哪个更随机：人工或软件生成的数字？

Question

  

投掷硬币来获得随机位？   或者扔掉一个来获得1到6的随机整数？   或者从洗牌的卡片中取出卡片以获得1到52之间的数字？   。
  。
  。
  或者它可以像我们一样思考，还是像我们一样拥有智慧？

显然，上述例子不能成为生成随机数据的方法。

那么软件库如何在给定范围内生成random个数字？ 哪个更随机：人工或软件生成？

Answer 1

（注意：我忽略了在你的问题中使用“编译器”一词，因为它实际上没有任何意义。相反，这通常是关于计算中的随机[和伪随机]数字。他们的用途。）

你永远不能拥有确定性过程的真随机数，这就是为什么计算机不适合生成它们（因为CPU只能以确定的方式翻转位）。大多数语言，框架和库都使用所谓的Pseudo-random number generators（PRNG）。那些采用种子，它是一种初始状态向量，可以是单个数字或数字数组，并从那里生成一系列看似随机的值。结果通常满足某些统计测量，但不是完全随机的，因为相同的种子将产生完全相同的序列。

最简单的PRNG之一就是所谓的Linear Congruential Generator（LCG）。它只有一个数字作为状态（最初是种子）。然后对于每个连续的返回值，公式如下所示：

LCG formula: x_(n+1)=a⋅x_n+b (mod⁡c ) http://hypftier.de/dump/SO-6593636-lcg.png

其中 a ， b 和 c 是生成器的常量。 c 通常是2的幂，例如2 ³² ，因为它易于实现（自动完成）和快速。但是，为 a 和 b 找到好的值很难。作为一个最简单的例子，当使用 a = 2且 b = 0时，您可以看到结果值永远不会是奇数。这限制了发电机可以非常严重地产生的值的范围。一般来说，LCG是一个非常古老的概念，长期被更好的发电机取代，所以不要使用它们，除非在极其有限的环境中（尽管通常嵌入式系统可以处理更好的发电机而没有问题） - MT19937或其对于那些根本不想担心伪随机数属性的人来说，WELL generators通常要好得多。

PRNG的一个主要应用是模拟。由于PRNG可以给出统计属性和的估计或保证，因此实验可以完全由于种子的性质而重复，因此它们在这里做得很好。想象一下，您正在发表论文，并希望其他人复制您的结果。使用硬件RNG（如下所示），除了包含您使用的每个随机数之外，您没有其他选择。对于可以轻松使用数十亿或更多数字的蒙特卡罗模拟，这是不太可行的。

然后有用于加密应用程序的随机数生成器，例如用于保护您的SSL连接。这里的例子是Windows'CryptGenRandom或Unix的/dev/urandom。那些通常也一个PRNG，但他们使用所谓的“熵池”进行播种，其中包含不可预测的值。这里的要点是产生不可预测的序列，即使相同的种子仍然会产生相同的序列。为了尽量减少攻击者猜测序列的影响，他们需要定期重新播种。熵池是从系统中的各个点收集的：事件，例如输入，网络活动等。有时它也被初始化，整个系统中的内存位置被假定为包含垃圾。但是，如果已经完成，必须注意确保熵池确实包含不可预测的内容。 Something that Debian got wrong in OpenSSL a few years ago.

您也可以直接使用熵池来获取随机数（例如Linux的/dev/random; FreeBSD使用与/dev/random相同的算法和/dev/urandom），但是你不要太过分了，一旦它空了，需要一段时间才能补充。这就是为什么上面提到的算法通常用于将小熵扩展到更大的体积。

然后是基于硬件的随机数发生器，它使用不可预测的自然过程，例如放射性衰减或电线中的电噪声。那些是需要许多“真正”随机数的最苛刻的应用程序，并且能够每秒产生几百MiB的随机性，通常（好吧，数据点是几年，但我怀疑它可以做多少现在更快。）

你可以通过编写一个程序来拍摄这样的东西，这个程序从带有镜头盖的网络摄像头开始（当时只有噪声，或者当没有实际输入时从音频输入）。对于一点点黑客行为来说这些都很好，但通常不会生成好的随机数，因为它们是有偏差的，即在比特流中为零，而不是以相同的频率表示（或者，更进一步，序列00，01，10和11不会以相同的频率生成...您也可以为更大的序列执行此操作。因此，实际硬件RNG的一部分用于确保结果值满足某些统计分布属性。

有些人actually throw dice to get random dice rolls甚至take this into overdrive。人类制造very bad random number generators。

Answer 2

编译器在要求随机数方面绝对没有任何作用。编译器只生成你的代码，调用一些返回随机数的代码。现在调用随机数的“其他代码”可能是：

1. 在您的代码中实施。
2. 作为标准库的一部分实现。
3. 作为特殊图书馆的一部分实施。

在情况（1）和（2）中，它主要是伪随机算法，你得到的数字并不是真正随机的。如果它是标准库（如cmath或math.h）的一部分，则无法确定结果值是伪随机的，因为标准仅指定定义而不是实现。

编辑：库是stdlib.h，它总是一个假随机数，正如乔伊和菲涅尔所指出的那样。阅读评论，了解他们的答案详情。我为这个错误道歉，我同意我应该知道比回答本能更好。

可以使用特殊库，这些库可能具有其他算法的特殊实现，例如Mersenne Twister算法。此外，它们可能只是可以生成随机数的硬件驱动程序。硬件随机数生成器返回一些“真实”的随机数http://en.wikipedia.org/wiki/Hardware_random_number_generator。

标准库中的随机数算法最终映射到OS上的系统调用。因此，在Linux上，您可能只是在阅读/dev/random或/dev/urandom（或者您也可能在自己的代码中执行相同的操作）。

另请注意，可以在不使用专用硬件或某些专用服务的情况下实现真正的随机性。 /dev/random和/dev/urandom提供随机数，对于所有意图和目的都可以认为是真实的。

编辑：一些特殊的库或您自己的代码甚至可能使用随机数的网络服务（其中许多提供真正的随机数）。

Answer 3

您的计算机生成的这些数字不是“随机”的真实定义的“随机”。它们是伪随机的 - 有一种生成数字的算法。您可以在此处详细了解这些数字：http://en.wikipedia.org/wiki/Pseudorandom_number_generator

Answer 4

Google随机数生成： http://en.wikipedia.org/wiki/Random_number_generation

惠斯特不是真正的随机我会选择一台计算机来随机生成一个随机数 人类是随机性的垃圾，因为它们以可预测的方式表现

请参阅： http://www.physorg.com/news186174216.html

Answer 5

见Joeys的回答。还存在 hardware random generators ，它使用一些物理过程来生成nouse，并且可以插入到您的计算机中以用于“真正的”随机数生成（在数学意义上，“真实” “是多余的”）。

在Unix-like下，可以在/ dev / random和/ dev / urandom中查询此类设备。

有关在线示例，请参阅http://www.random.org/。

另请务必查看http://en.wikipedia.org/wiki//dev/random。

Answer 6

这是特定于Linux的，但是对“真实”随机性有一些操作系统支持：/dev/random和/dev/urandom。你读这些就像普通文件一样。

random是从物理过程中收集到的真实随机性，例如硬件中的不规则延迟 - 当您阅读它时它已耗尽且加密安全。

urandom是一个无限的伪随机源，它源自random，几乎肯定比你的C库PRNG更高质量。

Answer 7

当然，人类更随机。编译器（实际上，由编译器编译的随机模块）仅使用一些伪随机（实际上不是随机的，可能的）算法来生成随机数。