随机性的本质：真随机 vs 伪随机 vs 加密随机
在计算机科学中，"随机"并非一个单一概念，而是根据来源和可预测性分为三个层级：
真随机数（TRNG — True Random Number Generator）
来自物理世界的不可预测过程，如放射性衰变、热噪声（约翰逊噪声）、量子效应等。其特点是：完全不可预测、无法复现、获取成本高且速度慢。适用于密码学密钥生成等最高安全需求场景。
伪随机数（PRNG — Pseudo-Random Number Generator）
由确定性算法（如线性同余法 LCG、梅森旋转 Mersenne Twister）从一个初始种子值开始迭代生成。特点是：速度快、可复现（相同种子产生相同序列）、但输出理论上可预测——只要知道算法和种子即可推算出整个序列。Math.random() 即属于此类。
加密安全伪随机数（CSPRNG — Cryptographically Secure PRNG）
同样是算法生成，但满足两个关键条件：(1) 输出的下一个值在计算上不可预测（即使知道算法和之前的所有输出）；(2) 具备"前向安全性"——即使状态泄露也无法反推出之前生成的值。浏览器提供的 crypto.getRandomValues() 就是 CSPRNG。本工具即采用此方案。立即体验 →
主流 PRNG 算法对比：从 LCG 到 xorshift128+
| 算法 | 周期 | 速度 | 安全性 | 典型用途 |
|---|---|---|---|---|
| LCG（线性同余） | ~2³¹ | 极快 | ❌ 不安全 | 老式游戏、简单模拟 |
| Mersenne Twister | 2^19937-1 | 快 | ❌ 不安全 | Python random、科学计算 |
| xorshift128+ | 2^128-1 | 极快 | ⚠️ 中等 | V8 引擎 Math.random() 内部实现 |
| crypto.getRandomValues() | OS 熵池 | 较快 | ✅ 密码学安全 | 本工具使用、安全令牌生成 |
统计分布检验：如何判断随机数「够不够随机」？
对于非安全场景（如游戏、蒙特卡洛模拟），我们关心的是随机数的统计分布质量。常用的检验方法包括：
- 频率检验（Chi-Square Test）：检查每个数值出现的频率是否接近均匀分布。如果生成 10000 个 [1,10] 范围的随机数，每个数字应大约出现 1000 次。
- 游程检验（Runs Test）：检测连续上升或下降序列的长度是否符合随机预期，用于发现趋势性偏差。
- 自相关检验：检查序列中是否存在周期性模式或相邻元素之间的相关性。
专业工具如 DIEHARD 和 NIST Test Suite 提供了数十种统计检验套件，可用于评估任何 PRNG 的输出质量。用我们的工具生成测试数据 →
公平性验证：抽奖与抽签场景的最佳实践
在抽奖、摇号等涉及利益分配的场景中，"随机"不仅意味着数学上的均匀分布，更意味着过程的透明性和公信力：
- 使用 CSPRNG 而非 Math.random()：确保结果不可被预测或操纵
- 公开算法和参数：让参与者可以独立验证结果的合理性
- 多人见证流程：邀请第三方监督生成过程
- 保存完整的审计记录：包括时间戳、参数配置、原始输出结果
- 支持事后重现：如果可能，保存种子信息以便后续复现验证
本工具的"历史记录"功能可以帮助您保存每次生成的完整结果，配合截图作为凭证使用。立即使用 →
浏览器中的随机数 API 深度解析
现代浏览器提供两种随机数 API，它们的适用场景截然不同：
Math.random()
返回一个 [0, 1) 区间的浮点数。内部实现因引擎而异（V8 使用 xorshift128+，SpiderMonkey 曾使用 Mersenne Twister）。不应用于任何安全相关的场景——它的输出可以被有经验的攻击者预测。
crypto.getRandomValues(array)
直接填充一个 TypedArray（如 Uint32Array）为操作系统提供的加密安全随机字节。这是 Web Crypto API 的一部分，是浏览器中唯一推荐的密码学安全随机源。本工具的核心随机逻辑即基于此 API 实现。
常见误区与避坑指南
- 误区一："Math.random() 够用了" → 对于非安全场景确实够用，但绝不能用于密码、Token、CSRF Token 等敏感数据
- 误区二："随机数应该看起来乱" → 真正好的随机数序列中会出现看似"规律"的子串（如连续多个相同数字），这恰恰是均匀分布的表现
- 误区三："种子越复杂越随机" → 对于 CSPRNG 来说，种子只影响起始点而不影响整体统计质量；对于 PRNG 来说，差的算法无论什么种子都一样差
- 误区四："取模运算不会引入偏差" → 当范围不是 2 的幂次时，简单的取模（% n）会引入模偏差（modulo bias），应使用拒绝采样法来消除
总结：如何为你的场景选择合适的随机数生成器
在使用在线随机数生成器时，安全性取决于数据处理方式。如果生成过程涉及网络传输或服务器存储，就可能存在以下风险：
- 服务器端日志可能记录您生成的所有随机数
- 中间人攻击可能截获传输中的数据
- 第三方脚本可能读取页面内容
本工具采用"纯前端运行"架构，所有随机数的生成都直接在您的浏览器本地完成，基于 crypto.getRandomValues() API 实现。工具不会向任何服务器发送数据，也不会在任何地方保存结果。页面关闭后所有数据即刻消失。
具体安全保障：
- CSPRNG 级别的真随机性，非 JavaScript 伪随机函数
- 零网络请求，零数据传输
- 无持久化存储，无 Cookie 记录
- 无需注册、登录或上传文件
对于正式的抽奖活动，建议在离线环境下使用本工具，并配合截图和多人见证流程以确保公信力。