密码学/随机数生成
随机数的生成对密码学至关重要。密码学算法中最难的方面之一是依赖或生成真正的随机信息。这是有问题的，因为没有已知的方法可以产生真正的随机数据，尤其是没有方法可以在有限状态机（如计算机）上做到这一点。
一般来说，随机数生成器有两种：非确定性随机数生成器，有时称为“真随机数生成器”（TRNG），以及确定性随机数生成器，也称为伪随机数生成器（PRNG）。[1]
许多高质量的密码系统都同时使用这两种方法——硬件随机数生成器来定期重新播种确定性随机数生成器。
量子力学理论表明，一些物理过程本质上是随机的（虽然收集和使用此类数据存在问题），但确定性机制，例如计算机，则不能。任何随机过程（随机数生成）在计算机上模拟，都不是真正的随机，而只是伪随机。
在伪随机生成器的局限性内，任何高质量的伪随机数生成器都必须
- 在所有维度上具有均匀分布的值
- 没有可检测的模式，即生成的数字之间没有相关性
- 具有非常长的循环长度
- 没有或易于避免的弱初始条件，这些条件会产生模式或短循环
记住我们正在处理伪随机数生成（即从有限状态机，例如计算机生成的数字），有各种方法可以随机生成数字。
在 C 和 C++ 中，函数rand() 返回零到 RAND_MAX（内部定义的常量）之间的伪随机整数，通过srand() 函数定义；否则，它将使用默认种子，并且在程序重新启动时始终返回相同的数字。大多数这样的库都具有较短的循环长度，不适用于加密目的。
“C 语言数值方法”回顾了几种随机数生成器，并建议将修改后的 DES 密码作为他们推荐的最高质量随机数生成器。“实用密码学”（Ferguson 和 Schneier）推荐了一种他们命名为 Fortuna 的设计；它取代了他们早期称为 Yarrow 的设计。
截至 2004 年，最好的随机数生成器包含 3 部分：不可预测的非确定性机制、熵评估和调节器。非确定性机制（也称为熵源）生成原始有偏位的位块。熵评估部分对原始有偏位的位块的最小熵进行保守估计。调节器（也称为白化器、去偏算法或随机性提取器）将原始位块提炼成一个更小的条件输出位块——输出位块的大小是原始有偏位位的估计熵（以位为单位）的一半——消除任何系统偏差。如果估计良好，则即使非确定性机制随着时间的推移而下降，条件输出位也是无偏的完整熵位。在实践中，熵评估是最困难的部分。[2]
- ↑ NIST. "随机数生成".
- ↑ John Kelsey. "X9.82 中的熵和熵源" NIST. 2004. "你测量的是你认为你在测量的吗？" "样本变异中有多少是熵，有多少只是复杂性？"
