编程中的随机数通常被称为伪随机数，是因为它们实际上是通过确定性的算法生成的数列，而不是真正的随机性。
计算机程序在生成随机数时，通常使用所谓的伪随机数生成器（Pseudo-Random Number Generator，PRNG）。这些生成器采用一个种子（seed）作为输入，并使用一系列计算步骤来生成一个看起来具有随机性的数值序列。
由于计算机程序是基于确定性的算法运行的，所以在相同的种子输入下，PRNG会生成完全相同的数值序列。这使得随机数的生成变得可重现，可以在需要的时候以同样的顺序再现随机数序列。
然而，PRNG的种子可以被设置为时间戳、系统状态或其他随机值，从而增加了初始输入的不可预测性，并使生成的数值序列在常规情况下看起来具有随机性。但从理论上讲，PRNG生成的序列是完全可预测的，只要知道初始种子和生成算法。
相比之下，真正的随机数是在物理过程中产生的，如量子力学事件或大气噪声等。这些自然界的随机事件是无法预测的，并且在统计上具有真正的随机性。
因此，尽管编程中的随机数看起来具有随机性，但实际上是伪随机数，通过确定性算法生成的数值序列。对于大多数应用而言，伪随机数已经足够满足需求，并且具有良好的性能和可重现性。但在某些安全敏感的应用，例如密码学和加密系统，可能需要使用真正的随机数生成器。
在计算机科学中，可以使用真正的随机数生成器（True Random Number Generator，TRNG）来生成真正的随机数。与伪随机数生成器不同，TRNG基于物理过程而不是算法。
TRNG使用物理过程中的不可预测性作为随机性的来源。例如，可以使用量子力学的特性、大气噪声、放射性衰变等来捕捉真正的随机性。这些物理过程提供了一个可靠的来源，产生无法被预测的随机值。
TRNG通常是通过在计算机系统中捕获物理过程的随机性，然后将其转化为数字形式来实现的。硬件设备如随机噪声发生器、热噪声发生器、放射性衰变探测器等可以用作TRNG的组件。
需要注意的是，TRNG的产生速度可能较慢，而且在一些特定应用场景下要求高速的情况下，伪随机数生成器可能更加符合要求。
总结一下，虽然在计算机科学中可以使用真正的随机数生成器（TRNG）来生成真正的随机数，但在大多数情况下，伪随机数生成器（PRNG）已经足够满足需求，并且具有良好的性能和可重现性。
0条评论
点击登录参与评论