En Slumpgenerator är ett verktyg eller en algoritm som producerar oförutsägbara och icke-deterministiska resultat. Dessa generatorer är viktiga inom många områden, från kryptografi till datorsimulering.
- Oförutsägbara resultat: Slumpgeneratorer ger resultat som inte kan förutsägas.
- Används inom kryptografi: De är avgörande för säker kommunikation.
- Datorsimuleringar: Används ofta vid modellering och analys av komplexa system.
Generator för slumpmässiga tal
Hur fungerar en slumptalsgenerator? 🔍
Slumpgeneratorer arbetar antingen med fysiska processer eller matematiska algoritmer. De viktigaste typerna är true random number generators (TRNG) och pseudo-random number generators (PRNG).
Olika tillämpningar av slumpmässighet har lett till utvecklingen av olika metoder för att generera slumpmässiga data. Vissa av dessa metoder har funnits sedan urminnes tider, bland annat välkända exempel som att kasta tärning, kasta mynt, blanda spelkort, använda rölleksstjälkar (för spådomar) i I Ching och otaliga andra tekniker. På grund av dessa teknikers mekaniska natur krävdes det mycket arbete och tid för att generera stora mängder tillräckligt slumpmässiga tal (viktigt inom statistiken). Därför samlades resultaten ibland in och distribuerades som tabeller över slumpmässiga tal.
Var spelar vi blackjack online?
Min bästa online casino upplevelser Jag har i Bizzo Casino gjort. Enligt min mening finns det BÄSTA URVALET vid bord med live dealers, där vi tränar för det riktiga kasinot. Till skillnad från många andra onlinekasinon betalas vinsterna också ut riktigt snabbt och pålitligt här. Det är därför jag definitivt kan rekommendera Bizzo!
Das Bizzo Casino erbjuder många live blackjack-bord och en snabb Utbetalning av våra vinster.
Jag skulle ha pengar någon annanstans vinna men hittills har jag alltid haft goda erfarenheter av Bizzo Casino gjort.
Det finns flera beräkningsmetoder för att generera pseudo-slumpmässiga tal. Alla dessa metoder når inte upp till målet om äkta slumpmässighet, även om de med varierande framgång klarar vissa av de statistiska slumpmässighetstesterna, som är utformade för att mäta hur oförutsägbara resultaten är (dvs. i vilken utsträckning deras mönster är igenkännbara). Detta gör dem i allmänhet oanvändbara för tillämpningar som kryptografi. Det finns emellertid också noggrant utformade kryptografiskt säkra pseudo-slumptalsgeneratorer (CSPRNGS) med specialfunktioner som utformats särskilt för Infoga utvecklades inom kryptografi.
Tillämpningar av slumpgeneratorer
- Spel och underhållning:
- Slumpgeneratorer används i Spela används för att skapa oförutsägbara element som tärningsslag, kortdragningar eller nivågenerering.
- Kryptografi:
- Inom informationssäkerhet är slumptalsgeneratorer avgörande för generering av nycklar, salter och nonces, som krävs för kryptering och autentisering.
- Statistik och urval:
- När du skapar urval för enkäter och studier hjälper slumpgeneratorer till att dra representativa och opartiska urval.
- Simuleringsmodeller:
- Inom vetenskap och teknik används slumptalsgeneratorer för att utföra Monte Carlo-simuleringar där slumpmässiga variabler används för att modellera och analysera komplexa system.
- Lotterier och tävlingar:
- De ser till att vinnarna i lotterier, tävlingar och andra tävlingar utses på ett rättvist och slumpmässigt sätt.
- Optimeringsalgoritmer:
- Slumpmässiga metoder som genetiska algoritmer och simulerad glödgning använder slumpgeneratorer för att effektivt söka igenom lösningsutrymmen och hitta optimala lösningar.
- Artificiell intelligens och maskininlärning Lärande:
- Slumpgeneratorer används för att blanda datauppsättningar och slumpmässigt välja tränings- och testdata för att validera och träna modellerna.
Slumptalsgeneratorer har tillämpningar inom spel, statistisk provtagning, datorsimulering, kryptografi, helt slumpmässig design och andra områden där det är önskvärt att generera ett oförutsägbart resultat. I tillämpningar där oförutsägbarhet är en viktig egenskap, t.ex. säkerhetsapplikationer, används i allmänhet hårdvarugeneratorer där så är möjligt.
Våra bästa onlinekasinon för blackjack
🔄 + 150 gratissnurr
🔄 + 175 gratissnurr
🔄 +150 gratissnurr
🔄 + 150 gratissnurr
Pseudorandomtalsgeneratorer är mycket användbara vid utveckling av Monte Carlo-simuleringsmetoder, eftersom felsökning underlättas av att man kan upprepa samma sekvens av slumptal när man börjar med samma slumpmässiga frö. De används också inom kryptografi - så länge fröet förblir hemligt. Sändaren och mottagaren kan automatiskt generera samma uppsättning siffror att använda som nyckel.
Generering av pseudorandomtal är en viktig och vanlig uppgift inom datorprogrammering. Kryptografi och vissa numeriska algoritmer kräver en mycket hög grad av slumpmässighet, medan många andra operationer endast kräver en måttlig grad av oförutsägbarhet. Några enkla exempel kan vara att presentera ett "dagens slumpmässiga citat" för en användare eller att avgöra i vilken riktning en datorstyrd motståndare i ett datorspel kan röra sig. Svagare former av slumpmässighet används i hashingalgoritmer och vid skapandet av amorterade sök- och sorteringsalgoritmer.
Vissa tillämpningar som vid första anblicken verkar lämpa sig för randomisering är inte så enkla i verkligheten. Ett system som "slumpmässigt" väljer musikspår för ett bakgrundsmusiksystem behöver t.ex. bara se slumpmässigt ut och kan till och med ha sätt att slumpa musikvalet. styraEtt verkligt slumpmässigt system skulle inte ha den begränsningen att samma titel kan förekomma två eller tre gånger i rad.
Verkliga slumptal kontra pseudoslumptal 🆚
Skillnaden mellan riktiga och pseudoslumpmässiga tal ligger i förutsägbarheten och källan till slumpmässigheten.
- Riktiga slumptal: Oförutsägbar, baserad på fysiska processer.
- Pseudoslumpmässiga tal: Genereras av algoritmer, förutsägbara om fröet är känt.
Det finns två huvudsakliga metoder för att generera slumptal. Den första metoden mäter ett fysiskt fenomen som betraktas som slumpmässigt och kompenserar sedan för eventuella störningar i mätprocessen. Exempel på källor är mätning av atmosfäriskt brus, termiskt brus och andra externa elektromagnetiska och kvantmekaniska fenomen. Till exempel är kosmisk bakgrundsstrålning eller radioaktivt sönderfall som mäts under korta tidsperioder källor till naturlig entropi (som ett mått på oförutsägbarheten eller överraskningen i nummergenereringsprocessen).
Den hastighet med vilken entropi kan utvinnas ur naturliga källor beror på de underliggande fysikaliska fenomen som mäts. Därför sägs källor till naturligt förekommande "sann" entropi vara blockerande - de är hastighetsbegränsade tills tillräckligt med entropi samlas in för att möta efterfrågan. På vissa Unix-liknande system, inklusive de flesta Linux-distributioner, blockerar pseudoapparatfilen /dev/random tills tillräckligt med entropi har samlats in från omgivningen. På grund av detta blockeringsbeteende kan stora massläsningar av data från /dev/random, t.ex. att fylla en hårddisk med slumpmässiga bitar, ofta vara långsamma på system som använder denna typ av entropikälla.
Den andra metoden använder beräkningsalgoritmer som kan generera långa sekvenser av till synes slumpmässiga resultat som i själva verket helt bestäms av ett kortare startvärde, det så kallade seed-värdet eller nyckeln. Detta gör att hela den till synes slumpmässiga sekvensen kan reproduceras om frövärdet är känt. Den här typen av slumptalsgenerator kallas ofta för en pseudoslumptalsgenerator. Den här typen av generator är vanligtvis icke-blockerande, vilket innebär att den inte begränsas av en extern händelse, vilket möjliggör läsning av stora datamängder.
Vissa system använder en hybridmetod som samlar in slumpmässiga data från naturliga källor när sådana finns tillgängliga och förlitar sig på kryptografiskt säkra pseudoslumptalsgeneratorer (CSPRNG) som periodiskt återladdas när den önskade läshastigheten överstiger den naturliga insamlingsmetodens förmåga att tillgodose efterfrågan. På så sätt undviks det blockerande beteende som slumptalsgeneratorer baserade på långsammare och rent miljöbaserade metoder uppvisar.
Även om en pseudoslumptalsgenerator som enbart bygger på deterministisk logik aldrig kan betraktas som en "äkta" slumpkälla i ordets renaste bemärkelse, är de i allmänhet tillräckliga i praktiken, även för krävande säkerhetskritiska tillämpningar. Noggrannt utformade och implementerade pseudoslumptalsgeneratorer kan certifieras för säkerhetskritiska kryptografiska ändamål, vilket är fallet med algoritmerna Yarrow och Fortuna. Den förstnämnda är grunden för entropikällan /dev/random på FreeBSD, AIX, macOS, NetBSD och andra. OpenBSD använder en pseudorandomtalsalgoritm som kallas arc4random.
Metoder för generering
Fysiska metoder
De tidigaste metoderna för att generera slumptal, t.ex. tärningskast, myntkast och rouletthjul, används än idag, främst i spel och dobbel, eftersom de är för långsamma för de flesta tillämpningar inom statistik och kryptografi.
En fysisk slumptalsgenerator kan baseras på ett i huvudsak slumpmässigt atomärt eller subatomärt fysikaliskt fenomen vars oförutsägbarhet kan hänföras till kvantmekanikens lagar. Källor till entropi är t.ex. radioaktivt sönderfall, termiskt brus, skottljud, lavinbrus i zenerdioder, klockavvikelser, temporala rörelser i läshuvudet på en hårddisk och radiobrus. Fysiska fenomen och de verktyg som används för att mäta dem uppvisar dock i allmänhet asymmetrier och systematiska förvrängningar som gör att resultaten inte är enhetligt slumpmässiga. En slumpmässig extraktor, t.ex. en kryptografisk hashfunktion, kan användas för att uppnå en enhetlig fördelning av bitar från en icke enhetligt slumpmässig källa, men med en lägre bithastighet.
En prototyp av en höghastighets realtidsgenerator för slumpmässiga tal baserad på en kaotisk laser utvecklades 2013.
Olika uppfinningsrika metoder för att samla in denna entropiska information har utvecklats. En teknik är att tillämpa en hashfunktion på en bildruta i en videoström från en oförutsägbar källa. Lavarand använde denna teknik med bilder från flera olika lavalampor. HotBits mätte radioaktivt sönderfall med Geiger-Müller-rör, medan Random.org registrerade fluktuationer i amplituden hos atmosfäriskt brus med en vanlig radio.
Datorstödda metoder
De flesta slumptal som genereras av datorer använder PRNG, som är algoritmer som automatiskt kan generera långa sekvenser av tal med goda slumpmässiga egenskaper, men så småningom upprepas sekvenserna (eller så växer minnesanvändningen i det oändliga). Dessa slumptal är tillräckliga i många situationer, men är inte lika slumpmässiga som tal som genereras från elektromagnetiskt atmosfäriskt brus som används som entropikälla. Den uppsättning värden som genereras av sådana algoritmer bestäms i allmänhet av ett fast tal som kallas fröet. En av de vanligaste PRNG:erna är den linjära kongruensgeneratorn, som använder rekurrensrelationen
Xn+1=(aXn+b)mod mX_{n+1} = (aX_n + b) \mod mXn+1=(aXn+b)modm
används för att generera tal där aaa, bbb och mmm är stora heltal och Xn+1X_{n+1}Xn+1 är nästa tal i en serie pseudorandomiska tal. Det maximala antalet tal som formeln kan generera är modulen mmm. Rekurrensrelationen kan utvidgas till matriser för att få mycket längre perioder och bättre statistiska egenskaper. För att undvika vissa icke-slumpmässiga egenskaper hos en enda linjär kongruensgenerator kan flera sådana slumptalsgeneratorer med något olika värden på multiplikatorkoefficienten aaa användas parallellt, med en "master"-slumptalsgenerator som väljer mellan de olika generatorerna.
En enkel metod för att manuellt generera slumptal är den s.k. mean square-metoden, som föreslogs av John von Neumann. Även om den är lätt att implementera är dess utdata av dålig kvalitet. Den har en mycket kort period och allvarliga svagheter, till exempel det faktum att utdatasekvensen nästan alltid konvergerar mot noll. En ny innovation är att kombinera medelkvadratmetoden med en Weyl-sekvens. Denna metod ger utdata av hög kvalitet under en lång period.
De flesta programmeringsspråk innehåller funktioner eller biblioteksrutiner som ger slumptalsgeneratorer. De är ofta utformade för att ge en slumpmässig byte eller ett slumpmässigt ord eller ett jämnt fördelat flyttal mellan 0 och 1.
Kvaliteten, dvs. slumpmässigheten, hos sådana biblioteksfunktioner varierar stort, från helt förutsägbar utdata till kryptografiskt säker. Den slumptalsgenerator som används som standard i många språk, t.ex. Python, Ruby, R, IDL och PHP, baseras på Mersenne Twister-algoritmen och är inte tillräcklig för kryptografiska ändamål, vilket uttryckligen anges i språkdokumentationen. Sådana biblioteksfunktioner har ofta dåliga statistiska egenskaper och vissa upprepar mönster efter bara tiotusentals försök. De initialiseras ofta med en dators realtidsklocka som seed, eftersom en sådan klocka är 64-bitars och mäter i nanosekunder, långt bortom en människas precision. Dessa funktioner kan ge tillräcklig slumpmässighet för vissa uppgifter (t.ex. videospel), men är olämpliga när det krävs slumpmässighet av hög kvalitet, t.ex. i kryptografiska tillämpningar eller statistik.
Slumptalsgeneratorer av högre kvalitet finns tillgängliga i de flesta operativsystem, t.ex. /dev/random i olika BSD-derivat, Linux, Mac OS X, IRIX och Solaris, eller CryptGenRandom i Microsoft Windows. De flesta programmeringsspråk, inklusive de som nämns ovan, tillhandahåller ett sätt att komma åt dessa källor på högre nivå.
Genererad av människor
Zufallszahlengenerierung kann auch von Menschen durchgeführt werden, indem verschiedene Eingaben von Endbenutzern gesammelt und als Zufallsquelle verwendet werden. Die meisten Studien finden jedoch, dass menschliche Subjekte ein gewisses Maß an Nicht-Zufälligkeit aufweisen, wenn sie versuchen, eine zufällige Folge von z.B. Ziffern oder Buchstaben zu erzeugen. Sie könnten zu oft zwischen den Wahlmöglichkeiten wechseln im Vergleich zu einem guten Zufallsgenerator; daher wird dieser Ansatz nicht weit verbreitet verwendet. Aus demselben Grund, dass Menschen in dieser Aufgabe schlecht abschneiden, kann die menschliche Zufallszahlengenerierung als Werkzeug verwendet werden, um Einblicke in Gehirnfunktionen zu gewinnen, die auf andere Weise nicht zugänglich sind.
Efterbearbetning och statistiska kontroller
Även med en trovärdig slumptalskälla (kanske från en kvantmekanikbaserad hårdvarugenerator) krävs det försiktighet för att få helt opartiska siffror. Dessa generatorers beteende förändras ofta med temperatur, matningsspänning, enhetens ålder eller annan yttre påverkan.
Genererade slumptal utsätts ibland för statistiska tester innan de används för att säkerställa att den underliggande källan fortfarande fungerar, och efterbehandlas sedan för att förbättra deras statistiska egenskaper. Ett exempel är slumptalsgeneratorn TRNG9803, som använder en entropimätning som ett hårdvarutest och sedan efterbehandlar den slumpmässiga sekvensen med ett skiftregisterströmchiffer. Det är i allmänhet svårt att använda statistiska tester för att validera de genererade slumptalen. Wang och Nicol föreslog en avståndsbaserad statistisk testteknik som används för att identifiera svagheterna hos flera slumptalsgeneratorer. Li och Wang föreslog en metod för att testa slumptal baserade på laserkaotiska entropikällor som använder egenskaper hos Brownsk rörelse.
Statistiska tester används också för att säkerställa att den efterbehandlade slutresultatet från en slumptalsgenerator verkligen är opartiskt, och många testpaket för slumpmässighet har utvecklats.
Ytterligare överväganden
Anpassa distributionen
Enhetliga fördelningar
De flesta slumptalsgeneratorer arbetar med heltal eller enstaka bitar, så det krävs ytterligare ett steg för att uppnå den "kanoniska" enhetliga fördelningen mellan 0 och 1. Implementeringen är inte lika trivial som att dividera heltalet med dess maximalt möjligt värde. Mer specifikt:
- Det heltal som används i omvandlingen måste ge tillräckligt många bitar för den avsedda precisionen.
- Flyttalsaritmetikens natur innebär att precisionen ökar ju närmare noll talet ligger. Denna extra precision används normalt inte på grund av det stora antalet bitar som krävs.
- Avrundningsfel vid division kan förvränga resultatet. I värsta fall kan ett förment uteslutet område ritas med riktiga siffror, i strid med förväntningarna på matematik.
Den vanliga algoritmen som används av OpenJDK, Rust och NumPy beskrivs i ett förslag till STL i C++. Den utnyttjar inte den extra precisionen och lider bara av förvrängning i den sista biten på grund av avrundning till närmaste jämna tal. Andra numeriska problem är giltiga om denna "kanoniska" enhetliga fördelning flyttas till ett annat intervall. En föreslagen metod för programmeringsspråket Swift gör anspråk på att använda full precision överallt.
Enhetligt fördelade heltal används ofta i algoritmer som Fisher-Yates shuffle. Återigen kan en naiv implementering införa en modulo-distorsion i resultatet, så mer utarbetade algoritmer måste användas. En metod som nästan aldrig utför division beskrevs av Daniel Lemire 2018, och det senaste inom området är den aritmetiska kodningsinspirerade "optimala algoritmen" av Stephen Canon från Apple Inc. under år 2021.
De flesta 0 till 1 RNG inkluderar 0 men utesluter 1, medan andra inkluderar eller utesluter båda.
Övriga utdelningar
Om man har en källa med jämnt fördelade slumptal finns det flera metoder för att skapa en ny slumpkälla som motsvarar en sannolikhetstäthetsfunktion. En metod som kallas inversionsmetoden innebär att man integrerar upp till ett intervall som är större än eller lika med lika av det slumpmässiga talet (som bör genereras mellan 0 och 1 för korrekt fördelning). En andra metod som kallas acceptans-rejektionsmetoden innebär att man väljer ett x- och y-värde och Testningom funktionen för x är större än y-värdet. Om så är fallet accepteras x-värdet. I annat fall ska x-W
