c#随机数生成编号_C#生成随机数的三种方法

最新推荐文章于 2021-01-21 15:00:58 发布

HcySunYang

最新推荐文章于 2021-01-21 15:00:58 发布

阅读量543

点赞数

文章标签： c#随机数生成编号

本文链接：https://blog.csdn.net/weixin_32481609/article/details/111970539

版权

随机数的定义为:产生的所有数字毫无关系.

在实际应用中很多地方会用到随机数,比如需要生成唯一的订单号.

在C#中获取随机数有三种方法:

一.Random 类

Random类默认的无参构造函数可以根据当前系统时钟为种子,进行一系列算法得出要求范围内的伪随机数.

这种随机数可以达到一些要求较低的目标,但是如果在高并发的情况下,Random类所取到的系统时钟种子接近甚至完全一样,就很有可能出现重复,这里用循环来举例

这个例子会输出10个相同的"随机数".

突显出的问题:因为Random进行伪随机数的算法是固定的,所以根据同一个种子计算出的数字必然是一样的.而以当代计算机的运行速度,该循环几乎是在瞬间完成的,种子一致,所以会出现10次循环输出同一随机数的情况.

有的时候使用random生成随机数的时候往往不是随机的这是为什么呢？

随机数生成方法可以说是任何编程语言必备的功能，它的重要性不言而言，在C#中我们通常使用Random类生成随机数，在一些场景下，我却发现Random生成的随机数并不可靠，在下面的例子中我们通过循环随机生成5个随机数：

for (int i = 0; i < 5; i++) { Random random = new Random(); Console.WriteLine(random.Next()); }

这段代码执行后的结果如下所示：

2140400647 2140400647 2140400647 2140400647 2140400647

通过以上结果可知，随机数类生成了5个相同的数，这并非我们的预期，为什么呢？为了弄清楚这个问题，零度剖析了微软官方的开源Random类，发现在C#中生成随机数使用的算法是线性同余法，经百科而知，这种算法生成的不是绝对随机，而是一种伪随机数，线性同余法算法的的公式是：

第N+1个数 = ( 第N个数 * A + B) % M

上面的公式中A、B和M分别为常数，是生成随机数的因子，如果之前从未通过同一个Random对象生成过随机数(也就是调用过Next方法)，那么第N个随机数为将被指定为一个默认的常数，这个常数在创建一个Random类时被默认值指定，Random也提供一个构造函数允许开发者使用自己的随机数因子，这一切可通过微软官方开源代码看到：

public Random() : this(Environment.TickCount) { } public Random(int Seed) { }

通过默认构造函数创建Random类时，一个Environment.TickCount对象作为因子被默认传递给第二个构造函数，Environment.TickCount表示操作系统启动后经过的毫秒数，计算机的运算运算速度远比毫秒要快得多，这导致一个的具有毫秒精度的因子参与随机数的生成过程，但在5次循环中，我们使用了同一个毫秒级的因子，从而生成相同的随机数，另外，第N+1个数的生成与第N个数有着直接的关系。

在上面的例子中，假设系统启动以来的毫秒数为888毫秒，执行5次循环用时只有0.1毫秒，这导致在循环中创建的5个Random对象都使用了相同的888因子，每次被创建的随机对象又使用了相同的第N个数(默认为常数)，通过这样的假设我们不难看出，上面的结果是必然的。

现在我们改变这个格局，在循环之外创建一个Random对象，在每次循环中引用它，并通过它生成随机数，并在同一个对象上多次调用Next方法，从而不断变化第N个数，代码如下所示：

Random random = new Random(); for (int i = 0; i < 5; i++) { Console.WriteLine(random.Next()); }

执行后的结果如下所示：

391098894 1791722821 1488616582 1970032058 201874423

我们看到这个结果确实证实了我们上面的推断，第1次循环时公式中的第N个数为默认常数；当第二次循环时，第N个数为391098894，随后不断变化的第N个数作为因子参与计算，这保证了结果的随机性。

虽然通过我们的随机数看起来也很随机了，但必定这个算法是伪随机数，当第N个数和因子都相同时，生成的随机数仍然是重复的随机数，由于Random提供一个带参的构造函数允许我们传入一个因子，如果传入的因子随机性强的话，那么生成的随机数也会比较可靠，为了提供一个可靠点的因子，我们通常使用GUID产生填充因子，同样放在循环中测试：

for (int i = 0; i < 5; i++) { byte[] buffer = Guid.NewGuid().ToByteArray(); int iSeed = BitConverter.ToInt32(buffer, 0); Random random = new Random(iSeed); Console.WriteLine(random.Next()); }

这样的方式保证了填充因子的随机性，所以生成的随机数也比较可靠，运行结果如下所示：

734397360 1712793171 1984332878 819811856 1015979983

在一些场景下这样的随机数并不可靠，为了生成更加可靠的随机数，微软在System.Security.Cryptography命名空间下提供一个名为RNGCryptoServiceProvider的类，它采用系统当前的硬件信息、进程信息、线程信息、系统启动时间和当前精确时间作为填充因子，通过更好的算法生成高质量的随机数，它的使用方法如下所示：

byte[] randomBytes = new byte[4]; RNGCryptoServiceProvider rngServiceProvider = new RNGCryptoServiceProvider(); rngServiceProvider.GetBytes(randomBytes); Int32 result = BitConverter.ToInt32(randomBytes, 0);

通过这种算法生成的随机数，经过成千上万次的测试，并未发现重复，质量的确比Random高了很多。另外windows api也提供了一个非托管的随机数生成函数CryptGenRandom，CryptGenRandom与RNGCryptoServiceProvider的原理类似，采用C++编写，如果要在.NET中使用，需要进行简单的封装。它的原型如下所示：

BOOL WINAPI CryptGenRandom( _In_ HCRYPTPROV hProv, _In_ DWORD dwLen, _Inout_ BYTE *pbBuffer );

以上就是零度为您带来的随机数生成方法和基本原理，您可以通过需求和场景选择最佳的方式，Random算法简单，性能较高，适用于随机性要求不高的情况，由于RNGCryptoServiceProvider在生成期间需要查询上面提到的几种系统因子，所以性能稍弱于Random类，但随机数质量高，可靠性更好。

二.Guid 类

System.Guid

GUID (Globally Unique Identifier) 全球唯一标识符

GUID的计算使用到了很多在本机可取到的数字,如硬件的ID码,当前时间等.所计算出的128位整数(16字节)可以接近唯一的输出.

计算结果是xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx结构的16进制数字.当然这个格式也是可以更改的.

三.RNGCryptoServiceProvider 类

System.Security.Cryptography.RNGCryptoServiceProvider

RNGCryptoServiceProvider 使用加密服务提供程序 (CSP) 提供的实现来实现加密随机数生成器 (RNG)

因该类使用更严密的算法.所以即使如下放在循环中,所计算出的随机数也是不同的.

Membership.GeneratePassword()