在 JDK的java.util包里提供了一个用于生成随机数的Random类,它是如何生成随机数的?为什么它生成的随机数是均匀的?今天我们一起来聊聊其背后的原理。
本文基于Java语言,jdk 11。
1. java.util.Random
Random是 java.util 包提供的一个用于生成随机数的类,首先,我们看看官方对它的描述:
通过源码,我们总结出几个核心点:
- Random类的实例是用来生成一系列的伪随机数;
- Random类使用一个 48位的种子(seed),通过线性同余算法进行修改;
- Random类的特定算法被指定,所以,两个Random类的实例使用相同的种子创建,并且对于每个实例都调用相同顺序的方法,它们将生成并返回相同的数字序列
- Random类是线程安全的,但是,跨线程同时使用同一个java.util.Random实例可能会遇到竞争和相应的性能问题;
- 在多线程设计中,考虑使用java.util.concurrent.ThreadLocalRandom;
- Random类的实例不是密码安全的,对于安全敏感的应用程序,考虑使用java.security.SecureRandom;
2. 什么是伪随机数?
伪随机数指的是一种看起来像随机数的序列,但实际上是由确定性算法生成的。这种算法称为伪随机数生成器(PRNG,Pseudo-Random Number Generator)。
PRNG使用一个称为”种子”的初始值,然后通过一系列的数学运算来生成一个序列,这个序列看起来具有随机性的特征,比如均匀分布、无序性等。
3. 什么是种子(seed)?
在随机数生成器中,种子(seed)其实就是一个起始值,它用于初始化随机数生成器的状态。随机数生成器使用这个种子来确定生成随机数的序列。种子决定了随机数生成器的初始状态,因此给定相同的种子,将会生成相同的随机数序列。
4. 线性同余算法
线性同余算法(LCG,Linear Congruential Generator)是最基本的伪随机数生成算法之一,该算法通常使用如下方程表示:
𝑋𝑛+1 = (a * 𝑋𝑛 + c) mod m
其中:
- 𝑋𝑛 是当前的随机数
- 𝑋𝑛+1 是下一个随机数
- a、c 和 m 是事先选定的常数
- a、c 和 m 是正整数
为了更好地理解这个方程,我们通过一个具体的例子来进行说明:
假设:a = 4, c = 1, m = 7,X₀ = 3,即种子 seed = 3
则:
X₁ = (4 * X₀ + 1) mod 5 = (4 * 3 + 1) mod 7 = 6
X₂ = (4 * X₁ + 1) mod 5 = (4 * 6 + 1) mod 7 = 4
X₃ = (4 * X₂ + 1) mod 5 = (4 * 4 + 1) mod 7 = 3
X₄ = (4 * X₃ + 1) mod 5 = (4 * 3 + 1) mod 7 = 6 (6,4,3)循环开始
X₅ = (4 * X₄ + 1) mod 5 = (4 * 6 + 1) mod 7 = 4
X₆ = (4 * X₅ + 1) mod 5 = (4 * 4 + 1) mod 7 = 3
...
说明:mod是取余操作,等同于 %
通过上面的示例可以看出:如果我们设定一个种子seed = 3,后面每一次获取随机数都可以通过该方程计算出来,而且按照(6,4,3)这个周期进行循环,整个过程获取的数字看起来是随机的,实际上又是通过固定的方法计算而来,因此叫做伪随机数。
对于线性同余算法,需要重点考虑以下 5个因素:
- 种子(Seed): 线性同余算法的运行依赖于一个种子,改变该种子会产生不同的随机数序列,但给定相同的种子和参数,将会生成相同的序列。
- 数选择参: a、c 和 m 的选择是至关重要的,不同的参数会导致不同质量的随机数序列,包括周期长度、统计特性等。
- 周期性: 线性同余算法生成随机数序列是周期性的,通过上面的例子也可以看出。
- 统计特性: 线性同余算法的生成的随机数序列可能不满足一些统计特性,如均匀分布、独立性等。
- 效率: 线性同余算法是一种非常高效的随机数生成算法,因为它只涉及简单的数学运算。这使得它在许多情况下都是一个合适的选择,尤其是对于需要大量随机数的应用。
好了,理解了线性同余算法的实现原理,接下来我们来分析 Random是如何计算随机数。
5. Random如何生成随机数?
Random类包含两个构造方法,如下:
// 无参构造器
public Random() {
this(seedUniquifier() ^ System.nanoTime());
}
// 接收一个 seed参数的构造器
public Random(long seed) {
if (getClass() == Random.class)
this.seed = new AtomicLong(initialScramble(seed));
else {
// subclass might have overriden setSeed
this.seed = new AtomicLong();
setSeed(seed);
}
}
// initialScramble方法是用于对种子进行初始的混淆处理,以增加生成的随机数的随机性
private static long initialScramble(long seed) {
return (seed ^ multiplier) & mask;
}
...
当使用Random的无参构造器时,Random内部会生成一个seed,生成方式如下:
seed = current * 1181783497276652981L ^ System.nanoTime()
如果 current没有设置,默认的初始值是:1181783497276652981L。然后,用新生成的seed再调用带参构造方法,构造器内部有initialScramble(long seed)方法,用于对种子进行初始的混淆处理,以增加生成的随机数的随机性,保证了其均匀性。
为了更好的说明java.util.Random是如何生成随机数,这里以其nextDouble()为例进行讲解,其源码如下:
public double nextDouble() {
return (((long) (next(26)) >> (48 - bits));
}
nextDouble()方法用于生成一个介于[0, 1.0)之间的随机数,nextDouble()方法可以体现出Random对线性同余算法的具体实现如下:
线性同余算法:𝑋𝑛+1 = (a * 𝑋𝑛 + c) mod m
Random的具体实现:(seed ^ 0x5DEECE66DL) & ((1L 0; rnd >>= Byte.SIZE)
bytes[i++] = (byte) rnd;
}
6. Math.random()
Math.random()方法是日常开发中生成随机数使用最多的方法,其本质是对Random类的包装,下面为 Math.random()的源码实现:
public static double random() {
return RandomNumberGeneratorHolder.randomNumberGenerator.nextDouble();
}
private static final class RandomNumberGeneratorHolder {
static final Random randomNumberGenerator = new Random();
}
通过Math.random()的源码可以发现:Math.random() 的实现其实就是 (new Random()).nextDouble(),在这里就不赘述了,另外,日常开发中对Math.random()对真实使用方式,这里也以一副手稿来总结:
解释:
- Math.random()生成一个介于[0, 1)的随机数字,即 0~0.999…
- Math.random() * 8生成一个介于[0, 8)的随机数字,即 0~7.999…
到此,Random生成随机数讲解完成,下面我们进行总结:
7. 总结
上述我们分析了几种常见的随机数生成方式,具体选用哪种可以根据自身业务:
- 伪随机数指的是一种看起来像随机数的序列,但实际上是由确定性算法生成的,这种算法称为伪随机数生成器。
- 线性同余算法是一种生成伪随机数的常用方法,其实现方程为𝑋𝑛+1 = (a * 𝑋𝑛 + c) mod m;
- java.util.Random是 JDK提供的一种随机数生成类,其核心算法就是线性同余算法;
- Math.random() 本质上是对 java.util.Random的包装;