4. 熵源建模与随机过程分析
在TRNG工程中，物理熵源输出的原始信号往往并不是理想的白噪声。它可能包含直流偏置、周期性干扰、低频漂移、1/f闪烁噪声，甚至存在短时相关性和状态记忆。如果直接对原始采样做后处理，而不理解其随机过程特性，就可能高估熵率、误判随机性，最终导致密钥空间被压缩。因此，熵源建模的核心任务不是“证明它随机”，而是用可检验的模型描述它“在什么条件下、以多快的速度产生多少不可预测性”。
本节围绕白噪声、1/f噪声、马尔可夫过程、自相关函数、功率谱密度、熵率估计与模型验证展开，重点说明如何从采样序列出发，建立可计算、可验证的随机过程模型。
一、从白噪声到有色噪声：先看自相关与功率谱
白噪声是最基础的随机过程模型：任意两个不同时刻的采样值互不相关，自相关函数在零延迟处为方差，其余延迟处为零。其功率谱密度在整个频带上平坦。工程上常说的“白噪声”通常指宽带、近似不相关的热噪声或散粒噪声。但真实熵源经过放大器、ADC采样保持电路和电源耦合后，频谱往往不再平坦。
描述这种非平坦特性，最直接的工具是自相关函数和功率谱密度。自相关函数定义为：
Rxx[k] = E[ x[n] · x[n+k] ]其中k为延迟点数。若Rxx[k]在k≠0时迅速衰减到接近零，说明样本间相关性弱；若衰减缓慢或出现周期性峰，说明存在低频漂移或周期干扰。功率谱密度则是自相关函数的傅里叶变换，用于观察能量在频带上的分布。白噪声对应平坦谱；1/f噪声对应低频能量显著高于高频；单频干扰则在谱上表现为尖峰。
实际分析时，通常先去除直流分量，再计算自相关和功率谱。若采样率为fs，延迟k对应的物理时间滞后为k/fs。例如fs=1 MHz，k=10对应10 μs。若自相关在10 μs内衰减到噪声底以下，说明样本间相关性时间尺度约为微秒级，这为后续抽取或压缩提供了依据。
二、1/f噪声与马尔可夫过程：两种常见的非理想模型
1/f噪声，又称闪烁噪声，广泛存在于MOSFET、电阻和放大器输入级。其功率谱密度近似满足S(f)∝1/f^α，α通常在0.8到1.2之间。1/f噪声的特点是低频能量大、长程相关强，单纯增加采样率并不能显著提高熵率，因为相邻样本高度相关。对于这类熵源，常用做法是高速采样后做差分、抽取或使用高频段信号，以避开低频主导区。
马尔可夫过程则从状态转移角度描述随机性。若当前状态只依赖前一状态，则为一阶马尔可夫链。对于离散化后的熵源输出，可以统计状态转移概率矩阵P，其中Pij表示从状态i转移到状态j的概率。若转移矩阵各行接近均匀分布，说明下一状态难以预测；若某行概率高度集中，说明存在强记忆性，熵率会显著降低。
马尔可夫模型的价值在于：它把“随机性”转化为可计算的转移概率，并可通过矩阵幂或平稳分布估计长期行为。对于TRNG，若熵源存在明显状态记忆，应使用马尔可夫模型估计熵率，而不是简单套用独立同分布假设。
三、熵率估计：从模型到可量化指标
熵率表示随机过程每输出一个符号所携带的平均不可预测信息量。对于独立同分布序列，熵率等于单符号香农熵：
H = -Σ p(x) log2 p(x)对于马尔可夫链，熵率为：
H_rate = Σ π(i) Σ P(i,j) log2(1/P(i,j))其中π(i)为平稳分布。对于连续值熵源，通常先量化到有限符号集，再按上述公式估计。若存在自相关，还可采用块熵、条件熵或压缩率估计。工程上常用NIST SP 800-90B中的最小熵估计方法，但前提是模型假设合理。
一个可操作的估计流程是：采集足够长的原始样本，去除直流，计算自相关和功率谱，判断噪声类型；若近似白噪声，按独立同分布估计熵率；若存在短时相关，建立一阶或二阶马尔可夫模型；若存在1/f低频主导，先做高通或差分预处理，再重新估计。最终得到的熵率应明显低于原始采样率，二者之比可作为每比特采样可提取的熵量参考。
四、模型验证：不能只看一条曲线
模型验证的目标是判断所选模型是否足以描述熵源行为。常用方法包括：残差自相关检验、功率谱平坦度检验、卡方拟合优度检验、游程检验以及条件熵随阶数变化检验。若残差自相关仍显著非零，说明模型阶数不足；若功率谱在某个频点持续出现尖峰，说明存在未建模的周期干扰。
验证时还应关注采样条件变化：电源电压、温度、时钟频率变化后，自相关和熵率是否稳定。若熵率随温度显著下降，说明模型参数需要加入环境变量，或在设计中增加在线健康测试。
五、工程实践中的建模要点
在实际TRNG设计中，熵源建模通常不是一次性工作，而是与健康测试、后处理设计联动。建议按以下顺序推进：第一，采集原始数据并保存原始样本，不要只保存后处理结果；第二，计算自相关和功率谱，判断噪声类型；第三，根据噪声类型选择模型，白噪声用独立同分布，短时相关用马尔可夫，低频主导用差分或高通；第四，估计熵率并留出安全裕量，通常取估计值的50%到70%作为可用熵；第五，用独立数据集验证模型，检查残差和谱平坦度。
需要特别注意的是，熵率估计结果依赖于采样条件和模型假设。若电源纹波、时钟抖动或温度变化导致噪声特性改变，原模型可能失效。因此，在线健康测试应监测自相关、游程和熵率下界，一旦偏离预期范围就触发告警或停止输出。
总结来看，熵源建模的关键在于：先看自相关和功率谱判断噪声类型，再选择白噪声、1/f噪声或马尔可夫过程等模型，然后用熵率公式量化不可预测性，最后通过残差检验和条件熵检验验证模型。只有模型、估计和验证三者一致，TRNG的熵率声明才具有工程可信度。