随机生成器用于产生无法被合理预测的数字或符号序列。它主要有两种类型：伪随机（基于算法、可复现）和真随机（基于物理熵源）。无论你是需要为课堂活动做一次快速抽选，还是为应用生成一个密码学安全的数值，了解这些生成器的工作原理都能帮你选对工具——例如 dogenerator.com 上的随机数生成器，可以让你直接在浏览器中即时得到无偏的结果。
什么是随机生成器？详解两大核心类型
随机生成器（通常被称为 Random Number Generator 或 RNG）是一种产生数字或符号序列的系统，其结果无法被预测得比随机概率更准。正如维基百科所指出的，任何特定的输出序列在事后回看时都会包含一些可见的模式——但你在事前无法预见它们。生成器可分为两大类：伪随机数生成器（PRNG）和硬件/真随机数生成器（HRNG/TRNG）。
核心差异在于确定性。PRNG 是确定性的：给定相同的起始状态（种子），它们就会产生完全相同的序列。HRNG 则是非确定性的——它们依赖于不可预测的物理过程。把两者联系起来的关键概念是熵源，也就是从中提取随机性的原材料。正如 John von Neumann 在 1951 年那句著名的警告：“Anyone who considers arithmetical methods of producing random digits is, of course, in a state of sin”（任何考虑用算术方法产生随机数字的人，当然都处于一种罪恶的状态）（维基百科）。
伪随机数生成器（PRNG）
PRNG 是一种算法，它生成的序列在统计特性上接近真随机序列。它完全由一个被称为种子的初始值所决定。PRNG 速度快、可复现，对于模拟、游戏和调试至关重要。维基百科上关于随机数生成的条目指出，它们“在实践中的重要性在于其生成数字的速度和可复现性”。当你在网上用随机数生成器完成诸如抽选获奖者或打乱名单这类日常任务时，其底层通常就是一个经过充分测试的 PRNG。
硬件随机数生成器（HRNG）/ 真 RNG
HRNG 通过测量物理现象——热噪声、大气噪声、放射性衰变或量子效应——来产生真正不可预测的数字。它们速度较慢，且常常受到速率限制，但对密码学和高安全性应用不可或缺。维基百科解释说，“硬件随机数生成器通常每秒只能产生数量有限的随机位”，因此常常被用来为一个更快的 PRNG 提供种子。
伪随机生成器如何工作：算法与种子
PRNG 依赖一个随机种子——一个起始值——来初始化其内部状态。种子决定了整个输出序列。可复现性让开发者能够为调试重放相同的序列，这是蒙特卡洛模拟和游戏开发中的一大优势。
随机种子：可复现性与调试
用相同的种子运行 PRNG，你就会得到完全相同的数字序列。这对于测试和调试模拟来说极其宝贵。正如维基百科所指出：“通过从相同的随机种子开始，能够再次运行相同的随机数序列，从而方便调试。”
Mersenne Twister（MT19937）——最常见的 PRNG
Mersenne Twister 由 Matsumoto 和 Nishimura 于 1998 年开发，是 R 语言和 Python 自 2.3 版以来的默认生成器（维基百科）。它的周期长达 2^19937 − 1，统计特性优异，适用于模拟和非密码学应用。但它并不具备密码学安全性——如果有人观察到足够多的输出，就可以反推出它的内部状态。
现代 PRNG：Xorshift 与 Xoroshiro128+
对于需要高速的应用——比如视频游戏或实时模拟——Xorshift（2003）及其后继者 Xoroshiro128+（2018）是热门之选。Xoroshiro128+ 是现代 64 位 CPU 上最快的生成器之一（维基百科）。它们以更短的周期换取速度，同样不具备密码学安全性。
密码学安全的 PRNG（CSPRNG）与 NIST 标准
CSPRNG 被设计为可以抵御预测，即使攻击者知道算法并观察到大量输出也无法预测。它们是加密、密钥生成和身份验证令牌所必需的。NIST SP 800-90A 标准化了多种 CSPRNG 算法，其中包括 CTR_DRBG 和 Hash_DRBG（维基百科）。著名的 CSPRNG 包括 Blum Blum Shub（1986）以及 ChaCha20 等流密码。
熵源：真随机性的核心
熵源是为真 RNG 提供不可预测性的原始物理输入。如果没有高质量的熵，即使是最优秀的算法也无法产生真正的随机数。正如维基百科所解释的，常见的例子包括热噪声、散粒噪声、电子电路中的抖动、布朗运动以及大气噪声。
现实世界中的物理熵源
Joshua Coleman近期的一个项目（2026 年 5 月，Hackaday）使用复古的氖灯作为熵源。氖灯通电后不可预测的放电速率通过光学方式测量，模拟读数由 Raspberry Pi Pico W 处理，从而生成 SHA-256 64 位数值。这是一个绝佳的示例，展示了在创客和研究环境中如何利用物理现象获取随机性。不过评论者也指出，刻画这类系统并不简单——电源耦合和环境因素都会降低有效的熵。
在线工具与熵：你需要了解的事
大多数在线随机生成器使用的是 PRNG，而非真正的硬件源。例如，Wheel of Names明确表示它使用的是 crypto.getRandomValues()——一种基于浏览器的 CSPRNG——而不是 Math.random()。那些声称具备“真随机性”的工具，理应告诉你它们使用的是什么熵源。请始终核实一个网站究竟是使用硬件熵（例如 Random.org 的大气噪声），还是算法型 PRNG。
如何为你的任务选择合适的随机生成器
选择合适的生成器，取决于在性能、可复现性、安全性和公平性之间的权衡。如果你需要一种快速、直观的方式来为团队活动做随机选择，dogenerator.com 上的随机转盘提供了一种互动的旋转体验，让选择过程既有趣又透明。
用于模拟与游戏：关注性能与可复现性
蒙特卡洛模拟、视频游戏和过程化内容生成等场景，适合使用 Mersenne Twister 或 Xoroshiro128+ 这类快速的 PRNG。通过固定种子获得的可复现性，让你既能调试，又能在多次运行中得到一致的结果。
用于密码学与安全：切勿依赖 Math.random()
JavaScript 中的 Math.random()（以及其他语言中的类似函数）通常是 Xorshift128+ 这样的 PRNG——并非密码学安全。正如 Wheel of Names所明确说明的，他们刻意避免使用 Math.random()，转而使用浏览器提供的 crypto.getRandomValues()（一种从操作系统高熵源中抽取数据的 CSPRNG）。对于任何涉及安全的场景，请始终使用 CSPRNG。
用于公平决策：评估在线随机生成器
教师、主播和赛事组织者需要透明且可验证的生成器。请寻找具备以下特征的工具：
– 公开其算法（例如是 CSPRNG 还是 PRNG）
– 提供独立的随机性审计，例如 Wheel of Names 的“Run 10,000 Spins”功能
– 遵守隐私法规（GDPR/CCPA），且不存储用户输入的数据
如何验证在线随机生成器的质量（实用指南）
许多人以为所有随机生成器都同样可靠——但事实并非如此。以下是检查其质量的方法。
了解统计随机性测试
诸如卡方检验（Chi-square test）、Diehard 测试和 TestU01 等专业测试，会检查一个序列是否表现出暗示非随机性的模式。PsychicScience.org的生成器内置了针对等概率性和独立性的卡方检验。大约有 1 in 10 的测试会仅凭概率而失败——这属于正常现象。
测试在线随机生成器的实用清单
- 检查算法披露 —— 网站是否说明它使用的是
Math.random()还是crypto.getRandomValues()？ - 寻找内置的随机性审计 —— Wheel of Names 提供了“Run 10,000 Spins”功能。截至 2026 年，该平台报告了超过 462 million wheel spins 以及 1.28 million hours 的转盘活动。
- 用小样本测试 —— 生成 100 个数字，观察是否存在诸如交替序列之类的明显模式。
- 运行独立测试 —— 如果你具备相应的技术能力，可以使用 Dieharder 或 TestU01 等工具。
为什么要检查隐私政策
在使用在线生成器时——尤其是用于比赛或敏感选择——务必核实网站不会存储或复用你的数据。Wheel of Names表示它遵守 GDPR 和 CCPA，并提供隐私优先的本地存储。一份清晰的隐私政策是一个良好的信号。
实际使用随机生成器：工具与 API
编程 API：何时用哪个
| 使用场景 | 推荐的 API | 说明 |
|---|---|---|
| 通用场景（Python） | random 模块（Mersenne Twister） |
速度快、可复现、不安全 |
| 密码学（Python） | secrets 模块或 os.urandom |
CSPRNG |
| JavaScript 浏览器 | crypto.getRandomValues() |
CSPRNG |
| JavaScript Node.js | crypto.randomBytes() |
CSPRNG |
| Java | SecureRandom |
CSPRNG；Random 是 PRNG |
| Unix/Linux | /dev/urandom 或 /dev/random |
CSPRNG（非阻塞） |
| Windows | CryptGenRandom |
CSPRNG |
对于想要在特定语言中实现随机数生成的开发者，dogenerator.com 提供了专门的指南：Python 随机数生成器教程深入讲解了 random 和 secrets 模块；而 Java 随机数生成器指南则带你逐步比较 Random 与 SecureRandom。C++ 开发者可以查阅 C++ 随机数生成器资源，了解现代 <random> 头文件的技巧。
适合所有人的在线随机生成器
- Wheel of Names —— 采用 CSPRNG 的可视化转盘，支持加权条目、多转盘和直播。
- Random.org —— 来自大气噪声的真随机性，提供整数和序列。
- Generate‑Random.org —— 基于 CSPRNG 的数字、整数、小数和素数生成，符合 NIST SP 800‑90A。
- PsychicScience.org —— 免费的随机数，内置卡方检验。
高级变换：Fisher-Yates 与 Box-Muller
Fisher-Yates 洗牌算法使用均匀分布的随机整数对一个数组进行随机置换。Box-Muller 变换则把两个均匀分布的随机数转换为一对正态分布的数。两者都是从均匀源生成非均匀分布的基础技术。
关于随机生成器的常见误区
误区：Math.random() 是密码学安全的。
并非如此。JavaScript 的 Math.random() 使用的是 Xorshift128+ 这样的 PRNG，是可预测的。涉及安全时，请使用 crypto.getRandomValues()。
误区：所有在线随机生成器都一样。
它们在算法、熵源和透明度上各不相同。有的使用 Math.random()，有的使用 CSPRNG，还有少数（如 Random.org）使用物理熵。务必加以核实。
误区：用 time() 作为种子足以满足密码学需求。
使用当前系统时间作为种子是可预测的。攻击者可以在一个狭窄的时间窗口内猜到种子。CSPRNG 依赖于来自多个来源（例如硬件计时、用户输入）的高熵种子。
结论
理解伪随机生成器与真随机生成器之间的差异，是选对工具的关键——无论用于公平抽选、模拟还是密码学。当你需要为日常用途生成随机数值时，一个可信的number random generator能够处理从简单的数字抽取到复杂分布的各种需求。在使用在线随机生成器时，请务必检查其算法、寻找独立的随机性检查（例如 Wheel of Names 的“Run 10,000 Spins”功能），并查看隐私政策以确保你的数据不会被存储或复用。开发者绝不应将 Math.random() 用于任何涉及安全的事项，加密场景应依靠 CSPRNG。遵循这些原则，将帮助你在做出明智选择的同时避开常见陷阱。
FAQ
不同的在线随机生成器是如何保证随机性的？
大多数工具使用经过充分测试的 PRNG 算法（例如 Mersenne Twister），并以用户操作或系统熵等不可预测的值作为种子。少数工具（如 Random.org）使用硬件熵源（大气噪声）来获得真随机性。最优秀的工具会提供独立的验证方法（例如 Wheel of Names 的“Run 10,000 Spins”功能），并对其算法保持透明。
我可以把 Math.random() 用于密码学用途吗？
绝对不可以。JavaScript 中的 Math.random()（以及其他语言中的类似函数）通常是 Xorshift128+ 这样的 PRNG，不具备密码学安全性。用于密码学时，请始终使用 CSPRNG，例如浏览器中的 crypto.getRandomValues() 或 Java 中的 SecureRandom。将 Math.random() 用于安全用途会使你的应用暴露在可预测攻击之下。
现代编程中最常见的随机数生成算法有哪些？
通用场景：Python 和 R 中的 Mersenne Twister（MT19937），用于模拟和游戏中追求速度的 Xorshift/Xoroshiro。密码学场景：CSPRNG，例如类 Unix 系统上的 /dev/urandom 或 Windows 上的 CryptGenRandom。最佳算法取决于你的具体任务在性能、可复现性和安全性之间所需的权衡。
发表回复