周末,开车带女朋友出去玩,车里面,随机播放着周杰伦的歌曲。我正沉浸在『得儿飘,得儿飘,得儿意的飘』中,幻想着自己是秋名山车神,突然,旁边的豆腐,哦不,女朋友说话了。
伪随机性(英语:Pseudorandomness)是一个过程似乎是随机的,但实际上并不是。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。
随机数在计算机应用中使用的比较广泛,最为熟知的便是在密码学中的应用。随机数有3个特性,具体如下:
随机性:不存在统计学偏差,是完全杂乱的数列
不可预测性:不能从过去的数列推测出下一个出现的数
不可重现性:除非将数列本身保存下来,否则不能重现相同的数列
现在的音乐播放器都比较智能了,都带有一些类似于歌曲推荐的功能,会给听众随机推荐歌曲,这种是基于用户听歌习惯的随机推荐,不在我们讨论的范围内。我们只讨论那种简单的,比如使用简单的播放器随机播放一个CD卡中的列表的情况。
常见的音乐随机播放算法有两种,分别是Random算法和Shuffle算法。
Random算法
Random算法相对比较简单,播放当前歌曲时才随机生成下一曲。
Random算法是在选取即将播放的歌曲时,进行一个随机数的运算,得到即将播放的歌曲在播放列表中的索引,播放列表本身并没有被打乱,只是利用随机函数从播放列表中选取一首歌曲进行播放而已。
可以使用Java语言实现这种Random随机数算法:
Calendar ca = Calendar.getInstance();//获取系统当前时间 int i; Random rand =new Random(ca.get(Calendar.MINUTE)*ca.get(Calendar.SECOND));//将随机数的种子设置为当前系统时间的分*秒 i=rand.nextInt(maxnum);//maxnum是随机数最大不超过得值 复制代码
Random算法另一个缺陷是当点击“上一曲”时,跟“下一曲”功能完全一样,都是重新生成随机数,并利用它从播放列表中选取歌曲进行播放,而不会回到刚刚播放的那一首歌。
Shuffle算法
Shuffle算法和排序算法正好相反,是从有序到乱序的一个过程,俗称洗牌算法。
它将播放列表中的歌曲顺序打乱,变成一个和原来歌曲顺序没有任何关系的乱序的播放列表,之后进行歌曲的播放,并支持当用户点击“上一首”时,能够回到刚刚播放的那一首歌曲。
这种算法相对于Random算法来说,并不是完全意义上的随机,只不过是对歌曲列表的乱序而已,歌曲的播放顺序还是相对固定的。
在Java中,有现成的shuffle算法实现,即Collections类中的两个重载的shuffle方法:
public static void shuffle(List<?> list) { Random rnd = r; if (rnd == null) r = rnd = new Random(); shuffle(list, rnd); } private static Random r; public static void shuffle(List<?> list, Random rnd) { int size = list.size(); if (size < SHUFFLE_THRESHOLD || list instanceof RandomAccess) { for (int i=size; i>1; i--) swap(list, i-1, rnd.nextInt(i)); } else { Object arr[] = list.toArray(); // Shuffle array for (int i=size; i>1; i--) swap(arr, i-1, rnd.nextInt(i)); // Dump array back into list ListIterator it = list.listIterator(); for (int i=0; i<arr.length; i++) { it.next(); it.set(arr[i]); } } } 复制代码
随机数分为真随机数和伪随机数,我们程序使用的基本都是伪随机数,其中伪随机又分为强伪随机数和弱伪随机数。
真随机数,通过物理实验得出,比如掷钱币、骰子、转轮、使用电子元件的噪音、核裂变等。需要满足随机性、不可预测性、不可重现性。
伪随机数,通过一定算法和种子得出。软件实现的是伪随机数。
强伪随机数,难以预测的随机数。需要满足随机性和不可预测性。
弱伪随机数,易于预测的随机数。需要满足随机性。
上面介绍Random算法和Shuffle算法的时候,代码实现都是伪随机算法。可以这样说:
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。
有限状态机不能产生真正的随机数的,所以,现代计算机中,无法通过一个纯算法来生成真正的随机数,无论是哪种语言,单纯的算法生成的数字都是伪随机数,都是由可确定的函数通过一个种子,产生的伪随机数。
这也就意味着,如果知道了种子,就可以推断接下来的随机数序列的信息。这就有了可预测性。
那么真随机数怎么产生的呢?
通过真实随机事件取得的随机数才是真随机数。
真正的随机数是使用物理现象产生的:比如掷钱币、骰子、转轮、使用电子元件的噪音、核裂变等等。这样的随机数发生器叫做物理性随机数发生器,它们的缺点是技术要求比较高,效率低。
现有的真随机数生成器,比如PuTTYgen的随机数是让用户移动鼠标达到一定的长度,之后把鼠标的运动轨迹转化为种子;Intel通过电阻和振荡器来生成热噪声作为信息熵资源;Unix/Linux的dev/random和/dev/urandom采用硬件噪音生成随机数;
所以,要想生成真的随机数,是无法用任何一个纯算法实现的。都需要借助外部物理现象。
Java语言提供了几种随机数生成器,如前面提到的Random类,还有SecureRandom类。
伪随机数生成器
伪随机数发生器采用特定的算法,将随机数种子seed转换成一系列的伪随机数。伪随机数依赖于seed的值,给定相同的seed值总是生成相同的随机数。伪随机数的生成过程只依赖CPU,不依赖任何外部设备,生成速度快,不会阻塞。
Java提供的伪随机数发生器有 java.util.Random
类和 java.util.concurrent.ThreadLocalRandom
类。
Random
类采用 AtomicLong
实现,保证多线程的线程安全性,但正如该类注释上说明的,多线程并发获取随机数时性能较差。
多线程环境中可以使用 ThreadLocalRandom
作为随机数发生器, ThreadLocalRandom
采用了线程局部变量来改善性能,这样就可以使用 long
而不是 AtomicLong
,此外, ThreadLocalRandom
还进行了字节填充,以避免伪共享。
强随机数发生器
强随机数发生器依赖于操作系统底层提供的随机事件。强随机数生成器的初始化速度和生成速度都较慢,而且由于需要一定的熵累积才能生成足够强度的随机数,所以可能会造成阻塞。熵累积通常来源于多个随机事件源,如敲击键盘的时间间隔,移动鼠标的距离与间隔,特定中断的时间间隔等。所以,只有在需要生成加密性强的随机数据的时候才用它。
Java提供的强随机数发生器是 java.security.SecureRandom
类,该类也是一个线程安全类,使用 synchronize
方法保证线程安全,但jdk并没有做出承诺在将来改变 SecureRandom
的线程安全性。因此,同Random一样,在高并发的多线程环境中可能会有性能问题。
在linux的实现中,可以使用 /dev/random
和 /dev/urandom
作为随机事件源。由于 /dev/random
是堵塞的,在读取随机数的时候,当熵池值为空的时候会堵塞影响性能,尤其是系统大并发的生成随机数的时候。
真随机数发生器
在Linux系统中, SecureRandom
的实现借助了 /dev/random
和 /dev/urandom
,可以使用硬件噪音生成随机数;
http://random.org/ ,从1998年开始提供在线真随机数服务了,它用大气噪音生成真随机数。他也提供了Java工具类,可以拿来使用。地址:https://sourceforge.net/projects/randomjapi/
为了躲避这个看(wu)似(li)合(qu)理(nao)的问题,我拉着她回到车子,找了一首她最喜欢的《演员》单曲循环了。