La generación de números aleatorios verdaderos (TRNG, por sus siglas en inglés) es un pilar fundamental en áreas como la criptografía, simulación y juegos de azar digitales. A diferencia de los generadores de números pseudoaleatorios (PRNG), que dependen de algoritmos deterministas, los TRNG aprovechan fenómenos físicos impredecibles para generar secuencias que son fundamentalmente inmunes a la predicción. Un enfoque innovador en la creación de TRNG se fundamenta en el ruido eléctrico inherente a una unión PN, la cual es un componente semiconductor básico presente en diodos y transistores. En el año 2013, un proyecto desarrollado con Arduino proporcionó resultados prometedores acerca de esta estrategia, revelando tanto sus oportunidades como los dilemas técnicos que acompañan a la implementación práctica. La unión PN genera ruido eléctrico debido a la fluctuación aleatoria de portadores de carga (electrones y huecos) en la región de deplexión.
Este ruido, conocido como ruido de avalancha o ruido térmico, funciona como una fuente física de entropía cuando se mide adecuadamente. Para aprovechar esta propiedad, se diseñó un circuito basado en el transistor 2N3904, que alimentado correctamente, permite estudiar esta señal de ruido capturada a través de la entrada analógica de una placa Arduino. Esta configuración es relativamente accesible desde el punto de vista de hardware y abre una ventana para analizar cómo fenómenos físicos pueden traducirse en secuencias aleatorias útiles. Uno de los principales desafíos detectados en el experimento tiene que ver con la proporción y calidad del ruido capturado. Los primeros datos mostraron que el ruido no se distribuía uniformemente entre 0 y 255, sino que tendía a seguir una distribución cercana a la normal (gaussiana), característica inherente al ruido ambiental y térmico de dispositivos electrónicos.
Además, se evidenciaron picos destacados en ciertos valores, lo que sugiere una desviación importante de la uniformidad esperada para una fuente de aleatoriedad ideal. Sin embargo, esta distribución podría ser compensada mediante técnicas de preprocesamiento conocidas como “blanqueamiento” o “whitening”, que transforman la distribución de los datos para acercarse lo máximo posible a una uniformidad aparente, requisito esencial para aplicaciones criptográficas rigurosas. El proyecto implementó un extractor de entropía basado en el método de von Neumann, que consiste en analizar pares de bits generados y eliminar patrones que pueden inducir sesgos, tales como pares iguales “00” y “11”. Además, se aplicó el algoritmo de hashing SHA-1 sobre bloques de datos para mejorar la aleatoriedad generada. Este proceso, aunque comúnmente utilizado para aumentar la incertidumbre en secuencias, presentaba limitaciones para superar algunas pruebas estadísticas de aleatoriedad con un nivel de confianza del 95%, como la prueba Chi-cuadrado, la prueba de Kolmogorov-Smirnov y la prueba de las corridas.
Esto pone de manifiesto que la fuente de entropía física en sí misma puede no ser suficiente sin un procesamiento sofisticado. Un aspecto relevante destacado es la importancia del voltaje suministrado al circuito. La investigación inicial reveló que un suministro menor a los 12 voltios recomendados influía negativamente en la calidad de la señal generada, lo cual afecta directamente la cantidad de entropía disponible. La sustitución de transistores menos adecuados por el modelo 2N3904 mejoró notablemente la calidad del ruido capturado, evidenciando la sensibilidad del diseño a los componentes y condiciones eléctricas. Esto recuerda la necesidad imperiosa de controlar y estabilizar las fuentes de ruido físico para evitar patrones repetitivos que deterioren la calidad del generador.
Las pruebas estadísticas realizadas con herramientas como ENT arrojaron que, tras el proceso de blanqueamiento y hashing, la secuencia generada alcanzaba niveles altos de entropía por byte, acercándose a los 8 bits por byte, lo que sugiere una buena calidad desde el punto de vista teórico. No obstante, comparativamente, sistemas como /dev/random empleados en sistemas operativos modernos aún superaban ampliamente la calidad del TRNG basado en la unión PN, lo que indica que los métodos industriales utilizan múltiples fuentes de ruido y técnicas avanzadas para alcanzar resultados más robustos. Una discusión recurrente en la comunidad de Arduino y desarrolladores del proyecto gira en torno al uso de múltiples fuentes independientes de entropía para mejorar el resultado final. La aplicación de operaciones XOR entre señales diferentes, como la salida del TRNG basado en la unión PN y señales derivadas del temporizador watchdog interno de Arduino, se señaló como una estrategia capaz de elevar la aleatoriedad del sistema. Este enfoque añade un nivel de complejidad y mejora la resistencia a sesgos o fallos específicos de una única fuente, acercando la generación a un ideal físico más seguro para aplicaciones como la criptografía.
Finalmente, la calibración dinámica del umbral utilizado para transformar la señal analógica en bits binarios fue uno de los puntos críticos señalados. El proyecto original aplicaba esta calibración únicamente al inicio, sin ajustar durante la operación, lo que permitía derivaciones en la línea base con el tiempo y afectaba la calidad de la salida. Estudios posteriores evidenciaron la necesidad de calibrar continuamente este punto de corte, idealmente en segundo plano para no interrumpir el flujo de datos, y así garantizar estabilidad y uniformidad en la generación de números aleatorios. El aprendizaje fundamental es que, si bien un TRNG basado en una unión PN es viable con electrónica sencilla y económica, la calidad del aleatoriedad depende estrechamente de un conjunto integrado de componentes: selección correcta de transistores, suministro eléctrico adecuado, técnicas sofisticadas para extracción y procesamiento de entropía, calibración continua y combinación de múltiples fuentes independientes de ruido. Por otra parte, el carácter normal (no uniforme) del ruido eléctrico obtenido no debe desanimar, ya que fuentes de ruido físico reales generalmente presentan distribuciones similares y la magia reside en la implementación del filtrado y procesamiento adecuados para convertirlas en datos aptos para usos seguros y confiables.
La comunidad aporta valiosos aportes, desde algoritmos alternativos de extracción, pasando por estrategias matemáticas para conversión a dígitos ternarios o decimales, hasta la implementación de mezclas y técnicas de hash para maximizar la calidad de la aleatoriedad. En resumen, el proyecto de 2013 que exploró la generación de números aleatorios verdaderos con Arduino utilizando ruido de unión PN es un trabajo pionero que arroja luz sobre las complejidades y oportunidades de esta vía tecnológica para generadores físicos de aleatoriedad. A pesar de las dificultades iniciales, la combinación de avances en hardware y software permite vislumbrar un futuro donde TRNG accesibles y fiables podrían ser integrados fácilmente en sistemas embebidos, dispositivos de IoT y aplicaciones críticas para la seguridad, abriendo así una nueva dimensión en la generación de entropía auténtica más allá de lo meramente computacional.
