RNG
RNG（模板:Lang），即随机数生成器，是计算机科学和密码学中用于生成随机数或伪随机数序列的算法或硬件设备。本词条介绍的是计算机技术领域的随机数生成器。RNG在现代信息技术中扮演着至关重要的角色，从网络安全到游戏开发，从科学计算到统计分析，都离不开随机数的支持。
基本概念
随机数生成器是一种能够产生随机或看似随机的数字序列的系统。在计算机中，由于其确定性的本质，真正的随机性很难实现，因此大多数RNG实际上是伪随机数生成器（PRNG，Pseudo-Random Number Generator），它们通过数学算法生成统计上接近随机分布的数字序列。
真随机数与伪随机数
真随机数生成器（TRNG，True Random Number Generator）依赖于物理过程产生随机性，如热噪声、放射性衰变、量子现象等不可预测的自然过程。这些物理现象本质上是随机的，因此产生的数字序列具有真正的不可预测性。
伪随机数生成器则使用确定性算法，从一个初始值（称为种子）开始，通过数学运算生成看似随机的数字序列。虽然这些序列在统计上表现出随机性，但理论上是可以重现的——只要使用相同的种子和算法，就能得到完全相同的序列。
工作原理
伪随机数生成算法
常见的伪随机数生成算法包括：
线性同余生成器（LCG）是最古老和最简单的伪随机数生成算法之一。它使用递推公式：X(n+1) = (aX(n) + c) mod m，其中a、c、m是精心选择的常数，X(0)是种子值。尽管实现简单，但LCG的随机性质量相对较低，不适合用于密码学应用。
梅森旋转算法（Mersenne Twister）是目前最广泛使用的伪随机数生成器之一，以其超长的周期（2^19937-1）和优秀的统计特性而闻名。它被许多编程语言作为默认的随机数生成器，如Python、Ruby等。
密码学安全伪随机数生成器（CSPRNG）专门设计用于密码学应用，具有更高的安全性要求。即使攻击者知道部分输出序列，也无法预测未来或过去的输出。常见的CSPRNG包括基于AES算法的CTR_DRBG和基于哈希函数的Hash_DRBG。
真随机数生成方法
硬件随机数生成器通过捕获物理现象来产生真随机数。常见的物理随机源包括：
现代处理器如Intel的芯片通常内置硬件随机数生成器（如RDRAND指令），为操作系统和应用程序提供高质量的随机数源。
应用领域
密码学与信息安全
RNG在密码学中至关重要。生成加密密钥、初始化向量、数字签名中的随机数、SSL/TLS握手过程等都需要高质量的随机数。密码学应用必须使用密码学安全的随机数生成器，因为可预测的随机数会导致严重的安全漏洞。
历史上多次发生因随机数生成器缺陷导致的安全事故，如2006年Debian的OpenSSL漏洞，就是因为随机数生成器的熵源被错误削弱。
游戏开发
在电子游戏中，RNG被广泛用于生成随机事件、敌人行为、战利品掉落、地图生成等。游戏玩家常用〖RNG〗一词来描述游戏中的运气成分，如〖这局RNG太差了〗指运气不好。
程序生成内容（PCG）技术大量依赖RNG，如《我的世界》的世界生成、《无人深空》的星球生成等，都使用种子值和随机算法创造出近乎无限的游戏内容。
科学计算与模拟
蒙特卡洛方法是一类依赖重复随机采样来获得数值结果的计算算法，广泛应用于物理学、金融工程、计算机图形学等领域。这些方法需要大量高质量的随机数。
在统计学中，随机数用于随机抽样、自助法（Bootstrap）、随机化试验等。机器学习中的随机梯度下降、数据增强、神经网络权重初始化等也都需要随机数。
其他应用
- 彩票系统：确保抽奖的公平性
- 在线赌博：生成随机结果
- 负载均衡：在分布式系统中随机分配任务
- A/B测试：随机分配用户到不同的实验组
质量评估
评估随机数生成器质量的标准包括：
统计随机性：输出序列应通过各种统计测试，如卡方检验、频率测试、游程测试等。NIST发布的统计测试套件（SP 800-22）是评估随机数质量的权威标准。
周期长度：伪随机数生成器最终会重复其输出序列，周期越长越好。优秀的PRNG应有足够长的周期以满足实际应用需求。
不可预测性：对于密码学应用，即使知道算法和部分输出，也应无法预测未来或过去的输出。
效率：生成随机数的速度和计算资源消耗也是重要考量因素。
常见问题与挑战
种子选择
伪随机数生成器的输出完全由种子决定。如果种子可预测或熵不足，整个序列就变得可预测。现代系统通常从多个熵源收集随机性来初始化种子，如系统时间、进程ID、硬件事件等。
熵耗尽
在Linux等操作系统中，/dev/random设备从熵池中提供随机数，当熵不足时会阻塞。这在需要大量随机数的应用中可能成为性能瓶颈。/dev/urandom则不会阻塞，但在系统启动早期可能熵不足。
并发问题
在多线程或分布式环境中，需要确保不同线程或节点生成的随机数序列是独立的，避免产生相关性。
发展趋势
随着量子计算技术的发展，量子随机数生成器（QRNG）正在成为研究热点。它们利用量子力学的内在随机性，理论上可以提供真正不可预测的随机数，且速度远超传统硬件RNG。
区块链技术中的随机数生成也是一个挑战性问题，需要在去中心化环境中生成可验证的随机数，VRF（可验证随机函数）等技术正在被探索应用。
