机模型的最终目的是找出每个内部随机数的平均熵（下限），然后基于这个下限，再估算出PTRNG的熵。所以需要这三个步骤：
对于PTRNG设置一个随机模型，如果没有理论上的论据，就需要实验证实。
用这个PTRNG来生成随机数，然后导入属于这个PTRNG的参数
使用这些参数来估算每一个随机比特的熵增。
