java 同余法产生随机数_解密随机数生成器（二）——从java源码看线性同余算法...

上篇博客中，我们了解了基于物理现象的真随机数生成器，然而，真随机数产生速度较慢，为了实际计算需要，计算机中的随机数都是由程序算法，也就是某些公式函数生成的，只不过对于同一随机种子与函数，得到的随机数列是一定的，因此得到的随机数可预测且有周期，不能算是真正的随机数，因此称为伪随机数(Pseudo Random Number)。

不过，别看到伪字就瞧不起，这里面也是有学问的，看似几个简简单单的公式可能是前辈们努力了几代的成果，相关的研究可以写好几本书了！

顺便提一下，亚裔唯一图灵奖得主姚期智，研究的就是伪随机数生成论(The pseudo random number generating theory)。

在这里，我重点介绍两个常用的算法：同余法(Congruential method)和梅森旋转算法(Mersenne twister)

1、同余法

同余法(Congruential method)是很常用的一种随机数生成方法，在很多编程语言中有应用，最明显的就是java了，java.util.Random类中用的就是同余法中的一种——线性同余法(Linear congruential method)，除此之外还有乘同余法(Multiplicative congruential method)和混合同余法(Mixed congruential method)。好了，现在我们就打开java的源代码，看一看线性同余法的真面目！

在Eclipse中输入java.util.Random，按F3转到Random类的源代码：

首先，我们看到这样一段说明：

翻译过来是：

这个类的一个实现是用来生成一串伪随机数。这个类用了一个48位的种子，被线性同余公式修改用来生成随机数。(见Donald Kunth《计算机编程的艺术》第二卷，章节3.2.1)

显然，java的Random类使用的是线性同余法来得到随机数的。

接着往下看，我们找到了它的构造函数与几个方法，里面包含了获得48位种子的过程：

private static final AtomicLong seedUniquifier = new AtomicLong(8682522807148012L);/*** Creates a new random number generator. This constructor sets

* the seed of the random number generator to a value very likely

* to be distinct from any other invocation of this constructor.*/

publicRandom() {this(seedUniquifier() ^System.nanoTime());

}private static longseedUniquifier() {//L'Ecuyer, "Tables of Linear Congruential Generators of//Different Sizes and Good Lattice Structure", 1999

for(;;) {long current =seedUniquifier.get();long next = current * 181783497276652981L;if(seedUniquifier.compareAndSet(current, next))returnnext;

}

}private static finalAtomicLong seedUniquifier= new AtomicLong(8682522807148012L);public Random(longseed) {if (getClass() == Random.class)this.seed = newAtomicLong(initialScramble(seed));else{//subclass might have overriden setSeed

this.seed = newAtomicLong();

setSeed(seed);

}

}private static long initialScramble(longseed) {return (seed ^ multiplier) &mask;

}

java.util.concurrent.atomic.AtomicLongpublic final boolean compareAndSet(longexpect,longupdate)

Atomically sets the value to the given updated valueif the current value ==the expectedvalue.

Parameters:

expect-the expected value

update- the newvalue

Returns:true if successful. False return indicates that the actual value was not equal to the expected value.

这里使用了System.nanoTime()方法来得到一个纳秒级的时间量，参与48位种子的构成，然后还进行了一个很变态的运算——不断乘以181783497276652981L，直到某一次相乘前后结果相同——来进一步增大随机性，这里的nanotime可以算是一个真随机数，不过有必要提的是，nanoTime和我们常用的currenttime方法不同，返回的不是从1970年1月1日到现在的时间，而是一个随机的数——只用来前后比较计算一个时间段，比如一行代码的运行时间，数据库导入的时间等，而不能用来计算今天是哪一天。

/*** Returns the current value of the running Java Virtual Machine's

* high-resolution time source, in nanoseconds.

*

*

This method can only be used to measure elapsed time and is

* not related to any other notion of system or wall-clock time.

* The value returned represents nanoseconds since some fixed but

* arbitrary origin time (perhaps in the future, so values

* may be negative). The same origin is used by all invocations of

* this method in an instance of a Java virtual machine; other

* virtual machine instances are likely to use a different origin.

*

*

This method provides nanosecond precision, but not necessarily

* nanosecond resolution (that is, how frequently the value changes)

* - no guarantees are made except that the resolution is at least as

* good as that of {@link#currentTimeMillis()}.

*

*

Differences in successive calls that span greater than

* approximately 292 years (2⁶³ nanoseconds) will not

* correctly compute elapsed time due to numerical overflow.

*

*

The values returned by this method become meaningful only when

* the difference between two such values, obtained within the same

* instance of a Java virtual machine, is computed.

*

*

For example, to measure how longsome code takes to execute:

*

 {@code* long startTime = System.nanoTime();

* // ... the code being measured ...

* long estimatedTime= System.nanoTime() - startTime;}

*

*

To compare two nanoTime values

*

 {@code* long t0 = System.nanoTime();

* ...

* long t1 = System.nanoTime();}

*

* one should use {@codet1 - t0 < 0}, not {@codet1 < t0},

* because of the possibility of numerical overflow.

*

*@returnthe current value of the running Java Virtual Machine's

* high-resolution time source, in nanoseconds

*@since1.5*/

public static native long nanoTime();

好了，现在我不得不佩服这位工程师的变态了：到目前为止，这个程序已经至少进行了三次随机：

1、获得一个长整形数作为“初始种子”(系统默认的是8682522807148012L)

2、不断与一个变态的数——181783497276652981L相乘(天知道这些数是不是工程师随便滚键盘滚出来的-.-)得到一个不能预测的值，直到 能把这个不能事先预期的值 赋给Random对象的静态常量seedUniquifier 。因为多线程环境下赋值操作可能失败，就for(;;)来保证一定要赋值成功

3、与系统随机出来的nanotime值作异或运算，得到最终的种子

再往下看，就是我们常用的得到随机数的方法了，我首先找到了最常用的nextInt()函数，代码如下：

public intnextInt() {return next(32);

}

代码很简洁，直接跳到了next函数：

protected int next(intbits) {longoldseed, nextseed;

AtomicLong seed= this.seed;do{

oldseed=seed.get();

nextseed= (oldseed * multiplier + addend) &mask;

}while (!seed.compareAndSet(oldseed, nextseed));return (int)(nextseed >>> (48 -bits));

}

OK,祝贺一下怎么样，因为我们已经深入到的线性同余法的核心了——没错，就是这几行代码！

在分析这段代码前，先来简要介绍一下线性同余法。

在程序中为了使表达式的结果小于某个值，我们常常采用取余的操作，结果是同一个除数的余数，这种方法叫同余法(Congruential method)。

线性同余法是一个很古老的随机数生成算法，它的数学形式如下：

Xn+1 = (a*Xn+c)(mod m)

其中，

m>0,0

这里Xn这个序列生成一系列的随机数，X0是种子。随机数产生的质量与m，a，c三个参数的选取有很大关系。这些随机数并不是真正的随机，而是满足在某一周期内随机分布，这个周期的最长为m。根据Hull-Dobell Theorem，当且仅当：

1. c和m互素;

2. a-1可被所有m的质因数整除;

3. 当m是4的整数倍，a-1也是4的整数倍时，周期为m。所以m一般都设置的很大，以延长周期。

现在我们回过头来看刚才的程序，注意这行代码：

nextseed = (oldseed * multiplier + addend) & mask;

和Xn+1=(a*Xn+c)(mod m)的形式很像有木有！

没错，就是这一行代码应用到了线性同余法公式！不过还有一个问题：怎么没见取余符号？嘿嘿，先让我们看看三个变量的数值声明：

private static final long multiplier = 0x5DEECE66DL;

private static final long addend = 0xBL;

private static final long mask = (1L << 48) - 1;

其中multiplier和addend分别代表公式中的a和c，很好理解，但mask代表什么呢？其实，x & [(1L << 48)–1]与 x(mod 2^48)等价。解释如下：

x对于2的N次幂取余，由于除数是2的N次幂，如：

0001，0010，0100，1000。。。。

相当于把x的二进制形式向右移N位，此时移到小数点右侧的就是余数，如：

13 = 1101    8 = 1000

13 / 8 = 1.101，所以小数点右侧的101就是余数，化成十进制就是5

然而，无论是C语言还是java,位运算移走的数显然都一去不复返了。(什么，你说在CF寄存器中？好吧，太高端了点，其实还有更给力的方法)有什么好办法保护这些即将逝去的数据呢？

学着上面的mask，我们不妨试着把2的N次幂减一：

0000，0001，0011，0111，01111，011111。。。

怎么样，有启发了吗？

我们知道，某个数(限0和1)与1作与(&)操作，结果还是它本身；而与0作与操作结果总是0，即：

a & 1 = a,  a & 0 = 0

而我们将x对2^N取余操作希望达到的目的可以理解为：

1、所有比2^N位(包括2^N那一位)全都为0

2、所有比2^N低的位保持原样

因此， x & (2^N-1)与x(mod 2^N)运算等价，还是13与8的例子：

1101 % 1000 = 0101    1101 & 0111 = 0101

二者结果一致。

嘿嘿，讲明白了这个与运算的含义，我想上面那行代码的含义应该很明了了，就是线性同余公式的直接套用，其中a = 0x5DEECE66DL, c = 0xBL, m = 2^48，就可以得到一个48位的随机数，而且这个谨慎的工程师进行了迭代，增加结果的随机性。再把结果移位，就可以得到指定位数的随机数。

接下来我们研究一下更常用的一个函数——带参数n的nextInt：

public int nextInt(int n) {

if (n <= 0)

throw new IllegalArgumentException("n must be positive");

if ((n & -n) == n) // i.e., n is a power of 2

return (int)((n * (long)next(31)) >> 31);

int bits, val;

do {

bits = next(31);

val = bits % n;

} while (bits - val + (n-1) < 0);

return val;

}

显然，这里基本的思路还是一样的，先调用next函数生成一个31位的随机数(int类型的范围)，再对参数n进行判断，如果n恰好为2的方幂，那么直接移位就可以得到想要的结果；如果不是2的方幂，那么就关于n取余，最终使结果在[0,n)范围内。另外，do-while语句的目的应该是防止结果为负数。

你也许会好奇为什么(n & -n) == n可以判断一个数是不是2的次方幂，其实我也是研究了一番才弄明白的，其实，这主要与补码的特性有关：

众所周知，计算机中负数使用补码储存的(不懂什么是补码的自己百度恶补)，举几组例子：

2 ：0000 0010      -2 ：1111 1110

8 ：0000 1000      -8 ：1111 1000

18 ：0001 0010     -18 ：1110 1110

20 ：0001 0100     -20 ：1110 1100

不知道大家有没有注意到，补码有一个特性，就是可以对于两个相反数n与-n，有且只有最低一个为1的位数字相同且都为1，而更低的位全为0，更高的位各不相同。因此两数作按位与操作后只有一位为1，而能满足这个结果仍为n的只能是原本就只有一位是1的数，也就是恰好是2的次方幂的数了。

不过个人觉得还有一种更好的判断2的次方幂的方法：

n & (n-1) == 0

感兴趣的也可以自己研究一下^o^。

好了，线性同余法就介绍到这了，下面简要介绍一下另一种同余法——乘同余法(Multiplicative congruential method)。

上文中的线性同余法，主要用来生成整数，而某些情景下，比如科研中，常常只需要(0，1)之间的小数，这时，乘同余法是更好的选择，它的基本公式和线性同余法很像：

Xn+1=(a*Xn )(mod m )

其实只是令线性公式中的c=0而已。只不过，为了得到小数，我们多做一步：

Yn = Xn/m

由于Xn是m的余数，所以Yn的值介于0与1之间，由此到(0，1)区间上的随机数列。

除此之外，还有混合同余法，二次同余法，三次同余法等类似的方法，公式类似，也各有优劣，在此不详细介绍了。

同余法优势在计算速度快，内存消耗少。但是，因为相邻的随机数并不独立，序列关联性较大。所以，对于随机数质量要求高的应用，特别是很多科研领域，并不适合用这种方法。

不要走开，下篇博客介绍一个更给力的算法——梅森旋转算法(Mersenne Twister)，持续关注啊！