真随机数的算法

⑴ 求各种产生随机数的算法

多的很呀！别撤消呀，千万！ 不过几乎都是伪随机数。 随机序列的算法 找到了两个算法, 第一个很简单, 但可惜不是随机的, 第二个是典型的伪随机数算法, 可惜要用到2的几百万次方这样巨大的整数, 真痛苦 要是有UNIX上计算密码的源代码就好了 第一种做法: f(k) = (k*F(N-1)) mod F(N)其中, k是一个序列号, 就是要取的那个数的顺序号 F(N)是这样一个序列 F(0) = 0, F(1) = 1, F(N+2) = F(N+1)+F(N) (for N>=0)第二种做法V = ( ( V * 2 ) + B .xor. B ... )(Mod 2^n)N+1 N 0 2V是要取的随机数, B是个种子, n是随机数的最大个数 原来这个问题, 很高难, 不少数学高手都为解决这个问题写了论文, 咳咳, 偶真是个白痴 呵呵, 效果肯定是不错啦, 因为用不到很大的表. 至于应用是这样的, 比如, 你要给每个用户在注册的时候一个ID但有不希望用户在看到自己的ID的时候能知道其他用户的ID, 如果用SEQUENCE来生成ID的话, 一个用户只要把自己的ID减1就能得到其它用户的ID了. 所以要用随机数来做ID, 这样用户很难猜到其他用户的ID了. 当然主要的问题是, 随机数可能重复. 因此希望使用一个随机数做种子用它来确定一组"无规律"的自然数序列, 并且在这个序列中不会出现重复的自然数. 在这里使用的方法生成的序列并不是没有规律的, 只不过这个轨律很难被发现就是了. Xn+1 = (aXn + b) mod c (其中, abc通常是质数)是一种被广泛使用的最简单的随机数发生算法, 有研究表表明这个算法生成的随机数基本上符合统计规律, JAVA, BORLAND C等用的都是这个方法, 一般只要保证第一个种子是真正的随机数就行了, 下面来说一下重复的问题, 上述方法会有可能出现重复, 因为当(aXn + b)有可能是同样的数或者说余数相同的数, 因此要想不重复就得变形 偶想到的方法是 Xn=(a*n + b) mod c n是一个在1到c之间的整数, a*n + b就是一个线性公式了, 且若n不同则a*n + b也不同, 它们除上质数c得到的余数也肯定不同, 因为 若不考虑a和b而只有n的时候, 每次的结果都是n,而线性公式, 只不过移动了这条直线的位置和斜率而已, 每个结果仍然不会相同的, 为了增加不可预计性, 偶又为上面那个公式设计了, 随机数种子, 于是就变成了这个样子 F(N)=(随机数*(N+随机数))MOD 一个质数 这样就能够产生 1到选定质数之间的一个"无规律"的自然数序列了, 只要改变随机数就能改变序列的次序 在应用的时候, 要把随机数种子和最后用到的序列号保存到一个表里, 每此使用的时候取出来算好, 再把序列号更新一下就可以了 具体地说, 就是可以建一个表来保存每个序列的随机数种子, 然后再为这个序列建一个SEQUENCE就行了然后就SELECT MOD(序列控制表.随机数*(SEQ.NEXTVAL+序列控制表.随机数)),序列控制表.质数) FROM 序列控制表 WHERE 序列控制表.序列ID=XX就OK了注意 序列控制表.质数 决定了序列的范围

⑵ 如何用计算机求随机数

计算机随机数是用一个随机函数生成随机数,但实际上并非无规律,他其实是将一个数通过某种过程生成另一个数,然后将生成的数再次进行此过程,直到出现循环(一定会出现循环),如:
设一个数a;
给a一个值;
对a进行某过程;//此过程一般很复杂
得到b;
再对b进行此过程;
(依次类推)
....
这样的结果是能够得到出现几率几乎相等的一组数,但他们是有规律的,是可以破解的.
但这只是菜鸟所用的"随机数",真正的计算机随机数可以做到随机,
以上面的解释为例,你可以多设几个过程,根据时间决定使用哪个过程,或者把时间也作为一个参数,还有很多方法也可以做到随机,总之,想破解随机数是不可能的.
我是第一个回答的,如果你觉得够详细,就追加点分吧.

⑶ 什么是伪随机数与真随机数

随机数
计算机使用的随机数是一种伪随机数，伪随机数有多种生成算法，甚至还有硬件随机数发生器，但也还是伪随机数。
真随机数符合正态分布且其生成不能重现，真随机数在自然界中几乎不存在。但如果一个随机数能够被重现的机率很小，则认为其为随机数，称为伪随机数。
下面的算法介绍了一种非常简单的伪随机数生成算法，生成0到1之间的随机数。
因为是伪随机数，所以知道了随机数算法和种子，总能够直到随机数序列中任何一个随机数的值，所以一般来说种子的设置都是使用当前时间的毫秒数，保证随机数列的不重复性。
随机数的应用非常广泛，常见的加密解密都要用到，还有随机筛选，计算概率等等。还有一个常见的例子就是计算hash表，利用了同样的种子能得到同样的随机序列这种特性而采用随机函数作为hash函数。
http://blog.clubbenq.com.cn/904569/archive/2005/08/09/13380.aspx

⑷ 电脑取随机数是什么原理，是真正的随机数吗

伪随机数这个概念是相对于“真”随机数而言。电脑通过发送种子数值，运用算法产生某个看起来像随机数的数字，但是实际上这个数字是可以预测的。因为电脑没有从环境中收集到任何随机信息。虽然是伪随机数，但是并不是所有领域都不需要伪随机数。比如，如果你在玩电子游戏，那么游戏过程中是靠伪随机数还是真随机数并不重要。另一方面，如果你的应用正在加密，情况就不同了，因为你不希望攻击者能够猜到你的随机数。举个例子，如果攻击者掌握了某随机数生成器使用的种子数值和加密算法，如果随机数生成器完全依靠种子数值和加密算法生成密文，这个过程中不添加任何额外随机性，如果攻击者掌握的情报足够多，他们可以逆推来确定加密算法一定会用到的伪随机数，也就能破译密文。

⑸ 如何能算法生成真随机数

K1——相同序列的概率非常低

K2——符合统计学的平均性，比如所有数字出现概率应该相同，卡方检验应该能通过，超长游程长度概略应该非常小，自相关应该只有一个尖峰，任何长度的同一数字之后别的数字出现概率应该仍然是相等的等等
K3——不应该能够从一段序列猜测出随机数发生器的工作状态或者下一个随机数
K4——不应该从随机数发生器的状态能猜测出随机数发生器以前的工作状态

⑹ 随机数的计算公式是什么

为追求真正的随机序列，人们曾采用很多种原始的物理方法用于生成一定范围内满足精度（位数）的均匀分布序列，其缺点在于：速度慢、效率低、需占用大量存储空间且不可重现等。为满足计算机模拟研究的需求，人们转而研究用算法生成模拟各种概率分布的伪随机序列。伪随机数是指用数学递推公式所产生的随机数。从实用的角度看，获取这种数的最简单和最自然的方法是利用计算机语言的函数库提供的随机数发生器。典型情况下，它会输出一个均匀分布在0和1区间内的伪随机变量的值。其中应用的最为广泛、研究最彻底的一个算法即线性同余法。
线性同余法LCG（Linear Congruence Generator）
选取足够大的正整数M和任意自然数n0，a，b，由递推公式：
ni+1=（af（ni）+b）mod M i=0，1，…，M-1
生成的数值序列称为是同余序列。当函数f（n）为线性函数时，即得到线性同余序列：
ni+1=（a*ni+b）mod M i=0，1，…，M-1
以下是线性同余法生成伪随机数的伪代码：
Random（n，m，seed，a，b）
{
r0 = seed；
for （i = 1；i<=n；i++）
ri = （a*ri-1 + b） mod m
}
其中种子参数seed可以任意选择，常常将它设为计算机当前的日期或者时间；m是一个较大数，可以把它取为2w，w是计算机的字长；a可以是0.01w和0.99w之间的任何整数。
应用递推公式产生均匀分布随机数时，式中参数n0，a，b，M的选取十分重要。
例如，选取M=10，a=b =n0=7，生成的随机序列为{6，9，0，7，6，9，……}，周期为4。
取M=16，a=5，b =3，n0=7，生成的随机序列为{6，1，8，11，10，5，12，15，14，9，0，3，2，13，4，7，6，1……}，周期为16。
取M=8，a=5，b =1，n0=1，生成的随机序列为{6，7，4，5，2，3，0，1，6，7……}，周期为8。

⑺ 真实随机数如何产生为什么说真实随机数可以抵抗恶意攻击

随机数(RNG)主要分为两大类：伪随机与物理随机数。

伪随机是由各种算法产生的，本质上是决定论的，就是你输入同一个初值，结果是确定的。当然这不是我们想要的。

物理随机数是由物理过程产生的。分为三小类。Noise，chaos，quantum。

Noise和chaos是由经典物理过程产生的，也是决定论的。比如我们知道小球的初始条件，我们就可以预测小球未来的运动情况。这也不是我们想要的。

真随机数是由量子过程产生的，其原理是基于uncertain principle。举个最简单的例子，当单个光子经过分束器BS的时候，有两条路径可以选择，用任何理论都无法预测which way（隐变量理论除外），所以通过测量光子走了哪条路就可以产生真正的随机数。当然这里要求探测设备和发射源是被信任的。如果被坏人操作，其实也产生不了随机数。

那么就不存在真随机数吗？No,device independent quantum random number（DI-QRNG）就可以实现。DI-QRNG是通过观察贝尔不等式的违背来产生随机数，这个过程是不依赖探测设备和源的，所以由DI-QRNG产生的真随机数可以抵抗恶意攻击。

⑻ 怎么样的一串数是真正的随机数,而不是伪随机数

计算机的“随机数”并非真的“随机数”，而是伪随机数——也就是通过一系列算法，从一个起始数字开始按照一定规则算出来的。
就好像函数F(x)一样，x就是随机数的种子。
你可以做个测试：把你的"new
Random(x)"里面的x设置成一个固定数字，例如1，多次运行程序打印随机数，你会发现每次运行打印出来的数字都是一样的。
DateTime.Now.Ticks是指从1970年1月1日（具体哪年忘了哈，好像是1970）开始到目前所经过的毫秒数——刻度数。
用时间毫秒做随机数的种子(x)可以尽量避免上面说的那种“随机数”变成了“非随机数”的情况。
解答完毕。

⑼ 随机数算法是什么

在计算机中并没有一个真正的随机数发生器，但是可以做到使产生的数字重复率很低，这样看起来好象是真正的随机数，实现这一功能的程序叫伪随机数发生器。有关如何产生随机数的理论有许多如果要详细地讨论，需要厚厚的一本书的篇幅。不管用什么方法实现随机数发生器，都必须给它提供一个名为“种子”的初始值。而且这个值最好是随机的，或者至少这个值是伪随机的。“种子”的值通常是用快速计数寄存器或移位寄存器来生成的。下面讲一讲在C语言里所提供的随机数发生器的用法。现在的C编译器都提供了一个基于ANSI标准的伪随机数发生器函数，用来生成随机数。它们就是rand（）和srand（）函数。这二个函数的工作过程如下：”）首先给srand（）提供一个种子，它是一个unsignedint类型，其取值范围从0～65535；2）然后调用rand（），它会根据提供给srand（）的种子值返回一个随机数（在0到32767之间）3）根据需要多次调用rand（），从而不间断地得到新的随机数；4）无论什么时候，都可以给srand（）提供一个新的种子，从而进一步“随机化”rand（）的输出结果。这个过程看起来很简单，问题是如果你每次调用srand（）时都提供相同的种子值，那么，你将会得到相同的随机数序列，这时看到的现象是没有随机数，而每一次的数都是一样的了。例如，在以17为种子值调用srand（）之后，在首次调用rand（）时，得到随机数94。在第二次和第三次调用rand（）时将分别得到26602和30017，这些数看上去是很随机的（尽管这只是一个很小的数据点集合），但是，在你再次以17为种子值调用srand（）后，在对于rand（）的前三次调用中，所得的返回值仍然是在对94，26602，30017，并且此后得到的返回值仍然是在对rand（）的第一批调用中所得到的其余的返回值。因此只有再次给srand（）提供一个随机的种子值，才能再次得到一个随机数。下面的例子用一种简单而有效的方法来产生一个相当随机的“种子”值－－－－当天的时间值：g＃椋睿悖欤酰洌澹Γ欤簦唬螅簦洌椋铮瑁Γ纾簦弧。＃椋睿悖欤酰洌澹Γ欤簦唬螅簦洌欤椋猓瑁Γ纾簦弧。＃椋睿悖欤酰洌澹Γ欤簦唬螅螅Γ＃矗罚唬簦穑澹螅瑁Γ纾簦弧。＃椋睿悖欤酰洌澹Γ欤簦唬螅螅Γ＃矗罚唬簦椋恚澹猓瑁Γ纾簦弧。觯铮椋洹。恚幔椋睿ǎ觯铮椋洌。。椋睿簟。椋弧。酰睿螅椋纾睿澹洹。椋睿簟。螅澹澹洌郑幔欤弧。螅簦颍酰悖簟。簦椋恚澹狻。簦椋恚澹拢酰妫弧。妫簦椋恚澹ǎΓ幔恚穑唬簦椋恚澹拢酰妫弧。螅澹澹洌郑幔欤剑ǎǎǎǎ酰睿螅椋纾睿澹洹。椋睿簦簦椋恚澹拢酰妫簦椋恚澹Γ幔恚穑唬埃疲疲疲疲。ǎ酰睿螅椋纾睿澹洹。椋睿簦簦椋恚澹拢酰妫恚椋欤欤椋簦恚蕖。ǎ酰睿螅椋纾睿澹洹。椋睿簦簦椋恚澹拢酰妫恚椋欤欤椋簦恚弧。螅颍幔睿洌ǎǎ酰睿螅椋纾睿澹洹。椋睿簦螅澹澹洌郑幔欤弧。妫铮颍ǎ椋剑埃唬椋Γ欤簦唬保埃唬椋。穑颍椋睿簦妫ǎΓ瘢酰铮簦唬ィ叮洌Γ＃梗玻唬睿Γ瘢酰铮簦籦egjrand（））；｝上面的程序先是调用＿ftime（）来检查当前时间yc并把它的值存入结构成员timeBuf．time中wae当前时间的值从1970年1月1日开始以秒计算aeh在调用了＿ftime（）之后在结构timeBuf的成员millitm中还存入了当前那一秒已经度过的毫秒数，但在DOS中这个数字实际上是以百分之一秒来计算的。然后，把毫秒数和秒数相加，再和毫秒数进行异或运算。当然也可以对这两个结构成员进行更多的计算，以控制se．．．．．．余下全文＞＞