Java篇 - 随机数的原理、伪随机和优化 - 好文

这篇来说说Java中的随机数，以及为什么说随机数是伪随机。

目录：

* Math.random()
* Random类
* 伪随机
* 如何优化随机
* 封装的一个随机处理工具类

1. Math.random()

* 1.1 介绍
通过Math.random()可以获取随机数，它返回的是一个[0.0, 1.0)之间的double值。
private static void testMathRandom() { double random = Math.random();
System.out.println("random = " + random); }
执行输出：random = 0.8543235849742018

Java中double在32位和64位机器上都是占8个字节，64位，double正数部分和小数部分最多17位有效数字。

如果要获取int类型的整数，只需要将上面的结果转行成int类型即可。比如，获取[0, 100)之间的int整数。方法如下：
double d = Math.random(); int i = (int) (d*100);

* 1.2 实现原理 private static final class RandomNumberGeneratorHolder { static
final Random randomNumberGenerator = new Random(); } public static double
random() { return
RandomNumberGeneratorHolder.randomNumberGenerator.nextDouble(); }
* 先获取一个Random对象，在Math中是单例模式，唯一的。
* 调用Random对象的nextDouble方法返回一个随机的double数值。
可以看到Math.random()方法最终也是调用Random类中的方法。

2. Random类

* 2.1 介绍
Random类提供了两个构造器：
public Random() { } public Random(long seed) { }
一个是默认的构造器，一个是可以传入一个随机种子。

然后通过Random对象获取随机数，如：
int r = random.nextInt(100);

* 2.2 API boolean nextBoolean() // 返回一个boolean类型随机数 void nextBytes(byte[]
buf) // 生成随机字节并将其置于字节数组buf中 double nextDouble() // 返回一个[0.0,
1.0)之间的double类型的随机数 float nextFloat() // 返回一个[0.0, 1.0) 之间的float类型的随机数 int
nextInt() // 返回一个int类型随机数 int nextInt(int n) // 返回一个[0, n)之间的int类型的随机数 long
nextLong() // 返回一个long类型随机数 synchronized double nextGaussian() //
返回一个double类型的随机数，它是呈高斯（正常地）分布的 double值，其平均值是0.0，标准偏差是1.0。 synchronized void
setSeed(long seed) // 使用单个long种子设置此随机数生成器的种子

* 2.3 例子 private static void testRandom(Random random) { // 获取随机的boolean值
boolean b = random.nextBoolean(); System.out.println("b = " + b); //
获取随机的数组buf[] byte[] buf = new byte[5]; random.nextBytes(buf);
System.out.println("buf = " + Arrays.toString(buf)); // 获取随机的Double值，范围[0.0,
1.0) double d = random.nextDouble(); System.out.println("d = " + d); //
获取随机的float值，范围[0.0, 1.0) float f = random.nextFloat(); System.out.println("f =
" + f); // 获取随机的int值 int i0 = random.nextInt(); System.out.println("i without
bound = " + i0); // 获取随机的[0,100)之间的int值 int i1 = random.nextInt(100);
System.out.println("i with bound 100 = " + i1); // 获取随机的高斯分布的double值 double
gaussian = random.nextGaussian(); System.out.println("gaussian = " + gaussian);
// 获取随机的long值 long l = random.nextLong(); System.out.println("l = " + l); }
public static void main(String[] args) { testRandom(new Random());
System.out.println("\n\n"); testRandom(new Random(1000)); testRandom(new
Random(1000)); }
执行输出：

b = true
buf = [-55, 55, -7, -59, 86]
d = 0.6492428743107401
f = 0.8178623
i without bound = -1462220056
i with bound 100 = 66
gaussian = 0.3794413450456145
l = -5390332732391127434

b = true
buf = [47, -38, 53, 63, -72]
d = 0.46028809169559504
f = 0.015927613
i without bound = 169247282
i with bound 100 = 45
gaussian = -0.719106498075259
l = -7363680848376404625

b = true
buf = [47, -38, 53, 63, -72]
d = 0.46028809169559504
f = 0.015927613
i without bound = 169247282
i with bound 100 = 45
gaussian = -0.719106498075259
l = -7363680848376404625

可以看到，一次运行过程中，如果种子相同，产生的随机值也是相同的。

总结一下：

* 1. 同一个种子，生成N个随机数，当你设定种子的时候，这N个随机数是什么已经确定。相同次数生成的随机数字是完全相同的。　　
* 2. 如果用相同的种子创建两个Random 实例，则对每个实例进行相同的方法调用序列，它们将生成并返回相同的数字序列。

* 2.4 实现原理
先来看看Random类构造器和属性：
private final AtomicLong seed; private static final long multiplier =
0x5DEECE66DL; private static final long addend = 0xBL; private static final
long mask = (1L << 48) - 1; private static final double DOUBLE_UNIT =
0x1.0p-53; // 1.0 / (1L << 53) private static final AtomicLong seedUniquifier =
new AtomicLong(8682522807148012L); public Random() { this(seedUniquifier() ^
System.nanoTime()); } private static long seedUniquifier() { for (;;) { long
current = seedUniquifier.get(); long next = current * 181783497276652981L; if
(seedUniquifier.compareAndSet(current, next)) return next; } } public
Random(long seed) { if (getClass() == Random.class) this.seed = new
AtomicLong(initialScramble(seed)); else { this.seed = new AtomicLong();
setSeed(seed); } } synchronized public void setSeed(long seed) {
this.seed.set(initialScramble(seed)); haveNextNextGaussian = false; }
有两个构造器，有一个无参，一个可以传入种子。

种子的作用是什么？

种子就是产生随机数的第一次使用值，机制是通过一个函数，将这个种子的值转化为随机数空间中的某一个点上，并且产生的随机数均匀的散布在空间中，以后产生的随机数都与前一个随机数有关。

无参的通过seedUniquifier() ^
System.nanoTime()生成一个种子，里面使用了CAS自旋锁实现。使用System.nanoTime()方法来得到一个纳秒级的时间量，参与48位种子的构成，然后还进行了一个很变态的运算：不断乘以181783497276652981L，直到某一次相乘前后结果相同来进一步增大随机性，这里的nanotime可以算是一个真随机数，不过有必要提的是，nanoTime和我们常用的currenttime方法不同，返回的不是从1970年1月1日到现在的时间，而是一个随机的数：只用来前后比较计算一个时间段，比如一行代码的运行时间，数据库导入的时间等，而不能用来计算今天是哪一天。

不要随便设置随机种子，可能运行次数多了会获取到相同的随机数，Random类自己生成的种子已经能满足平时的需求了。

以nextInt()为例再继续分析：
protected int next(int bits) { long oldseed, nextseed; AtomicLong seed =
this.seed; do { oldseed = seed.get(); nextseed = (oldseed * multiplier +
addend) & mask; } while (!seed.compareAndSet(oldseed, nextseed)); return
(int)(nextseed >>> (48 - bits)); }
还是通过CAS来实现，然后进行位移返回，这块的算法比较复杂，就不深入研究了。

3. 伪随机

* 3.1 什么是伪随机？
(1) 伪随机数是看似随机实质是固定的周期性序列，也就是有规则的随机。
(2) 只要这个随机数是由确定算法生成的，那就是伪随机，只能通过不断算法优化，使你的随机数更接近随机。(随机这个属性和算法本身就是矛盾的)
(3) 通过真实随机事件取得的随机数才是真随机数。

* 3.2 Java随机数产生原理
Java的随机数产生是通过线性同余公式产生的，也就是说通过一个复杂的算法生成的。

* 3.3 伪随机数的不安全性

Java自带的随机数函数是很容易被黑客破解的，因为黑客可以通过获取一定长度的随机数序列来推出你的seed，然后就可以预测下一个随机数。比如eos的dapp竞猜游戏，就因为被黑客破解了随机规律，而盗走了大量的代币。

4. 如何优化随机

主要要考虑生成的随机数不能重复，如果重复则重新生成一个。可以用数组或者Set存储来判断是否包含重复的随机数，配合递归方式来重新生成一个新的随机数。

5. 封装的一个随机处理工具类

https://github.com/kuangzhongwen/AndroidCommonLibs/blob/master/src/main/java/waterhole/commonlibs/utils/RandomUtils.java

<https://github.com/kuangzhongwen/AndroidCommonLibs/blob/master/src/main/java/waterhole/commonlibs/utils/RandomUtils.java>

热门工具换一换