幕雪

生成随机数：全面解析其原理、应用与生成策略

什么是随机数？

在数字世界中，随机数扮演着至关重要的角色，但其“随机性”的定义却因应用场景而异。我们通常将随机数分为两大类：真随机数和伪随机数。

真随机数 (True Random Number, TRNG)

真随机数，顾名思义，是基于物理过程的不可预测性所生成的数字序列。它们的产生源于自然界中不可预测的物理现象，例如：

  • 大气噪声：无线电信号中的背景噪音，本质上是随机的。
  • 热噪声：电子元件中电子的随机热运动产生的微弱电流波动。
  • 量子效应：如放射性衰变、光子通过半透镜的路径选择等，这些微观事件在根本上是概率性的。
  • 用户行为：键盘敲击间隔、鼠标移动轨迹等，虽然并非纯物理随机，但在一定程度上引入了外部不可预测性。

真随机数的特点在于，其生成过程是不可重复、不可预测的。即使在相同的条件下，也无法再次生成完全相同的序列。

伪随机数 (Pseudo-Random Number, PRNG)

与真随机数不同，伪随机数是通过确定性算法生成的数字序列。这些算法以一个初始值（通常称为“种子”或“seed”）为输入，然后根据一系列数学运算生成下一个数字。伪随机数的关键特性包括：

  • 确定性：给定相同的种子，伪随机数生成器将始终产生相同的序列。这使得它们在需要重现特定结果的场景（如科学模拟、游戏调试）中非常有用。
  • 周期性：所有伪随机数生成器最终都会重复其序列。一个好的PRNG应该具有非常长的周期，以至于在实际应用中不太可能遇到重复。

尽管被称为“伪”，但设计精良的PRNG可以产生在统计学上表现出高度随机性的序列，足以满足大多数非密码学安全应用的需求。

真随机数与伪随机数的本质区别

真随机数：源于物理不可预测性，无法重现，熵值高。
伪随机数：源于数学算法，可重现（给定种子），具有周期性，统计学上近似随机。

真随机数提供了最高级别的随机性，是加密、安全等领域的核心需求。但它们的生成速度相对较慢，对硬件有要求。伪随机数则以其高效、可控和可重现的特点，广泛应用于模拟、游戏、非安全敏感的抽样等领域。

生成随机数的根本目的

无论是真随机数还是伪随机数，其核心目的都在于为数字系统提供不可预测性、公平性或模拟现实世界的不确定性。这种“随机性”是构建复杂、安全、逼真数字环境的基石。

为什么要生成随机数？

在数字世界中，随机数并非可有可无的装饰，而是许多核心功能得以实现的关键要素。其需求源于对不可预测性、公平性和模拟真实世界行为的强烈要求。

数字世界对随机性的渴求

  • 密码安全：密码学是随机数最关键的应用领域。加密密钥、数字签名、挑战-响应认证等都依赖于高质量的随机数来确保其不可预测性，从而防止攻击者猜测或破解。
  • 模拟仿真：在科学研究、工程设计和经济预测中，随机数被用于模拟复杂系统中的不确定性，例如天气模式、粒子碰撞、金融市场波动等，以进行“蒙特卡洛”等模拟分析。
  • 游戏与娱乐：游戏中的卡牌洗牌、骰子投掷、敌人行为、物品掉落概率、地图随机生成等都离不开随机数，以确保游戏体验的不可预测性和趣味性。
  • 公平抽样与统计分析：在A/B测试、问卷调查、彩票抽奖等场景中，随机数用于确保样本的公平性和代表性，避免人为偏见。
  • 算法设计：一些算法，如快速排序的随机主元选择、哈希函数等，也会利用随机性来提高性能或避免最坏情况。

为何不能完全依赖物理世界？

尽管真随机数具有最高级别的随机性，但它们在实际应用中存在一些限制，使得我们不能完全依赖物理随机源：

  • 生成速度：物理随机源通常生成速度较慢，无法满足某些高速、大批量随机数的需求。
  • 成本与可用性：获取高质量的物理随机源可能需要专门的硬件，成本较高，且并非所有设备都内置有此类硬件。
  • 熵枯竭：某些物理随机源的“熵”（随机性度量）可能会在短时间内耗尽，特别是在高吞吐量需求下。

因此，对于大多数日常应用而言，直接依赖物理世界来提供所有所需的随机性是不切实际的。

伪随机数的必要性与权衡

伪随机数正是为了解决真随机数的局限性而诞生的。它们的主要优势在于：

  • 高效性：通过纯软件算法生成，速度极快，可以满足大量随机数的生成需求。
  • 可重现性：通过相同的种子可以重现相同的序列，这对于调试、测试和科学研究的实验重现性至关重要。
  • 可控性：开发者可以控制生成器的初始状态（种子），以及选择不同的算法来满足特定的统计学特性需求。

当然，伪随机数也存在权衡。它们并非“真正”随机，如果种子已知或算法被破解，其序列是可预测的。因此，在密码学等高安全场景中，必须使用“密码学安全伪随机数生成器”（CSPRNGs），它们在设计上增加了额外的复杂性和安全性措施，以抵抗预测攻击。

在哪里可以获取或生成随机数？

根据所需随机数的类型和应用场景，我们可以在不同的层面获取或生成随机数。

硬件随机数生成器 (HRNG)

这是真随机数的主要来源。现代计算机系统和专用设备通常内置有HRNG。它们的工作原理是捕获并量化物理世界中的随机噪音源，例如：

  • CPU内部噪声：处理器内部电路的热噪声。
  • 时钟抖动：系统时钟的微小、随机的时序偏差。
  • 传感器数据：某些设备可能利用环境温度、湿度、光照传感器中的微小波动。

这些原始的物理信号经过处理（如去偏、熵提取）后，生成高质量的真随机位流。操作系统通常会维护一个“熵池”，收集这些硬件生成的随机数据，以供需要时使用。

操作系统提供的随机数接口

为了方便应用程序获取随机数，操作系统提供了标准的API或文件接口来访问其内部的随机数生成机制。这些接口通常会从操作系统的熵池中提取数据，或者使用密码学安全的伪随机数生成器（CSPRNG）进行扩展。这使得即使硬件随机源暂时不足，也能提供高质量的随机数。

  • Linux/Unix系统：
    • /dev/random：这是一个阻塞设备，只在有足够的熵时才会返回数据。如果熵池耗尽，它会等待新的熵生成，因此可能导致应用程序阻塞。这适用于高度敏感的密码学操作。
    • /dev/urandom：这是一个非阻塞设备，无论熵池是否有足够的熵都会立即返回数据。当熵池不足时，它会使用已有的熵作为种子来生成伪随机数据。对于大多数非密钥生成或一次性密码生成场景，/dev/urandom是更常用且高效的选择。
  • Windows系统：
    • CryptGenRandom：这是一个CryptoAPI函数，用于生成密码学安全的伪随机数。它内部会从多种系统源（如鼠标移动、键盘输入、磁盘活动、网络流量、CPU时钟等）收集熵。

编程语言与库

几乎所有现代编程语言都内置了生成随机数的标准库。这些库通常提供PRNG，并可能封装了对操作系统CSPRNG接口的调用，以提供更好的随机性。以下是一些常见示例：

  • Python：
    • random模块：提供各种统计学随机数生成功能（例如random.random()生成[0.0, 1.0)之间的浮点数，random.randint()生成指定范围内的整数）。其底层通常使用Mersenne Twister算法。不应用于密码学安全场景。
    • secrets模块：提供生成加密安全随机数的功能（例如secrets.token_bytes()、secrets.randbelow()）。它会优先使用操作系统提供的CSPRNG。适用于密码学安全场景。
  • Java：
    • java.util.Random：一个基本的伪随机数生成器，底层使用线性同余算法的变体。不应用于密码学安全场景。
    • java.security.SecureRandom：一个密码学安全的伪随机数生成器，它会尝试使用操作系统提供的熵源。适用于密码学安全场景。
  • C++：
    • <random>头文件：C++11引入了强大的随机数生成库，提供了多种PRNG算法（如std::mt19937梅森旋转算法）和各种随机数分布器。它允许开发者灵活地选择引擎和分布。播种通常需要通过std::random_device获取硬件熵。

网络服务与第三方API

在一些特定场景下，用户可能需要远程获取随机数，例如在客户端无法可靠生成高质量随机数，或者需要经过第三方验证的随机性。存在一些提供随机数服务的网站或API，如：

  • 量子随机数服务：一些机构（如ANU Quantum Random Number Generator）提供基于量子物理现象生成的真随机数API。
  • 区块链随机数预言机：在区块链和去中心化应用中，链上获取真随机数非常困难，因此会依赖Chainlink VRF等预言机服务提供可验证的随机数。

如何评估随机数“质量”与生成数量？

随机数的“质量”是一个核心概念，尤其是在密码学应用中，它直接关系到系统的安全性。而生成数量则涉及性能和应用需求。

随机数的度量：熵

熵（Entropy）是衡量随机性或不确定性的一个关键指标。在随机数生成领域，熵通常指一个数字序列中包含的信息量或不可预测性。熵值越高，序列的随机性越强，越难以预测。

  • 信息熵：香农熵用于量化一个随机变量的平均信息量。对于一个随机数生成器，其输出的熵越高，表示每个输出位携带的随机信息越多。
  • 熵池：操作系统和一些随机数生成器会维护一个“熵池”，这是一个内存区域，用于收集来自各种不可预测源（如键盘输入、鼠标移动、磁盘I/O、网络活动、硬件噪音等）的随机数据。当应用程序请求随机数时，生成器会从熵池中提取数据。如果熵池耗尽或不足，生成的随机数质量可能下降。

随机性测试方法

为了评估随机数生成器的质量，专业的随机性测试套件被广泛使用。这些测试通过统计学方法来检查一个随机数序列是否表现出非随机性模式。常见的测试套件包括：

  • NIST SP 800-22：美国国家标准与技术研究院（NIST）发布的一套统计测试方法，包含15种不同的测试，用于评估随机数序列在均匀性、频率、运行次数、重叠块、傅里叶变换等方面的随机性。广泛应用于密码学安全随机数生成器的评估。
  • Dieharder：一个更强大的开源随机性测试套件，包含了Diehard系列测试（由George Marsaglia开发）以及其他新的测试。
  • 不可预测性测试：除了统计测试，密码学随机数生成器还需通过不可预测性测试，即在不知道种子的情况下，攻击者无法以高于猜测的概率预测下一个生成的随机数，也无法从当前或过去的输出中推断出未来的输出。

通过这些测试，我们可以判断一个随机数生成器是否满足特定应用场景对随机性的要求。

如何生成特定范围与分布的随机数？

实际应用中，我们通常需要的不仅仅是0到1之间的均匀随机数，可能需要特定范围内的整数、浮点数，或者符合特定概率分布（如高斯分布、指数分布）的随机数。这通常通过以下方法实现：

  • 均匀分布到特定范围：
    • 整数范围 [min, max]：通常通过 (随机数 % (max - min + 1)) + min 或更精确的算法实现，以避免模运算导致的偏差。
    • 浮点数范围 [min, max)：通常通过 (随机数_0_1 * (max - min)) + min 实现，其中 随机数_0_1 是在[0.0, 1.0)之间均匀分布的浮点数。
  • 非均匀分布的随机数：
    • 变换法（Inverse Transform Sampling）：对于一些累积分布函数（CDF）有解析解的分布，可以通过将均匀分布的随机数代入CDF的逆函数来生成。
    • 接受-拒绝采样（Acceptance-Rejection Sampling）：对于没有解析解的CDF，或更复杂的分布，可以通过在一个更大的区域内生成均匀随机数，然后根据目标分布的概率密度函数（PDF）来接受或拒绝这些点。
    • 特定算法：例如，生成标准正态分布（高斯分布）的随机数常使用Box-Muller变换算法。

现代编程语言的随机数库通常提供了直接生成各种分布随机数的功能，例如C++的<random>库中就有std::uniform_int_distribution、std::normal_distribution等。

一次能生成多少随机数？

一次能生成的随机数数量取决于生成器的类型和可用资源：

  • 真随机数生成器 (TRNG)：受物理熵源的生成速度限制。例如，一个基于热噪声的HRNG每秒可能只能生成几百或几千比特的真随机数。如果需求量大，可能会导致“熵枯竭”问题。
  • 伪随机数生成器 (PRNG)：理论上可以无限生成，直到其周期重复。由于是纯软件算法，生成速度非常快，每秒可以生成数百万甚至数亿个随机数。但前提是初始种子是高质量的。
  • 密码学安全伪随机数生成器 (CSPRNG)：通常比普通PRNG慢一些，因为它们需要进行更复杂的计算并可能需要定期从熵池中重新播种以维持安全性。然而，它们的吞吐量仍然远高于TRNG，可以满足大多数加密应用的需求。

在设计系统时，必须根据对随机性质量和数量的需求来选择合适的生成策略。对于需要大量高质量随机数的场景，通常会使用TRNG来生成一个高熵的种子，然后用这个种子来播种一个CSPRNG，再由CSPRNG高效地生成大量随机数。

随机数是如何生成的？

理解随机数的生成原理是有效利用和选择合适生成器的基础。真随机数和伪随机数有着截然不同的生成机制。

真随机数的生成原理

真随机数生成器 (TRNG) 的核心在于捕获并数字化物理世界中固有的不可预测性。其基本流程通常包括：

  1. 物理源（Physical Source）：选择一个或多个物理现象作为熵源，如电子噪声、量子效应、大气噪声、地磁波动、用户输入（键盘、鼠标活动）等。这些现象的特点是其行为在微观层面是不可预测的。
  2. 传感器与采集（Sensor & Acquisition）：使用专门的传感器或硬件接口来检测并量化这些物理现象。例如，一个模数转换器 (ADC) 可以将模拟的电噪声信号转换为数字值。
  3. 原始数据处理（Raw Data Processing）：从物理源采集到的原始数据可能存在偏差（例如，更多的是0而不是1），或者可能包含一些可预测的模式（例如，用户按键的频率）。因此，需要进行预处理，如滤波、放大、整形等，以去除任何明显的偏差和非随机性。
  4. 熵提取（Entropy Extraction）：这是TRNG的关键步骤。原始数据中的随机性（熵）可能分布不均匀，或者含有冗余信息。熵提取算法（如哈希函数、von Neumann去偏器、XOR折叠等）用于从偏差或相关的数据中提取出高熵的随机位流。目标是确保每个输出位都是尽可能独立和均匀分布的。
  5. 输出（Output）：经过熵提取后的数据即为高质量的真随机数，可供应用程序使用或填充操作系统的熵池。

由于依赖物理过程，TRNG的生成速度通常较慢，且对硬件质量有较高要求。

伪随机数生成器的核心算法

伪随机数生成器 (PRNG) 完全基于确定性算法。它们通过一个初始的“种子”值，并通过迭代的数学运算来生成一系列看似随机的数字。以下是一些常见的PRNG算法：

  • 线性同余生成器 (Linear Congruential Generator, LCG)

    这是最古老和最简单的PRNG之一。其公式为：
    X_{n+1} = (a * X_n + c) mod m
    其中：

    • X_n 是当前生成的随机数。
    • X_{n+1} 是下一个随机数。
    • a 是乘数。
    • c 是增量。
    • m 是模数。
    • X_0 是初始种子。

    LCG的优点是实现简单、速度快，但缺点是周期较短，随机性质量相对较低，很容易被预测。因此，不适用于密码学或对随机性要求高的场景。

  • 梅森旋转算法 (Mersenne Twister, MT)

    梅森旋转算法（如MT19937）是目前应用最广泛的伪随机数生成器之一。它具有以下显著优点：

    • 周期极长：其周期长度为 219937 – 1，这是一个非常巨大的数字，在实际应用中几乎不可能达到重复。
    • 高均匀性：在多个维度上都表现出良好的均匀分布，通过了大量的统计测试。
    • 速度快：生成随机数的速度非常快。

    由于其优越的统计特性，梅森旋转算法广泛应用于科学模拟、游戏、统计分析等领域。然而，它并不是密码学安全的，因为给定其输出序列的一部分，可以相对容易地预测未来的序列。因此，它不应用于密码学安全场景。

  • XorShift系列算法

    XorShift算法是一系列利用异或、移位和乘法操作来生成伪随机数的算法。它们通常比LCG更简单，性能更高，并且通过了一些基本的统计测试。虽然它们通常比梅森旋转算法周期短，但在某些应用中提供了很好的性能和可接受的随机性。它们也不适用于密码学安全场景。

  • 密码学安全伪随机数生成器 (CSPRNGs) 的特殊要求

    CSPRNGs（Cryptographically Secure PRNGs）是专为密码学应用设计的PRNG。除了满足统计随机性要求外，它们还必须满足以下额外的安全属性：

    • 不可预测性：即使攻击者知道生成器的算法和过去的输出，也无法以任何高于猜测的概率预测未来的输出。
    • 不可回溯性：即使内部状态（种子）被泄露，也无法从当前状态回溯到过去的随机数序列。

    CSPRNG通常使用更复杂的算法，如基于密码学哈希函数、块密码（如AES）、或椭圆曲线等来构建。它们通常会定期从操作系统的熵池中获取新的熵来重新播种，以抵抗长期运行带来的潜在风险。常见的CSPRNG包括Fortuna、CTR_DRBG、HMAC_DRBG等。

“播种”：伪随机数的起点

伪随机数生成器是确定性算法，它们需要一个初始的“种子”（seed）来启动。同一个种子将始终产生相同的随机数序列。因此，种子的选择对于PRNG的质量至关重要，尤其是在安全敏感的场景。

  • 种子来源：
    • 时间戳：例如，当前系统时间（毫秒级或微秒级）是常见的种子来源。但它具有可预测性，因为攻击者可能猜测到生成随机数的时间窗口。
    • 进程ID (PID)：与其他系统信息结合使用。
    • 硬件事件：如CPU时钟周期计数器、网卡MAC地址、磁盘卷序列号等。
    • 操作系统熵池：这是最推荐的种子来源。操作系统会从各种不可预测的硬件和系统事件中收集熵，并提供给应用程序。使用操作系统的熵池作为种子，可以确保PRNG的初始状态具有足够的随机性，从而提高后续生成序列的不可预测性。
    • 专用真随机数生成器：直接使用TRNG的输出来作为CSPRNG的种子。
  • 不良播种的风险：如果种子是可预测的、固定的或熵不足，那么即使使用了统计学上优秀的PRNG，其生成的序列也会变得可预测，从而带来严重的安全漏洞（例如，加密密钥被猜测）。

如何选择合适的随机数生成器？

选择合适的随机数生成器取决于应用场景对随机性质量的要求：

  • 非安全敏感的场景 (如游戏、模拟)：
    • 可以使用标准的库函数（如Python的random模块、Java的java.util.Random），或高性能的通用PRNG（如Mersenne Twister）。
    • 通常不需要担心种子泄露或预测攻击。
  • 统计模拟与科学计算：
    • 需要具有良好统计特性的PRNG（如Mersenne Twister），以确保模拟结果的准确性和有效性。
    • 可重现性可能很重要，因此明确播种是常见的做法。
  • 密码学应用 (如密钥生成、Nonce、Salt)：
    • 必须使用密码学安全伪随机数生成器 (CSPRNG)。
    • 确保CSPRNG是从操作系统提供的安全熵源播种的。
    • 避免使用简单的PRNG，即使其统计特性再好。
    • 绝对不能使用固定种子或易于预测的种子。

生成随机数的常见陷阱与规避

即使理解了随机数的基本原理，在实际应用中仍可能遇到一些陷阱：

  • 固定种子或易预测种子：
    • 陷阱：在每次程序启动时都使用相同的种子（如srand(1)），或使用容易猜到的种子（如仅以秒为单位的时间戳）。这将导致随机数序列每次都相同或容易被预测。
    • 规避：对于非安全敏感应用，可以使用系统时间（毫秒/微秒）与进程ID等结合作为种子。对于安全敏感应用，务必使用操作系统提供的加密安全随机数接口作为种子或直接获取随机数。
  • 熵不足：
    • 陷阱：在CSPRNG依赖物理熵的情况下，如果系统熵池耗尽或长时间没有新的熵注入，CSPRNG可能无法生成真正不可预测的随机数，或在/dev/random等阻塞接口下导致程序停顿。
    • 规避：确保系统有足够的熵源（如通过用户活动、网络流量等）。在Linux上，可以安装rng-tools等服务来利用硬件随机数生成器（如果有）。对于需要持续高熵的场景，考虑专用的硬件随机数生成器。
  • 模运算偏差：
    • 陷阱：使用random_number % N来生成0到N-1之间的随机数时，如果random_number的最大值不是N的整数倍，则会造成模偏差，即某些数字出现的概率会略高于其他数字。对于小范围内的随机数，这种偏差可能很小，但在大数据量或高敏感应用中可能累积成问题。
    • 规避：对于整数范围，更推荐使用(int)(random_number / MAX_RANDOM_VALUE * N) 或一些库提供的特定范围生成函数（如C++ std::uniform_int_distribution，它内部处理了这种偏差）。对于浮点数，直接映射通常没有这个问题。
  • 截断错误：
    • 陷阱：将一个高质量的长随机数截断成较短的随机数（例如，取一个32位随机数的低8位）可能会导致损失其随机性。低位可能比高位更容易出现模式。
    • 规避：使用完整的随机数，或从一开始就生成所需长度的高质量随机数。

随机数在实际中怎么应用？

随机数是许多现代技术和系统的核心组成部分，其应用范围极其广泛。

密码学与信息安全

这是随机数应用最严格和最关键的领域。高质量的随机性是所有现代密码学算法的基础，确保了加密的强度和通信的安全。

  • 密钥生成：对称加密算法（如AES）和非对称加密算法（如RSA、ECC）的密钥都必须是随机生成的，以保证攻击者无法猜测或通过暴力破解找到它们。
  • 会话密钥与一次性密钥：在网络通信中，每次会话通常会生成一个临时的、随机的会话密钥，用于加密本次会话的数据。这些密钥在会话结束后即被销毁，增加了安全性。
  • 随机盐 (Salt)：在存储用户密码时，通常会将一个随机生成的“盐”与用户密码混合（哈希），然后再存储其哈希值。即使两个用户设置了相同的密码，由于盐的不同，其存储的哈希值也会不同，从而抵抗彩虹表攻击。
  • 一次性随机数 (Nonce)：Nonce（Number used once）是一个在密码协议中只使用一次的随机或伪随机数，用于防止重放攻击。例如，在身份验证协议中，服务器发送一个随机的Nonce给客户端，客户端用它来计算响应，证明其身份。
  • 数字签名：一些数字签名算法（如DSA、ECDSA）在每次签名时会用到一个随机数。
  • 加密通信：TLS/SSL协议握手过程中会用到随机数来协商会话密钥，确保通信的机密性和完整性。

模拟与科学计算

随机数在模拟复杂系统和进行科学实验中不可或缺，它们允许研究人员探索不确定性对结果的影响。

  • 蒙特卡洛方法 (Monte Carlo Simulation)：这是一种广泛应用的计算方法，通过重复随机抽样来估计数值结果。例如，计算圆周率、估算积分、模拟粒子在材料中的路径、金融模型中的风险评估等。
  • 粒子模拟：在物理学和化学中，随机数用于模拟粒子（如原子、分子）的随机运动、碰撞和能量转换，从而预测材料行为或反应速率。
  • 天气预报与气候模型：随机数用于模拟大气和海洋系统中的随机扰动，提高长期预测的准确性。
  • 生物学模拟：模拟基因突变、种群动态、疾病传播等随机过程。
  • 优化问题：一些启发式优化算法（如模拟退火、遗传算法）利用随机性来探索解空间，跳出局部最优。

游戏与娱乐

随机数是游戏设计中创造变数、保持趣味性和提供公平体验的核心工具。

  • 卡牌洗牌与骰子投掷：确保扑克、麻将、大富翁等游戏的公平性和不可预测性。
  • 物品掉落与战利品：控制游戏中怪物掉落稀有物品的概率，增加玩家的期待感和重复游玩性。
  • 地图生成与任务随机化：在一些游戏中，随机数用于程序化生成地图、迷宫、任务或事件，使得每次游玩都有新鲜感。
  • 敌人行为与AI决策：赋予游戏中的非玩家角色（NPC）一定的随机行为，使其更具挑战性和真实感，避免玩家轻易预测。
  • 暴击与命中概率：在角色扮演游戏（RPG）中，决定攻击是否暴击、技能是否命中等。

抽样与数据处理

在统计学、数据分析和机器学习领域，随机数用于确保数据的代表性和处理效率。

  • A/B测试：将用户随机分成不同组（A组和B组），然后分别向他们展示不同版本的产品或功能，通过随机抽样确保分组的公平性，从而科学地评估哪个版本表现更好。
  • 统计抽样：从大型数据集中随机抽取样本，以进行调查、分析和推断，而无需处理整个数据集。
  • 机器学习中的数据混洗 (Shuffling)：在训练机器学习模型时，通常需要将训练数据集随机打乱（混洗），以避免模型学习到数据中固有的顺序模式，提高模型的泛化能力。
  • 隐私保护：在某些差分隐私（Differential Privacy）机制中，会故意注入随机噪声到数据中，以保护个人隐私，同时仍能进行有用的分析。

总而言之，随机数作为一种核心的计算资源，其质量和应用方式直接影响到数字世界的安全、效率、公平性和用户体验。理解其生成原理和应用场景，是每个系统设计者和开发者都应具备的基本素养。

生成随机数