密碼學/隨機數生成
隨機數的生成對密碼學至關重要。密碼學演算法中最難的方面之一是依賴或生成真正的隨機資訊。這是有問題的，因為沒有已知的方法可以產生真正的隨機資料，尤其是沒有方法可以在有限狀態機（如計算機）上做到這一點。
一般來說，隨機數生成器有兩種：非確定性隨機數生成器，有時稱為“真隨機數生成器”（TRNG），以及確定性隨機數生成器，也稱為偽隨機數生成器（PRNG）。[1]
許多高質量的密碼系統都同時使用這兩種方法——硬體隨機數生成器來定期重新播種確定性隨機數生成器。
量子力學理論表明，一些物理過程本質上是隨機的（雖然收集和使用此類資料存在問題），但確定性機制，例如計算機，則不能。任何隨機過程（隨機數生成）在計算機上模擬，都不是真正的隨機，而只是偽隨機。
在偽隨機生成器的侷限性內，任何高質量的偽隨機數生成器都必須
- 在所有維度上具有均勻分佈的值
- 沒有可檢測的模式，即生成的數字之間沒有相關性
- 具有非常長的迴圈長度
- 沒有或易於避免的弱初始條件，這些條件會產生模式或短迴圈
記住我們正在處理偽隨機數生成（即從有限狀態機，例如計算機生成的數字），有各種方法可以隨機生成數字。
在 C 和 C++ 中，函式rand() 返回零到 RAND_MAX（內部定義的常量）之間的偽隨機整數，透過srand() 函式定義；否則，它將使用預設種子，並且在程式重新啟動時始終返回相同的數字。大多數這樣的庫都具有較短的迴圈長度，不適用於加密目的。
“C 語言數值方法”回顧了幾種隨機數生成器，並建議將修改後的 DES 密碼作為他們推薦的最高質量隨機數生成器。“實用密碼學”（Ferguson 和 Schneier）推薦了一種他們命名為 Fortuna 的設計；它取代了他們早期稱為 Yarrow 的設計。
截至 2004 年，最好的隨機數生成器包含 3 部分：不可預測的非確定性機制、熵評估和調節器。非確定性機制（也稱為熵源）生成原始有偏位的位塊。熵評估部分對原始有偏位的位塊的最小熵進行保守估計。調節器（也稱為白化器、去偏演算法或隨機性提取器）將原始位塊提煉成一個更小的條件輸出位塊——輸出位塊的大小是原始有偏位位的估計熵（以位為單位）的一半——消除任何系統偏差。如果估計良好，則即使非確定性機制隨著時間的推移而下降，條件輸出位也是無偏的完整熵位。在實踐中，熵評估是最困難的部分。[2]
- ↑ NIST. "隨機數生成".
- ↑ John Kelsey. "X9.82 中的熵和熵源" NIST. 2004. "你測量的是你認為你在測量的嗎？" "樣本變異中有多少是熵，有多少隻是複雜性？"
