一句话概括
随机生成是计算机尽其所能去产生不可预测的数字或字符序列，而这项任务从根本上与其确定性的本质相悖。
它解决的问题
几千年来，人类一直需要随机性。我们用关节骨制成的骰子、洗过的牌和抽签来做决定、玩游戏和确保公平。当计算机问世时，我们也希望它们能做同样的事情：洗一副电子牌、在游戏中创建不可预测的敌人，或者生成一个安全的一次性密码。
但这儿有个巨大的哲学难题。计算机是一台超级听话、由逻辑驱动的机器。你让它干啥它就干啥，而且每次都一模一样。只要给它相同的输入和相同的指令，你就会得到完全相同的输出。它就是“可预测”的定义本身。那么，你怎么能从一台堪称“可预测性”教科书式范例的机器里，得到不可预测的东西呢？
早期的计算机科学家们为此伤透了脑筋。传奇人物约翰·冯·诺依曼在 20 世纪 40 年代提出了一种早期的方法，叫做“平方取中法”。你取一个数（比如 4 位数），将它平方，然后取结果的中间 4 位数作为下一个“随机”数。然后你重复这个过程。这很聪明，但它有个坏毛病，就是很快就会陷入简短的、重复的循环中，或者退化到零，一旦变成零就永远是零了。呃，这就尴尬了。
这种核心冲突——需要从可预测的机器中获得不可预测性——催生了一整个研究领域，致力于将“假装”这件事做到极致。解决方案不是让计算机变得真正随机，而是让它的计算过程变得极其复杂，以至于从所有实际用途来看，其结果都与真随机无法区分。
底层工作原理
要揭开数字随机性的幕后，你需要理解两个关键概念：“种子（seed）”和“算法”。它们共同构成了一个所谓的伪随机数生成器（Pseudo-Random Number Generator），简称 PRNG。这里的“伪”（pseudo）是关键——它低调地承认了这一切都只是一个聪明的幻觉。
种子（Seed）：秘密的起点
每个 PRNG 都需要一个起始数字，称为 seed。可以把它想象成你开始洗牌前，一副牌的独特初始排列。生成器将产生的整个、无限长的数字序列，完全由这一个 seed 值预先决定。
- 如果你给两个相同的 PRNG 相同的 seed，它们将产生完全相同的“随机”数序列。
- 如果你给它们不同的 seed，它们将产生不同的序列。
这既是 PRNG 最大的弱点，也是它最大的优点。对于电子游戏，使用相同的 seed 生成一个宇宙，意味着玩家可以分享这个 seed，探索完全相同的“随机”生成的世界。对于安全系统，如果攻击者能猜到你的 seed，他们就能重现你的“随机”密钥。这就是为什么选择一个好的、不可预测的 seed 至关重要。一个常见但很弱的方法是使用当前的毫秒级时间戳。一个强得多的方法是收集系统中的不可预测数据，比如鼠标移动、键盘输入间隔和网络数据包的到达时间。
算法：神奇的数字机器
一旦有了 seed，算法就开始接管。它是一个数学函数，接收一个数字，对其进行一系列运算，然后吐出序列中的下一个数字。这个新数字随后又被用作下一轮的输入。
一个经典而简单的例子是线性同余生成器 (LCG)。它的公式是这样的：
X_next = (a * X_current + c) % m
咱们来分解一下：
X_current是我们当前的数字（从 seed 开始）。a（乘数）、c（增量）和m（模数）是预先选好的、定义生成器属性的“魔数”。%是取模运算符——它给出除法的余数。这能确保数字保持在特定范围内（从 0 到m-1）。
想象一下，a=7, c=3, m=10，我们的 seed X_current=5。
- 第一轮：
(7 * 5 + 3) % 10->38 % 10->8。我们的第一个随机数是 8。 - 第二轮：
(7 * 8 + 3) % 10->59 % 10->9。我们的第二个随机数是 9。 - 第三轮：
(7 * 9 + 3) % 10->66 % 10->6。以此类推……
现代系统使用更复杂的算法，比如梅森旋转算法 (Mersenne Twister)，它的周期（序列开始重复前的迭代次数）长得离谱，并且具有更好的统计特性。但核心原理是一样的：取一个数，用数学方法把它打乱，得到一个新数。
真随机 vs. 伪随机
那么，如果所有这些都是“伪”的，计算机里存在“真”随机吗？是的，但这完全是另一码事。它由真随机数生成器 (TRNG) 生成，也叫硬件随机数生成器 (HRNG)。
TRNG 不使用确定性算法，而是利用不可预测的物理现象。可以把它想象成一台正在收听宇宙背景噪音的计算机。这些来源可以包括：
- 无线电接收器中的大气噪声。
- 半导体的热噪声。
- 放射性衰变的精确时间。
- 量子现象。
Cloudflare 有一个著名的例子，他们用一整面墙的熔岩灯，用摄像头对着它们，利用蜡块不可预测的、混乱的翻滚来生成随机数据。这才是真正的、不可预测的熵。
这是一个快速比较：
| 特性 | PRNG (伪随机) | TRNG (真随机) |
|---|---|---|
| 来源 | 确定性算法 | 不可预测的物理过程 |
| Seed | 需要 seed；相同 seed = 相同输出 | 不使用 seed；输出是非确定性的 |
| 速度 | 非常快 | 相对较慢；受物理过程限制 |
| 可复现性 | 是的，设计如此 | 不，设计如此 |
| 典型用途 | 模拟、游戏、测试、模拟数据 | 高风险的密码学（如生成主密钥） |
| 浏览器 JS 示例 | Math.random() |
window.crypto.getRandomValues() (CSPRNG) |
注意：window.crypto.getRandomValues() 在技术上是一个密码学安全伪随机数生成器 (CSPRNG)。它是一种算法，但它的 seed 来自操作系统的真熵，其设计目标是即使攻击者知道了其部分状态也无法预测。对于大多数安全需求来说，它集两家之所长。
真实世界的故事
可预测的视频扑克机案件
在 20 世纪 90 年代，内华达州博彩委员会遇到了一个难题。一名男子在视频扑克机上赢得了异常多的头奖。经过调查，他们发现他并没有用传统方式作弊。他买了一台一模一样的机器，带回家，并对其软件进行了逆向工程。那台机器使用了一个简单的 PRNG，每次开机时都会用一个可预测的值重新设定 seed。通过玩他自己的那台机器，他摸清了规律。他可以打开赌场的机器，玩一系列特定的牌局，然后就能准确地知道什么时候会出现皇家同花顺。
教训： 随机性的质量与风险成正比。对于无关紧要的任务，任何 PRNG 都行。但当涉及到金钱或安全时，一个简单、可预测的生成器就是一个巨大的漏洞。
《我的世界》的世界种子
玩过《我的世界》（Minecraft）的人都知道“世界种子（world seed）”的魔力。当你创建一个新世界时，游戏可以为你生成一个随机 seed，或者你也可以自己输入一个。这个 seed 会被送入一个复杂的 PRNG，程序化地生成一个广阔而独特的山脉、洞穴和海洋景观。妙就妙在，这个过程是完全确定性的。如果你和朋友分享 seed "1379963879"，他们会和你出生在完全相同的世界里，能在相同的坐标找到相同的村庄。
教训： 可复现的随机性是一个极其强大的特性，而不是一个 bug。它对于模拟、程序化生成以及任何你需要完美重现复杂“随机”状态的场景都至关重要。
彩票丑闻
一个多州彩票协会的信息安全总监操纵系统赢得了数百万美元。怎么做到的？他进入了彩票的安全室，并在他们的随机数生成器上安装了一小段代码。他的代码很简单：如果彩票在一年中的特定几天开奖，生成器就会使用一个具有已知 seed 的可预测算法。然后，他就可以购买那些他知道会被选中的少数几个组合的彩票，保证中奖。他最终被抓获，但这次攻击凸显了一个基本事实。
教训： 世界上最安全的随机数生成器，如果其周围的流程被破坏，也毫无用处。保护 seed 和生成过程的完整性，与算法本身同等重要。
常见错误和陷阱
- 将
Math.random()用于安全领域。 在 JavaScript 中，Math.random()是实现简单粗暴的随机性的首选。但它不是密码学安全的。它的实现取决于浏览器，它的 seed 可能不安全，并且它的输出有可能被攻击者预测。对于任何与安全相关的事情——会话 token、密码重置、加密密钥——你必须使用window.crypto.getRandomValues()。 - 仅使用当前时间作为 seed。 一个经典的错误。如果攻击者大致知道你生成“随机”秘密的时间（例如，他们知道一个用户在某个 10 分钟的时间窗口内注册），他们就能大大减少需要猜测的 seed 数量。他们只需尝试那个窗口内的每一毫秒，重现所有可能的“随机”数，然后就能找到你的秘密。
- 期望小样本中的均匀分布。 如果你请求 10 个 1 到 10 之间的随机数，你并不能保证每个数字都恰好出现一次。你可能会得到三个 7，而没有 2。这很正常。真正的随机性包括聚集和连续出现。不要因为输出不符合你那喜欢寻找模式的人类大脑的直觉，就认为你的生成器“坏了”。
- 自己造随机生成器的轮子。 除非你是一位正在为学术目的而研究的数学和密码学博士，否则永远、永远不要为实际应用编写你自己的 PRNG。使用你的编程语言标准库或加密模块中那些经过实战检验、同行评审的生成器。它们已经被审查过那些你几乎肯定会错过的微妙缺陷。
为什么它值得你关注
作为一名开发者，你会经常需要用到随机生成器。它不是一个小众工具；它是现代软件的一个基本构建块。
在以下这些时候，你都应该想到随机性：
- 创建唯一标识符： 生成临时密码、密码重置 token、会话 ID、API 密钥或 UUID。
- 运行测试或模拟： 创建带有随机值的模拟数据，通过向 API 端点投掷随机输入来进行模糊测试，或模拟用户行为。
- 构建游戏： 洗牌、决定战利品掉落、掷骰子计算伤害，或生成程序化地图。
- 实现安全功能： 为密码哈希生成盐值，创建加密密钥，或为加密协议生成 nonce。
- 增添一点花样： 选择一个随机背景色，显示“每日一句”，或对不同样式的按钮进行 A/B 测试。
理解标准 PRNG 和 CSPRNG 之间的区别，对于编写安全、可靠的代码至关重要。
深入探索
- MDN Web Docs:
crypto.getRandomValues()— 在浏览器中生成密码学安全随机数的权威指南。 - 维基百科：伪随机数生成器 (PRNG) — 对 PRNG 算法的理论、历史和不同类型的深入技术探讨。
- Cloudflare 博客：生产环境中的 LavaRand — 一篇非常有趣的文章，介绍了 Cloudflare 如何使用一整面墙的熔岩灯作为真随机性的来源。
- 维基百科：随机性 — 一篇更广泛、更具哲学性的文章，探讨了数学、科学和计算中的随机性概念。
- RFC 4086: 安全性的随机性要求 — 对于真正的硬核玩家，这份文档详细说明了为安全应用生成和管理随机性的最佳实践。