第九个知识点：香农(Shannon)定义的熵和信息是什么
这是计算机理论的最后一篇.我们讨论信息理论的基础概念,什么是香农定义的熵和信息.
信息论在1948年被Claude E.Shannon建立.信息论最开始被应用于信号处理,但是经过几十年的发展,它现在已经被应用到各个学科了.这篇文章尝试简洁的介绍两个基础的概念,熵(entropy)和信息(information).如果你对这个感兴趣,我个人推荐你在这里学习更多.[1]
熵
熵是衡量一个或者多个变量不确定性的度量.
假设我们调查人们打开浏览器的时候打开的第一个网页.我们用抽样的方法将测试人员分出两组.四个来自Bristol Cryptogroup的密码学研究人员和在Bristol客车站被抽取的四个乘客.让我们做一个激进的假设,假设四个密码学研究者第一次都会访问http://bristolcrypto.blogspot.co.uk/ .
现在让我们评价一下他们的答案:显然,密码学家的答案是相当确定的(低不确定性),而如果答案来自乘客,则很难猜到(高不确定性).换句话说,我们说密码学家组的答案熵低,而乘客组的答案熵高.
因此香农的一个最著名的贡献就是香农熵的定义:
(H = - sum_ip_ilog_bp_i)
其中(p_i)是一个之前答案出现的可能性.在计算机科学中,我们通常使用(b = 2)(bits).
如果我们计算熵值,我们就有
(H_{cryptographer} = - sum_i^41log_21=0)
(H_{passenger} = -sum_1^4log_2(1/4)=2)
所以乘客的答案的熵确实比密码学家的高!
信息
形式上,Shannon信息的定义在[2]中给出:
信息是衡量一个人在选择信息时的选择自由.
为了解释这个问题,让我们对前面的事例做一个小的修改.让我们从Bristol火车站再抓四个乘客,假设他们的答案也是随机门户,就像长途汽车站的乘客一样.
问题是:给定一个答案(y),你能说答案来自哪一组?
如果(y)是http://bristolcrypto.blogspot.co.uk/,那么我们马上就可以知道答案来自于我们的密码编码员组.但是如果y是随机的,我们就会遇到困难.因此我们就可以说http://bristolcrypto.blogspot.co.uk/包含比随机的更多的信息.
因此它们跟熵有什么关系?
扩展熵的定义,我们将条件熵定义为:
这个公式描述了当(X=x)条件(Y)的熵.更明确的说,因为熵是一个变量的不确定性.因此,先前条件熵的定义实际上是当给定条件为"线索"(条件)(X)的不确定的(Y).
观察:考虑两个变量(X)和(Y).如果(X)包括(Y)的最小信息,然后给出一个额外的(X)的精确值对我们推断(Y)的值应该没有多大帮助,也就是说,它并没有明显的降低(Y)的不确定性.另一方面,如果(X)包含了(Y)的基本信息.那么当(X)给定时,(Y)的熵应该是低了很多.因此,条件熵可以看作是看作是对(X)对(Y)的信息是一种合理的度量!
另一个重要的指标就是互信息(Mutual Information).它是两个变量测量的度量.一种定义它的方法就是熵的减少值.
(I(X;Y) = H(X)-H(X|Y)=H(Y)-H(Y|X))
密码学实例
信息论的概念广泛应用于密码学.一个典型的例子就是把密码学看作一个信道,明文是输入,密文是输出.侧信道的研究也得益于信息论.
[1] Thomas M. Cover and Joy A. Thomas. Elements of Information Theory
2nd Edition. Wiley-Interscience, 2 edition, July 2006.
[2] S. Vajda, Claude E. Shannon, and Warren Weaver. The mathematical
theory of communication. The Mathematical Gazette, 34(310):312+,
December 1950.
[3] http://en.wikipedia.org/wiki/Entropy_(information_theory)