伪原创*敏*感*词*(伪随机数*敏*感*词*为什么让计算机偶然生成随机数比看起来复杂的多 )

　　伪原创*敏*感*词*(伪随机数*敏*感*词*为什么让计算机偶然生成随机数比看起来复杂的多

)

　　更多网络新鲜资讯和工作技巧，关注原创【琅琊飞鱼】（每日更新）

　　伪随机数*敏*感*词* (PRNG)

　　任何有编程经验的人都知道计算机是确定性机器。如果您提供相同的输入，您将始终获得相同的输出。这就是为什么让计算机偶然生成随机数比看起来更复杂的原因。

　　随机数用于密码学、*敏*感*词*、视频游戏和许多其他行业。然而，计算机并不是天生随机的。相反，程序员依靠伪随机数*敏*感*词* (PRNG) 以编程方式从称为*敏*感*词*的给定起始值生成新的随机数。

　　这些算法有其自身的局限性。由于随机数是程序生成的，如果有人能够识别*敏*感*词*值和使用的 PRNG 算法，他们将能够预测序列中的下一个随机数。这将允许攻击者解密、预测序列中的下一张牌、在视频游戏中作弊等等。

　　但是 PRNG 在涉及建模和仿真的情况下仍然非常有用，因为它允许通过使用相同的*敏*感*词*初始化随机数*敏*感*词*来“重放”一系列随机事件。

　　“真”随机数*敏*感*词* (TRNG)

　　在随机性优先的场景中，我们使用“真正的”随机数*敏*感*词* (TRNG)。与具有任意*敏*感*词*值的 PRNG 不同，TRNG 从其环境/外部数据中选择*敏*感*词*值。

　　以下是一些潜在的选择：

　　只需选择攻击者无法预测的*敏*感*词*。然后，这个*敏*感*词*值将被传递到一个类似 PRNG 的算法中，该算法将生成一个随机数。

　　两种方法的实际区别。

　　PRNG 比 TRNG 快，并且 PRNG 的确定性在您想要重播一系列“随机”事件的情况下很有用。

　　另外，一些PRNG计算出来的随机数本质上是周期性的，具有一定的概率，但是对于现代PRNG的初始化参数很好，这个周期可以足够长。

　　相反，TRNG 比 PRNG 慢，不是确定性的，也不是周期性的。

　　线性同余发生器

　　实现一个简单的 PRNG。一种称为线性同余*敏*感*词* (LCG) 算法的变体。LCG 以前是最常用和研究的 PRNG 之一。

　　这是 LCG 的迭代算法：

　　LCG 上的维基百科页面 ( ) 记录了一些常用的模数 m、乘数 a 和增量值 c。对于推荐的最佳值没有共识，因此实现之间存在不同的值。

　　我们一定要注意这些参数的取值。选择错误的值可能会导致创建一个太短的周期，从而使我们的随机数*敏*感*词*无用。

　　在下图中，您可以看到参数的微小变化会极大地影响周期长度。

　　代码

　　此处使用早期 C 语言标准（C90/C99/ANSI C 和 C11））中记录的值。

　　一个 = 1103515245

　　m = 2³¹

　　c = 12345

　　无论选择哪种 PRNG 算法，都应该导致随机数的均匀分布和足够长的时间。

<p>import Foundation

final class LCG{

static func generate(modulus: Int, multiplier: Int, increment: Int, seed: Int) -> Int {

return (multiplier * seed + increment) % modulus

} // Generating 100 random numbers using LCG var seed = 0for _ in 0..