随机数发生器对密码系统和通信安全起着至关重要的作用.如果用于生成随机数的熵源无法像预期的那样提供足够多的随机性,那么密码应用很可能存在严重的安全风险.通常来说,人们采用最小熵评估不可预测性,它是用于测量发生器的输出中最可能出现样本被猜中的困难性(概率表示).最近,在NIST800-90B中提出了用于最小熵估计的预测器,其原理是根据所有先前的样本来预测序列中的下一个即将出现的样本.但是,由于过高的时间复杂度,这些预测器在评价具有较长依赖性和多变量的随机数数据上表现出明显不足.因此,基于预测器的概念,提出了一系列具有较强适用性且高效的预测器,这些最小熵评估的预测器基于神经网络技术.神经网络适用于逼近任何概率分布函数,并具有与样本空间呈线性复杂度的特性.在实验部分,利用已知实际概率分布的模拟熵源,验证理论方法的正确性.通过仿真试验验证,结果表明提出的预测器较之90B中的预测器,具有相同程度的准确性,而且在执行效率上有明显提升.不仅如此,当样本空间超过22,样本量超过108时,90B的预测器由于计算代价过高,已无法给出评估结果.相对地,提出的预测器仍能提供准确的评估结果.