{
  "id": "pseudorandom-number-generator",
  "title": "伪随机数生成器",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "伪随机数生成器是一种确定性算法，可将初始状态扩展为可复现、近似随机的数值序列。",
  "category": "computer-science",
  "subcategory": "algorithms-theory",
  "type": "concept",
  "aliases": [
    "伪随机数发生器",
    "伪随机数产生器",
    "PRNG"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/pseudorandom-number-generator/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/pseudorandom-number-generator/",
      "json": "https://aiwiki.page/en/pseudorandom-number-generator.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "伪随机数生成器（PRNG）是一种算法，它生成的数值序列在统计性质上近似于随机样本。其输出由内部状态决定，而内部状态通常由一个称为种子的值来初始化。重复相同的初始化过程和后续操作，就会得到相同的序列。“伪随机”一词用于将这种确定性构造与物理随机源区分开来，不过实际的随机数系统往往会将两者结合使用。\n\n伪随机数生成器使大规模模拟、随机化计算、程序化内容生成以及许多安全协议得以实现。它们为蒙特卡洛方法提供样本，为随机化算法提供随机选择，也为机器学习提供所需的大量随机性。其可复现性有助于调试和受控比较，而其生成速度则使应用程序无需为每个数值测量一次物理过程，就能生成数十亿个数值。\n\n不存在适用于所有生成器的统一质量标准。数值模拟注重分布的准确性、样本间的弱相关性、效率和可复现性。密码学还要求生成器能够抵御对手的预测，即使对手知道算法，而且可能已经观察到大量输出。仅凭周期长或通过统计检验，并不能证明生成器具备这种更强的性质。"
    },
    {
      "heading": "确定性状态、周期与统计质量",
      "text": "传统的伪随机数生成器可以用状态空间 \\(S\\)、转移函数 \\(T\\) 和输出函数 \\(G\\) 来描述。从初始状态 \\(s_0\\) 出发，它按下式计算：\n\n\\[s_{n+1}=T(s_n), \\qquad x_n=G(s_n).\\]\n\n初始化过程将种子映射为 \\(s_0\\)。状态可以是单个机器字、包含数千个比特的数组，也可以是密钥与计数器的组合。有些生成器每输出一个字就更新一次状态；另一些则一次计算出一整块输出。因此，与仅给出名称相比，描述生成器的状态表示、初始化过程、状态转移及输出变换，才能更精确地界定它。\n\n状态数量有限的确定性生成器最终必然会再次到达某个先前出现过的状态。一旦如此，此后的行为便会重复。它的运行轨迹可能先有一段不重复的前缀，随后进入循环。如果转移函数是状态空间上的一个置换，那么每个状态都已处于某个循环之中。周期通常指相应循环的长度，不过输出序列的周期可能短于内部状态序列的周期。一个 \\(b\\) 比特的状态最多可表示 \\(2^b\\) 个不同状态；能否实现接近这一上限的循环长度，取决于生成器的构造及其参数。\n\n周期只是衡量质量的一个方面。生成器即使以相同频率输出每一种可能的值，相邻输出对之间仍可能存在很强的依赖关系。例如，一个反复按升序列出所有整数的序列，其一维直方图是均匀的，却具有显而易见的规律。仿真经常使用 \\((x_n,x_{n+1},x_{n+2})\\) 这样的元组，因此，多维输出的几何特征和统计表现十分重要。均匀分布性衡量的是在一个完整周期内，某些元组在有限网格上的分布有多均匀，但它并不能保证生成器在每一种样本量、变换或应用中都表现良好。\n\n确定性输出不可能真正等同于无限延伸的独立随机选择序列。若生成器以均匀选取的 \\(b\\) 比特种子初始化，那么无论输出流有多长，它最多只能从 \\(2^b\\) 种不同的输出流中选择一种。它的输出并不包含无限的新鲜信息熵。伪随机性关注的则是：在样本量、计算量或统计检验受到指定限制的情况下，哪些观测能够将生成序列与理想随机模型区分开来。这一区别将生成器的工程实践与概率及计算复杂性联系起来。"
    },
    {
      "heading": "早期方法与同余生成器",
      "text": "20 世纪 40 年代，随着数值模拟的发展，对计算机生成随机数的需求日益增长。研究粒子输运等问题的人员需要大量随机样本，而使用印刷的随机数表或手工实验已难以方便地满足需求。约翰·冯·诺伊曼于 20 世纪 40 年代中期提出了平方取中法：将一个固定位数的整数平方，取结果中间的若干位作为下一个状态。这种方法虽然简单，却可能陷入短周期循环，或变为零，此后所有值便始终为零。它揭示了一个反复出现的难题：看起来复杂的运算，未必能生成令人满意的随机序列。\n\nD. H. 莱默于 1949 年提出了乘法同余法。更一般的线性同余生成器（LCG）采用以下递推式：\n\n\\[x_{n+1}=(a x_n+c)\\bmod m,\\]\n\n其中，\\(m\\) 为模数，\\(a\\) 为乘数，\\(c\\) 为增量。生成器的状态就是当前整数 \\(x_n\\)，输出可以直接取自该状态，也可以通过额外的变换得到。线性同余生成器因内存需求小、算术运算开销低而得到广泛应用。其数学结构也使周期长度和某些形式的相关性能够得到精确分析。\n\n对于混合型线性同余生成器，赫尔–多贝尔定理给出了达到完整周期 \\(m\\) 的充要条件：\\(c\\) 与 \\(m\\) 必须互质；\\(a-1\\) 必须能被 \\(m\\) 的每个素因子整除；如果 \\(m\\) 能被 4 整除，那么 \\(a-1\\) 也必须能被 4 整除。对于 \\(c=0\\) 的乘法生成器，条件则有所不同。当模数为素数，且选取合适的原根作为乘数时，非零状态可以构成长度为 \\(m-1\\) 的循环；零则仍是吸收态。\n\n一个著名的历史反例是 20 世纪 60 年代用于 IBM公司系统的 RANDU。其递推式的乘数为 \\(65539\\)，增量为零，模数为 \\(2^{31}\\)。任意三个连续值都满足一个约束很强的线性关系，使归一化后的三元组仅落在 15 个平行平面上。即使单个数值看起来分布良好，这种结构也可能使模拟结果失真。这一案例促使人们认识到，仅检验单个数值的出现频率并不足够，长周期也无法弥补多维几何结构上的缺陷。\n\n同余方法并非全都有缺陷。精心选择参数可以获得良好的表现，而组合生成器则可以通过组合多个递推过程来改善统计性质。不过，算术运算的细节至关重要。当模数为 2 的幂时，简单线性同余生成器的低位可能具有特别短的周期。实现时还必须区分有意采用的模运算与意外发生的整数溢出：无符号整数的回绕可能恰好实现预期的递推关系，而在某些语言中，有符号整数溢出并没有与之等价的明确定义的语义。"
    },
    {
      "heading": "线性递推、输出变换与现代生成器家族",
      "text": "许多重要的生成器采用二元域上的线性递推，其中加法为异或运算，系数为比特。线性反馈移位寄存器通过移动比特向量，并根据先前选定位置上的比特计算新的比特。当特征多项式是次数为 \\(k\\) 的本原多项式时，适当的递推关系会遍历全部 \\(2^k-1\\) 个非零状态。这类构造效率高，也便于数学分析，但其线性结构也可能被检测出来或加以利用。全零状态通常必须排除，因为它只会映射到自身。\n\n松本真和西村拓士于 1998 年提出的梅森旋转算法，后来成为广泛使用的通用生成器。其最知名的版本 MT19937 的周期为 \\(2^{19937}-1\\)，输出为 32 位数值。它的递推关系在二元域上是线性的，输出则经过旨在改善均匀分布性质的调匀变换。其实现维护一个由 624 个 32 位字组成的数组，因此状态规模远大于小状态生成器。它适用于许多数值计算应用，但其设计并不具备密码学安全性。\n\nMarsaglia 于 2003 年发表的 xorshift 生成器使用一系列异或和位移运算。基本的 xorshift 状态转移可以极其快速且紧凑，但未经处理的线性输出在专门检测二进制线性相关性的测试中会暴露缺陷。后来的生成器家族将相关的状态转移与非线性输出扰乱器相结合。xorshift*、xoroshiro 和 xoshiro 家族展示了位移、循环移位、异或、乘法和加法的不同组合。各变体之间差异显著；对某个成员已确立的性质，不能自动推广到所有名称相似的生成器。\n\nMelissa O’Neill 于 2014 年提出的 PCG 家族，将同余状态转移与置换式输出变换相结合。这一设计将推进状态的机制与呈现状态的机制分离。根据具体变体，输出运算包括位移、异或和循环移位。这可以掩盖原始递推中显现的缺陷，并以不大的状态规模获得良好的统计表现。不同的流参数可以定义不同的序列，但仅仅采用不同参数，并不能构成统计独立性的普遍证明。\n\n这些家族表明，必须将生成器的递推关系及其可见输出结合起来评估。对输出进行乘法或循环移位，可以在不改变状态周期的情况下显著改善实测表现。反过来，可逆的输出变换未必能阻止攻击者恢复状态。性能也取决于硬件：乘法、可变位移、循环移位和向量指令在不同处理器上的开销各不相同。状态规模会影响 CPU 缓存的表现，尤其是在程序维护许多独立生成器实例时。因此，不存在一种生成器排名，能够同样适用于标量仿真、嵌入式系统和大规模并行工作负载。"
    },
    {
      "heading": "种子、熵源与状态管理",
      "text": "种子决定起始条件，但并不会自动带来不可预测性。如果生成器接受的是 32 位种子，那么即使其内部状态大得多，初始化后可能产生的序列也至多只有 \\(2^{32}\\) 种。通过复杂的初始化过程扩展种子，可以将种子的影响分散到整个状态中，却无法增加对所选种子的不确定性。时间戳或进程标识符可能每次运行都不同，但仍然很容易猜到。关键区别在于：让每次运行有所变化，与为特定安全要求提供足够的熵，并不是一回事。\n\n初始化过程通常会混合种子材料，以避免相近输入之间的相关性，并填充由多个机器字组成的状态。它们可能使用整数混合函数、密码散列函数，或单独设计的扩展过程。有些生成器不允许某些特定状态，例如全零数组，因此初始化时必须考虑这些限制。种子的含义也取决于具体的算法和实现：将同一个整数提供给不同的生成器，所产生的序列通常并无关联。\n\n物理随机数生成器从电子噪声或量子测量等过程中获取随机变化。实际系统会表征这些源的特性、估计其熵、监测其是否失效，并且通常会在使用前对输出进行调理处理。随后，确定性生成器可以将收集到的相对少量的熵扩展为大得多的输出流。调理处理可以集中可用的熵并消除某些偏差，但无法凭空产生源中不存在的熵。物理采集与确定性扩展之间的分工，是现代系统随机数服务的核心。\n\n状态管理并不止于初始化。保存状态可以让仿真从中断处精确恢复，但如果生成器用于安全用途，保存下来的状态表示就可能包含敏感信息。复制进程或恢复虚拟机快照，可能产生两个状态完全相同的实例，因而它们未来的输出也完全相同。操作系统或应用程序可能需要专门的机制来处理这种复制。重新播种会向运行中的生成器引入额外输入，但其安全价值取决于该输入的不可预测性，以及将其融入生成器时采用的构造。\n\n在科学研究中，记录种子有助于复现结果，但并非总是足够。记录中可能还需要包含生成器的具体变体、初始化约定、软件版本、采样算法以及调用顺序。从一种正态分布采样算法换成另一种，可能会消耗不同数量的底层输出字。即使原始输出完全相同，浮点运算或执行顺序上的差异也可能改变结果。因此，可复现性是整个计算过程的属性，而不只是附加在种子上的一项承诺。"
    },
    {
      "heading": "密码学生成器与对抗性不可预测性",
      "text": "密码学安全伪随机数生成器专为存在主动预测或辨别其输出的攻击者的场景而设计。典型用途包括生成加密密钥、认证质询、会话标识符，以及签名协议所需的随机值。仅有良好的频数分布并不足够：如果攻击者能够根据观测到的输出重建内部状态，那么即使后续数值能够通过常规统计检验，攻击者也可能预测出所有这些数值。相关的威胁模型必须明确攻击者能够观测什么、控制什么，以及能够获知哪些内部状态信息。\n\n一种常见的理论表述考虑的是将较短的均匀随机种子扩展为较长比特串的生成器。对于计算能力受限于高效算法的攻击者，其输出应当与均匀随机比特串在计算上不可区分。与此相关的“下一比特”性质指出：观测输出的前缀，不应使攻击者能够高效地预测下一个比特，且成功概率比二分之一高出不可忽略的幅度。这些概念解释了不可预测性为何能与确定性并存：算法是公开的，但在该构造所依赖的假设下，秘密的初始化信息使预测在计算上不可行。\n\n实际系统通常使用成熟的密码学原语生成输出。高级加密标准可用于基于计数器的构造，而基于哈希和基于 HMAC 的构造则通过密码学函数生成输出并演进状态。ChaCha 是安全伪随机数生成中另一种广泛采用的基础算法。美国国家标准与技术研究院（NIST）的特别出版物 800-90A 规定了 Hash_DRBG、HMAC_DRBG 和 CTR_DRBG，并明确了其实例化、生成、重新播种和状态更新的流程。在这套术语中，DRBG 意为“确定性随机比特生成器”。\n\n安全性质还涉及状态泄露后的情况。抗回溯性旨在确保即使当前状态日后泄露，先前生成的输出仍受到保护，通常通过单向状态演进和擦除过时的秘密信息来实现。状态完全泄露后的未来安全性则需要另行分析：如果后续过程完全是确定性的，且攻击者已知其状态，那么它不可能自行恢复保密性。恢复安全通常需要引入攻击者未知的新熵。这些区别对于长期运行的服务，以及可能间歇性遭受入侵的系统十分重要。\n\n历史上的失败案例表明，实现和初始化可能比底层原语本身的强度更能决定安全性。2008 年，Debian 修改版 OpenSSL 软件包中的一个漏洞被披露：此前的一项改动大幅缩小了可用种子的变化范围，使得受影响的密钥可以被逐一枚举。另一起争议涉及 Dual_EC_DRBG，其椭圆曲线构造允许参数之间存在可用作陷门的关系；NIST 于 2015 年将其从 SP 800-90A 中移除。这些案例的失效机制各不相同——一个是熵不足，另一个是构造存在问题——但两者都说明，不能仅凭统计表现推断安全性。"
    },
    {
      "heading": "将随机比特转换为实用样本",
      "text": "大多数生成器直接输出固定宽度的整数，而应用程序需要的往往是有界整数、实数、排列，或来自指定概率分布的样本。转换算法也是随机数系统的一部分，因为即使输入的机器字完全理想，转换过程仍可能引入偏差。对于均匀分布的 \\(w\\) 位整数 \\(U\\)，计算 \\(U\\bmod n\\) 只有在 \\(n\\) 整除 \\(2^w\\) 时，才会得到在 \\(\\{0,\\ldots,n-1\\}\\) 上严格均匀分布的值。否则，某些余数对应的原像会比其他余数多一个。\n\n拒绝采样可以消除这种取模偏差。定义\n\n\\[L=2^w-(2^w\\bmod n).\\]\n\n从 \\(\\{0,\\ldots,2^w-1\\}\\) 中均匀抽取 \\(U\\)，若 \\(U\\geq L\\) 则将其丢弃，否则返回 \\(U\\bmod n\\)。在接受区间内，每个余数所对应的整数个数相同。对于 \\(1\\leq n\\leq 2^w\\)，接受概率大于二分之一；若恰好整除，接受概率则为一，因此抽取次数的期望小于二。具体实现可以采用等价的乘法与拒绝采样相结合的技术，以避免开销较大的除法，或适配机器字运算。\n\n浮点数采样面临的问题有所不同。一种简单的二进制构造方法是从 \\(0\\) 到 \\(2^p-1\\) 中均匀选取整数 \\(K\\)，然后返回 \\(K/2^p\\)。这样得到的是 \\([0,1)\\) 内固定网格上的均匀分布，而不是该区间内所有可表示浮点数上的均匀分布。对于 binary64 运算，常见的选择是 \\(p=53\\)。端点的处理约定很重要：某个值可能适合用于计算数组索引，但如果它可能为零，就可能不适合作为对数函数的输入。IEEE 754浮点运算标准规定的舍入方式和精度也会影响后续变换。\n\n对于累积分布函数为 \\(F\\) 的连续分布，逆变换采样将适当的均匀随机变量 \\(U\\) 代入 \\(F^{-1}(U)\\)。其他方法则利用特定的数学结构。1958 年发表的 Box–Muller 变换通过对数、平方根和三角函数，将两个独立的均匀分布样本转换为两个服从正态分布的样本。Ziggurat 方法利用分层的拒绝区域来降低平均采样开销。不同算法在速度、数值特性、尾部处理以及消耗的源机器字数量方面各有差异。\n\n离散操作同样需要谨慎处理。现代的费雪–耶茨洗牌算法在每一步都从剩余范围中均匀选取一个位置，从而生成均匀随机排列。如果改用有偏的有界整数生成方法，洗牌结果也会有偏。有限状态还带来了另一项限制：确定性生成器通过不同种子所能产生的不同排列数量，不可能超过其可初始化的状态数量。对于 MT19937，2080 是排列总数不超过其周期的最大列表长度。这只是一个计数上界，并不意味着某个具体实现一定能生成所有这些排列。"
    },
    {
      "heading": "统计检验与数学分析",
      "text": "对生成器的评估需要结合数学论证与实证检验。数学分析可以确定周期、识别不可达状态、描述格结构，或证明均匀分布性质。统计检验则通过考察有限样本，判断其是否偏离理想化的随机模型。这两种方法不能相互替代。证明周期很长，并不能说明短程相关性很弱；而通过一次检验，也只意味着考察了该次检验实际涵盖的性质、输出长度和初始化方式。\n\n常见检验考察比特频率、游程、序列相关性、间距、碰撞次数、矩阵秩和线性复杂度。矩阵秩检验可以揭示二进制向量之间的依赖关系；线性复杂度检验则评估一个序列能否由较短的线性递推关系生成。谱检验通过研究连续输出组成的元组如何分布在一组组平行超平面上，分析同余生成器的格结构。这些方法针对不同的弱点，因此，单一的综合“随机性评分”可能掩盖重要差异。\n\n皮埃尔·莱屈耶（Pierre L’Ecuyer）和理查德·西马尔（Richard Simard）于 2007 年发布的 TestU01 框架，提供了名为 SmallCrush、Crush 和 BigCrush 的知名检验套件。其他工具包括马萨利亚（Marsaglia）的 Diehard 检验、Dieharder 和 PractRand。NIST SP 800-22 规定了一套针对二进制序列的统计检验，但通过这套检验并不等于获得了密码学安全认证。检验结果还可能因考察对象不同而有所差异，例如考察完整的字、选定的比特、比特顺序反转后的序列，或交错合并的多个流。\n\n解读结果时，需要遵循基本的统计学规范。在原假设模型成立的情况下，检验统计量偶尔也会取到极端值。进行数百项检验时，偶然出现一些较小的 \\(p\\) 值是正常现象；反过来，接近 1 的 \\(p\\) 值也不是质量评分。相比某一次孤立的异常结果，在不同种子或更大样本量下反复出现同类检验失败，更能说明问题。检验功效也取决于样本量：某种缺陷在较短的输出流中可能无法察觉，却可能在输出达到数太字节后变得十分显著。\n\n应用层面的测试考察生成器是否会与使用它的计算过程产生不良交互。如果模拟中的更新模式反复抽取特定比特位置或特定滞后间隔的值，相关性就可能影响模拟。对照已知的数学结果进行测试、更换生成器类别，以及比较独立实现的计算结果，都有助于发现这类交互。这些比较无法证明生成器在所有情况下都有效，但能探查通用检验套件可能遗漏的行为。同样，一个生成器即使在模拟中表现出色，也可能不适合密码学用途，因为计算攻击并不等同于统计假设检验。"
    },
    {
      "heading": "并行流与可复现计算",
      "text": "并行计算带来的问题不只是生成一条合格的随机数流：许多工作单元都需要抽取样本，同时不能意外产生重复或高度相关的序列。如果给每个工作单元相同的状态，就会产生完全相同的输出。如果初始化方案设计得当，为各工作单元分配相近的种子或许可行，但这并不能普遍保证各序列的独立性。仅仅观察到初始值不同，并不足以证明由此产生的流在整个计算过程中都能保持适当的分离。\n\n分块划分将基础序列中互不重叠的片段分配给不同的工作单元。跳步交错将输出按步长 \\(p\\) 交错分配给 \\(p\\) 个工作单元。两种方法都取决于底层递推关系的结构，以及每个工作单元消耗的输出量。前跳算法无需显式执行全部 \\(k\\) 个中间步骤，就能计算出 \\(T^k(s)\\)。对于同余递推，可以通过高效复合仿射变换来实现；对于二元线性递推，则可以使用二元域上的多项式运算或矩阵运算。\n\n可拆分生成器提供了一种操作，用于为并行任务派生子生成器。这类生成器是否实用，既取决于每条流的统计质量，也取决于分离各流的方法。不同的流标识符或互不相交的状态循环，并不意味着严格概率意义上的独立。由于所有流都可能派生自同一个有限种子，它们的联合分布仍然受到约束。在实际应用中，目标是以可控的方式分配各流，并确保在预定工作负载下，不存在可检测且会造成实质影响的依赖关系。\n\n基于计数器的生成器根据计数器和密钥计算输出，而不要求每个结果都由前一个可变状态推导而来。2011 年推出的 Random123 包含 Philox 和 Threefry 两个系列。程序可以将仿真重复试验编号、粒子标识符、时间步和局部抽样索引等坐标编码到计数器中。这样便可直接访问某个特定的伪随机值，也能自然地适配图形处理器及其他大规模并行硬件。在同一密钥下重复使用计数器值，会得到相同的对应输出，因此，坐标分配也是保证正确性的一环。\n\n并行执行还会使可复现性问题变得复杂。共享的线程安全生成器虽然可以避免竞态条件，但调度一旦改变，分配给各任务的数值仍可能随之变化。为每个任务单独分配随机数流，或采用基于计数器的寻址方式，可以减少这种对调度的依赖。不过，相同的随机样本并不保证最终结果逐比特一致：浮点归约运算的结果可能随求值顺序而改变。因此，在可复现计算中，需要将随机输入的分配与算术运算的确定性、任务调度、软件版本，以及逻辑工作到执行资源的映射分别考虑。"
    },
    {
      "heading": "应用、局限与相关方法",
      "text": "在蒙特卡洛计算中，伪随机样本用于近似计算期望和积分。对于来自所研究分布的独立样本 \\(X_1,\\ldots,X_N\\)，估计量通常具有以下形式：\n\n\\[\\hat{\\mu}_N=\\frac{1}{N}\\sum_{i=1}^{N} f(X_i).\\]\n\n当方差有限时，理想独立采样的标准误差按 \\(N^{-1/2}\\) 的比例减小。伪随机数生成器的输出以确定性序列代替这些理想样本，因此，不确定性的计算有赖于生成器的表现能够满足该估计量的要求。方差缩减方法会有意引入结构或依赖关系，以提高效率；并非所有偏离独立采样的做法都是不利的。\n\n随机性还可用于一些算法，使其预期表现优于确定性替代算法，或使算法本身更简单。例如，快速排序中的随机枢轴选择、大型数据集中的采样以及随机化搜索。在这些应用中，可预测性的重要程度取决于具体环境。某个生成器可能足以用于封闭的数值实验，但如果对手能在观察其行为后选择输入，它就可能不再适用。例如，哈希表的防御措施可能依赖保密的随机化机制，而不只是依赖直方图分布看起来不错的序列。\n\n机器学习系统将伪随机性用于参数初始化、小批量数据打乱、随机失活、数据增强和随机采样。这些用途对随机性的敏感程度各不相同。随机初始化中的微小变化可能改变优化轨迹，而调度变化则可能改变由哪个工作进程消耗某个随机值。因此，所报告的实验结果差异反映了随机种子与训练流程、数据顺序及数值运算执行方式之间的相互作用。在计算机图形学和游戏中，可重现性还有另一种用途：只需一个占用很少空间的种子，就能重新生成地形、纹理、粒子乃至整个程序化生成的环境，而无须存储生成的每一处细节。\n\n一种相关方法是拟蒙特卡洛方法，它使用低差异点集或序列，而不是试图模仿独立随机抽样。索博尔序列就是其中一个典型例子。这些序列的规则性是刻意设计的：其目标是更均匀地覆盖多维区域，并可在适合的问题中提高数值积分的效果。随机扰乱可以将这种覆盖特性与统计误差估计结合起来。由于目标不同，不应仅凭那些旨在检出伪随机流中结构性的检验来评判这些方法。\n\n其他看似能提供随机性的来源也各有局限。对计数器应用哈希函数可以构成生成器的一部分，但其安全性取决于完整的构造方式以及所用的任何秘密输入，而不是取决于“哈希”这个标签。混沌数学系统也不会自动产生良好的数字生成器：有限精度实现会将其化为有限状态过程，可能出现短周期或偏差。因此，在物理随机性、伪随机生成和刻意设计结构的采样方法之间作出选择，取决于所需的分布、可重现性、吞吐量、状态约束以及对手模型。"
    }
  ],
  "links": [
    "algorithm",
    "monte-carlo-method",
    "randomized-algorithm",
    "machine-learning",
    "cryptography",
    "bit",
    "information-entropy",
    "probability",
    "computational-complexity",
    "ibm",
    "integer-overflow",
    "xorshift",
    "cpu-cache",
    "cryptographic-hash-function",
    "virtual-machine",
    "operating-system",
    "advanced-encryption-standard",
    "probability-distribution",
    "rejection-sampling",
    "ieee-seven-five-four",
    "normal-distribution",
    "fisher-yates-shuffle",
    "parallel-computing",
    "matrix",
    "graphics-processing-unit",
    "race-condition",
    "variance",
    "quicksort",
    "dropout",
    "computer-graphics"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}