共计 12385 个字符，预计需要花费 31 分钟才能阅读完成。
本系列将 Java 17 之前的随机数 API 以及 Java 17 之后的对立 API 都做了比拟具体的阐明，并且将随机数的个性以及实现思路也做了一些简略的剖析，帮忙大家明确为何会有这么多的随机数算法，以及他们的设计思路是什么。
本系列会分为两篇，第一篇讲述 Java 随机数算法的演变思路以及底层原理与考量，之后介绍 Java 17 之前的随机算法 API 以及测试性能，第二篇详细分析 Java 17 之后的随机数生成器算法以及 API 和底层实现类以及他们的属性，性能以及应用场景，如何抉择随机算法等等，并对 Java 的随机数对于 Java 的一些将来个性的实用进行瞻望
这是第一篇。
如何生成随机数
咱们个别应用随机数生成器的时候，都认为随机数生成器（Pseudo Random Number Generator，PRNG）是一个黑盒：
这个黑盒的产出，个别是一个数字。假如是一个 int 数字。这个后果能够转化成各种咱们想要的类型，例如：如果咱们想要的的其实是一个 long，那咱们能够取两次，其中一次的后果作为高 32 位，另一次后果作为低 32 位，组成一个 long（boolean，byte，short，char 等等同理，取一次，取其中某几位作为后果）。如果咱们想要的是一个浮点型数字，那么咱们能够依据 IEEE 规范组合屡次取随机 int 而后取其中某几位组合成浮点型数字的整数位以及小数位。
如果要限度范畴，最简略的形式是将后果取余 + 偏移实现。例如咱们想取范畴在 1 ~ 100 之间，那么咱们就将后果先对 99 取余，而后取绝对值，而后 +1 即可。当然，因为取余操作是一个性能耗费比拟高的操作，最简略的优化即查看这个数字 N 与 N-1 取与运算，如果等于 0 即这个书是 2 的 n 次方（2 的 n 次方 2 进制示意肯定是 100000 这样的，减去 1 之后 为 011111，取与必定是 0）；对于 2 的 n 次方取余相当于对 2 的 n 次方减一取与运算。这是一个简略的优化，理论的优化要比这个简单多。
初始化这个黑盒的时候，个别采纳一个 SEED 进行初始化，这个 SEED 的起源可能多种多样，这个咱们先按下不表，先来看一些这个黑盒中的一些算法。
线性同余算法
首先是最常见的随机数算法：线性同余（Linear Congruential Generator）。即依据以后 Seed 乘以一个系数 A，而后加上一个偏移 B，最初依照 C 进行取余（限度整体在肯定范畴内，这样能力抉择出适合的 A 和 B，为什么要这么做前面会说），得出随机数，而后这个随机数作为下次随机的种子，即：
X(n+1) = (A * X(n) + B ) % C这种算法的劣势在于，实现简略，并且性能算是比拟好的。A，B 取值必须精挑细算，让在 C 范畴内的所有数字都是等可能的呈现的 。例如一个极其的例子就是 A = 2，B = 2，C = 10，那么 1，3，5，7，9 这些奇数在后续都不可能呈现。为了能计算出一个适合的 A 和 B，要限度 C 在一个比拟可控的范畴内。个别为了计算效率，将 C 限度为 2 的 n 次方。这样取余运算就能够优化为取与运算。 不过好在，数学巨匠们曾经将这些值（也就是魔法数）找到了，咱们间接用就好了。
这种算法生成的随机序列，是确定的，例如 X 下一个是 Y，Y 下一个是 Z，这能够了解成一个确定环（loop）。
。
这个环的大小，即 Period。因为 Period 足够大，初始 SEED 个别也是每次不一样的，这样近似做到了随机。然而，假如咱们须要多个随机数生成器的时候，就比拟麻烦了，因为咱们尽管能保障每个随机生成器的初始 SEED 不一样，然而在这种算法下，无奈保障某个随机数生成器的初始 SEED 就是另一个随机数生成器初始 SEED 的下一个（或者很短步骤内的）SEED。举个例子，假如某个随机数生成器的初始 SEED 是 X，另一个是 Z，尽管 X 和 Z 可能看上去差距很大，然而他们在这个算法的随机序列中仅隔了一个 Y。这样的不同的随机数生成器，成果不好。
那么 如何能保障不同的随机数生成器之间距离比拟大呢 ？也就是，咱们能通过 简略计算 （而不是计算 100w 次从而调到 100w 次之后的随机数）间接使另一个随机数生成器的初始 SEED 与以后这个的初始 SEED，距离一个比拟大的数，这种性质叫做 可跳跃性 。 基于线性反馈移位寄存器算法的 Xoshiro 算法 给咱们提供了一种 可跳跃的随机数算法。
线性反馈移位寄存器算法
线性反馈移位寄存器（Linear feedback shift register，LFSR）是指给定前一状态的输入，将该输入的线性函数再用作输出的移位寄存器。异或运算是最常见的单比特线性函数：对寄存器的某些位进行异或操作后作为输出，再对寄存器中的每个 bit 进行整体移位。
然而如何抉择这些 Bit，是一门学识，目前比拟常见的实现是 XorShift 算法以及在此基础上进一步优化的
Xoshiro 的相干算法。Xoshiro 算法是一种比拟新的优化随机数算法，计算很简略并且性能优异。同时实现了可跳跃性。
这种算法是 可跳跃的。假如咱们要生成两个差距比拟大的随机数生成器，咱们能够应用一个随机初始 SEED 创立一个随机数生成器，而后利用算法的跳跃操作，间接生成一个距离比拟大的 SEED 作为另一个随机数生成器的初始 SEED。
还有一点比拟有意思的是，线性同余算法并不可逆 ，咱们只能通过 X(n) 推出 X(n + 1)，而不能依据 X(n + 1) 间接推出 X(n)。这个操作对应的业务例如随机播放歌单，上一首下一首，咱们不须要记录整个歌单，而是仅依据以后的随机数就能晓得。 线性反馈移位寄存器算法能实现可逆。
线性反馈移位寄存器算法在生成不同的随机序列生成器也有局限性，即它们还是来自于同一个环，即便通过跳跃操作让不同的随机数生成器都距离开了，然而如果压力不够平衡，随着工夫的推移，它们还是有可能 SEED，又变成一样的了。那么有没有 那种能生成不同随机序列环的随机算法呢？
DotMix 算法
DotMix 算法提供了另一种思路，即给定一个初始 SEED，设置一个固定步长 M，每次随机，将这个 SEED 加上步长 M，通过一个 HASH 函数，将这个值散列映射到一个 HASH 值：
X(n+1) = HASH(X(n) + M)这个算法对于 HASH 算法的要求比拟高，重点要求 HASH 算法针对输出的一点扭转则造成输入大幅度扭转。基于 DotMix 算法的 SplitMix 算法应用的即 MurMurHash3 算法，这个即 Java 8 引入的 SplittableRandom 的底层原理。
这种算法好在，咱们很容易能明确 两个不同参数的随机生成器他们的生成序列是不同的 ，例如一个生成的随机序列是 1，4，3，7，… 另一个生成的是 1，5，3，2。这点正是线性同余算法无奈做到的，他的序列无论怎么批改 SEED 也是确定的，而咱们有不能随便更改算法中的 A、B、C 的值，因为可能会导致无奈遍历到所有数字，这点之前曾经说过了。Xoshiro 也是同理。而 SplitMix 算法不必放心，咱们指定不同的 SEED 以及不同的步长 M 就能够保障生成的序列是不同的。这种 能够生成不同序列的性质 ，称为 可拆分性
这也是 SplittableRandom 比 Random（Random 基于线性同余）更适宜多线程的起因：
- 假如多线程应用同一个
Random，保障了序列的随机性，然而有 CompareAndSet 新 seed 的性能损失。 - 假如每个线程应用 SEED 雷同的
Random，则每个线程生成的随机序列雷同。 - 假如每个线程应用 SEED 不雷同的
Random，然而咱们不能保障一个Random的 SEED 是否是另一个RandomSEED 的下一个后果（或者是很短步长以内的后果），这种状况下如果线程压力不平均（线程池在比拟闲的时候，其实只有一部分线程在工作，这些线程很可能他们公有的 Random 来到和其余线程同一个 SEED 的地位），某些线程也会有雷同的随机序列。
应用 SplittableRandom 只有间接应用接口 split 就能给不同线程 调配一个参数不同 的 SplittableRandom，并且参数不同根本就能够保障生成不了雷同序列。
思考：咱们如何生成 Period 大于生成数字容量的随机序列呢？
最简略的做法，咱们将两个 Period 等于容量的序列通过轮询合并在一起，这样就失去了 Period = 容量 + 容量 的序列：
咱们还能够间接记录两个序列的后果，而后将两个序列的后果用某种运算，例如异或或者散列操作拼到一起。这样，Period = 容量 * 容量。
如果咱们想扩大更多，都能够通过以上方法拼接。用肯定的操作拼接不同算法的序列，咱们能够失去每种算法的随机劣势。Java 17 引入的 LXM 算法就是一个例子。
LXM 算法
这是在 Java 17 中引入的算法 LXM 算法（L 即线性同余，X 即 Xoshiro，M 即 MurMurHash）的实现较为简单，联合线性同余算法和 Xoshiro 算法，之后通过 MurMurHash 散列，例如：
- L34X64M：即应用一个 32 位的数字保留线性同余的后果，两个 32 位的数字保留 Xoshiro 算法的后果，应用 MurMurHash 散列合并这些后果到一个 64 位数字。
- L128X256M：即应用两个 64 位的数字保留线性同余的后果，4 个 64 位的数字保留 Xoshiro 算法的后果，应用 MurMurHash 散列合并这些后果到一个 64 位数字。
LXM 算法通过 MurMurhash 实现了宰割性，没有保留 Xoshiro 的跳跃性。
SEED 的起源
因为 JDK 中所有的随机算法都是基于上一次输出的，如果咱们应用固定 SEED 那么生成的随机序列也肯定是一样的。这样在平安敏感的场景，不够适合，官网对于 cryptographically secure 的定义是，要求 SEED 必须是不可预知的，产生非确定性输入。
在 Linux 中，会采集用户输出，零碎中断等零碎运行数据，生成随机种子放入池中，程序能够读取这个池子获取一个随机数。然而这个池子是采集肯定数据后才会生成，大小无限，并且它的随机散布必定不够好，所以咱们不能间接用它来做随机数，而是用它来做咱们的随机数生成器的种子。这个池子在 Linux 中被形象为两个文件，这两个文件他们别离是：/dev/random 和 /dev/urandom。一个是必须采集肯定熵的数据才放开从池子外面取否则阻塞，另一个则是不论是否采集够间接返回现有的。
在 Linux 4.8 之前：
在 Linux 4.8 之后：
在熵池不够用的时候，file:/dev/random会阻塞 ，file:/dev/urandom 不会 。对于咱们来说，/dev/urandom 个别就够用，所以个别 通过 -Djava.security.egd=file:/dev/./urandom 设置 JVM 启动参数，应用 urandom 来缩小阻塞。
咱们也能够通过 业务中的一些个性，来定时从新设置所有 Random 的 SEED 来进一步减少被破解的难度，例如，每小时用过来一小时的沉闷用户数量 * 下单数量作为新的 SEED。
测试随机算法随机性
以上算法实现的都是伪随机，即 以后随机数后果与上一次是强相干的关系 。事实上目前根本所有 疾速的随机算法，都是这样的。
并且就算咱们让 SEED 足够隐秘，然而如果咱们晓得算法，还是能够通过以后的随机输入，揣测出下一个随机输入。或者算法未知，然而能从几次随机后果反推出算法从而推出之后的后果。
针对这种伪随机算法，须要验证算法生成的随机数满足一些个性，例如：
- period 尽可能长：a full cycle 或者 period 指的是随机序列将所有可能的随机后果都遍历过一遍，同时后果回到初始 seed 须要的后果个数。这个 period 要尽可能的长一些。
- 均匀散布（equidistribution），生成的随机数的每个可能后果，在一个 Period 内要尽可能保障每种后果的呈现次数是雷同的。否则，会影响在某些业务的应用，例如抽奖这种业务，咱们须要保障概率要准。
- 复杂度测试：生成的随机序列是否够简单，不会有那种有法则的数字序列，例如等比数列，等差数列等等。
- 安全性测试：很难通过比拟少的后果反推出这个随机算法。
目前，曾经有很多框架工具用来针对某个算法生成的随机序列进行测试，评估随机序列后果，验证算法的随机性，罕用的包含：
- testU01 随机性测试：https://github.com/umontreal-…
- NIST 随机性测试：https://nvlpubs.nist.gov/nist…
- DieHarder Suite 随机性测试
Java 中内置的随机算法，根本都通过了 testU01 的大部分测试 。目前，下面提到过的优化算法都或多或少的暴露出一些随机性问题。目前，Java 17 中的 LXM 算法是随机性测试中体现最好的。 留神是随机性体现，而不是性能。
Java 中波及到的所有随机算法（不包含 SecureRandom）
- Linear Congruential generator: https://doi.org/10.1093%2Fcom…
- Linear-feedback shift register: https://www.ams.org/journals/…
- XORShift: https://doi.org/10.18637%2Fjs…
- Xoroshiro128+: https://arxiv.org/abs/1805.01407
- LXM: https://dl.packetstormsecurit…
- SplitMix: http://gee.cs.oswego.edu/dl/p…
为什么咱们在理论业务利用中很少思考随机安全性问题
次要因为，咱们个别做了负载平衡多实例部署，还有多线程。个别每个线程应用不同初始 SEED 的 Random 实例（例如 ThreadLocalRandom）。并且一个随机敏感业务，例如抽奖，单个用户个别都会限度次数，所以很难采集够足够的后果反推出算法以及下一个后果，而且你还须要和其余用户一起抽。而后，咱们个别会限度随机数范畴，而不是应用原始的随机数，这就更大大增加了反解的难度。最初，咱们也能够定时应用业务的一些实时指标定时设置咱们的 SEED，例如：，每小时用过来一小时的（沉闷用户数量 * 下单数量）作为新的 SEED。
所以，个别事实业务中，咱们很少会用 SecureRandom。如果咱们想初始 SEED 让编写程序的人也不能猜出来（工夫戳也能猜出来），能够指定随机类的初始 SEED 源，通过 JVM 参数 -Djava.util.secureRandomSeed=true。这个对于所有 Java 中的随机数生成器都无效（例如，Random，SplittableRandom，ThreadLocalRandom 等等）
对应源码：
static {String sec = VM.getSavedProperty("java.util.secureRandomSeed");
if (Boolean.parseBoolean(sec)) {
// 初始 SEED 从 SecureRandom 中取
// SecureRandom 的 SEED 源，在 Linux 中即咱们后面提到的环境变量 java.security.egd 指定的 /dev/random 或者 /dev/urandom
byte[] seedBytes = java.security.SecureRandom.getSeed(8);
long s = (long)seedBytes[0] & 0xffL;
for (int i = 1; i < 8; ++i)
s = (s << 8) | ((long)seedBytes[i] & 0xffL);
seeder.set(s);
}
}所以，针对咱们的业务，咱们个别只关怀算法的性能以及随机性中的均匀性 ，而通过测试的算法，个别随机性都没啥大问题，所以 咱们只次要关怀性能即可。
针对安全性敏感的业务，像是 SSL 加密，生成加密随机散列这种，则须要思考更高的平安随机性。这时候才思考应用 SecureRandom。SecureRandom 的实现中，随机算法更加简单且波及了一些加密思维，咱们这里就不关注这些 Secure 的 Random 的算法了。
Java 17 之前个别如何生成随机数以及对应的随机算法
首先放出算法与实现类的对应关系：
应用 JDK 的 API
1. 应用 java.util.Random 和基于它的 API：
Random random = new Random();
random.nextInt();Math.random() 底层也是基于 Random
java.lang.Math：
public static double random() {return RandomNumberGeneratorHolder.randomNumberGenerator.nextDouble();
}
private static final class RandomNumberGeneratorHolder {static final Random randomNumberGenerator = new Random();
}Random 自身是 设计成线程平安 的，因为 SEED 是 Atomic 的并且随机只是 CAS 更新这个 SEED：
java.util.Random：
protected int next(int bits) {
long oldseed, nextseed;
AtomicLong seed = this.seed;
do {oldseed = seed.get();
nextseed = (oldseed * multiplier + addend) & mask;
} while (!seed.compareAndSet(oldseed, nextseed));
return (int)(nextseed >>> (48 - bits));
}同时也看出，Random 是基于线性同余算法的
2. 应用 java.util.SplittableRandom 和基于它的 API
SplittableRandom splittableRandom = new SplittableRandom();
splittableRandom.nextInt();后面的剖析咱们提到了，SplittableRandom 基于 SplitMix 算法实现，即给定一个初始 SEED，设置一个固定步长 M，每次随机，将这个 SEED 加上步长 M，通过一个 HASH 函数（这里是 MurMurHash3），将这个值散列映射到一个 HASH 值。
SplittableRandom 自身不是线程平安的：java.util.SplittableRandom：
public int nextInt() {return mix32(nextSeed());
}
private long nextSeed() {
// 这里非线程平安
return seed += gamma;
}ThreadLocalRandom 基于 SplittableRandom 实现，咱们在多线程环境下应用 ThreadLocalRandom：
ThreadLocalRandom.current().nextInt();SplittableRandom 能够通过 split 办法返回一个参数全新，随机序列个性差别很大的新的 SplittableRandom，咱们能够将他们用于不同的线程生成随机数，这在 parallel Stream 中十分常见：
IntStream.range(0, 1000)
.parallel()
.map(index -> usersService.getUsersByGood(index))
.map(users -> users.get(splittableRandom.split().nextInt(users.size())))
.collect(Collectors.toList());然而因为没有做 对齐性填充以及其余一些多线程性能优化的货色，导致其多线程环境下的性能体现还是比基于 SplittableRandom 的 ThreadLocalRandom 要差。
3. 应用 java.security.SecureRandom 生成安全性更高的随机数
SecureRandom drbg = SecureRandom.getInstance("DRBG");
drbg.nextInt();个别这种算法，基于加密算法实现，计算更加简单，性能也比拟差，只有安全性十分敏感的业务才会应用，个别业务（例如抽奖）这些是不会应用的。
测试性能
单线程测试：
Benchmark Mode Cnt Score Error Units
TestRandom.testDRBGSecureRandomInt thrpt 50 940907.223 ± 11505.342 ops/s
TestRandom.testDRBGSecureRandomIntWithBound thrpt 50 992789.814 ± 71312.127 ops/s
TestRandom.testRandomInt thrpt 50 106491372.544 ± 8881505.674 ops/s
TestRandom.testRandomIntWithBound thrpt 50 99009878.690 ± 9411874.862 ops/s
TestRandom.testSplittableRandomInt thrpt 50 295631145.320 ± 82211818.950 ops/s
TestRandom.testSplittableRandomIntWithBound thrpt 50 190550282.857 ± 17108994.427 ops/s
TestRandom.testThreadLocalRandomInt thrpt 50 264264886.637 ± 67311258.237 ops/s
TestRandom.testThreadLocalRandomIntWithBound thrpt 50 162884175.411 ± 12127863.560 ops/s多线程测试：
Benchmark Mode Cnt Score Error Units
TestRandom.testDRBGSecureRandomInt thrpt 50 2492896.096 ± 19410.632 ops/s
TestRandom.testDRBGSecureRandomIntWithBound thrpt 50 2478206.361 ± 111106.563 ops/s
TestRandom.testRandomInt thrpt 50 345345082.968 ± 21717020.450 ops/s
TestRandom.testRandomIntWithBound thrpt 50 300777199.608 ± 17577234.117 ops/s
TestRandom.testSplittableRandomInt thrpt 50 465579146.155 ± 25901118.711 ops/s
TestRandom.testSplittableRandomIntWithBound thrpt 50 344833166.641 ± 30676425.124 ops/s
TestRandom.testThreadLocalRandomInt thrpt 50 647483039.493 ± 120906932.951 ops/s
TestRandom.testThreadLocalRandomIntWithBound thrpt 50 467680021.387 ± 82625535.510 ops/s后果和咱们之前阐明的预期基本一致，多线程环境下 ThreadLocalRandom 的性能最好。单线程环境下 SplittableRandom 和 ThreadLocalRandom 根本靠近，性能要好于其余的。SecureRandom 和其余的相比性能差了几百倍。
测试代码如下（留神尽管 Random 和 SecureRandom 都是线程平安的，然而为了防止 compareAndSet 带来的性能衰减过多，还是用了 ThreadLocal。）：
package prng;
import java.security.NoSuchAlgorithmException;
import java.security.SecureRandom;
import java.util.Random;
import java.util.SplittableRandom;
import java.util.concurrent.ThreadLocalRandom;
import org.openjdk.jmh.annotations.Benchmark;
import org.openjdk.jmh.annotations.BenchmarkMode;
import org.openjdk.jmh.annotations.Fork;
import org.openjdk.jmh.annotations.Measurement;
import org.openjdk.jmh.annotations.Mode;
import org.openjdk.jmh.annotations.Scope;
import org.openjdk.jmh.annotations.State;
import org.openjdk.jmh.annotations.Threads;
import org.openjdk.jmh.annotations.Warmup;
import org.openjdk.jmh.infra.Blackhole;
import org.openjdk.jmh.runner.Runner;
import org.openjdk.jmh.runner.RunnerException;
import org.openjdk.jmh.runner.options.Options;
import org.openjdk.jmh.runner.options.OptionsBuilder;
// 测试指标为吞吐量
@BenchmarkMode(Mode.Throughput)
// 须要预热，排除 jit 即时编译以及 JVM 采集各种指标带来的影响，因为咱们单次循环很屡次，所以预热一次就行
@Warmup(iterations = 1)
// 线程个数
@Threads(10)
@Fork(1)
// 测试次数，咱们测试 50 次
@Measurement(iterations = 50)
// 定义了一个类实例的生命周期，所有测试线程共享一个实例
@State(value = Scope.Benchmark)
public class TestRandom {ThreadLocal<Random> random = ThreadLocal.withInitial(Random::new);
ThreadLocal<SplittableRandom> splittableRandom = ThreadLocal.withInitial(SplittableRandom::new);
ThreadLocal<SecureRandom> drbg = ThreadLocal.withInitial(() -> {
try {return SecureRandom.getInstance("DRBG");
}
catch (NoSuchAlgorithmException e) {throw new IllegalArgumentException(e);
}
});
@Benchmark
public void testRandomInt(Blackhole blackhole) throws Exception {blackhole.consume(random.get().nextInt());
}
@Benchmark
public void testRandomIntWithBound(Blackhole blackhole) throws Exception {
// 留神不取 2^n 这种数字，因为这种数字个别不会作为理论利用的范畴，然而底层针对这种数字有优化
blackhole.consume(random.get().nextInt(1, 100));
}
@Benchmark
public void testSplittableRandomInt(Blackhole blackhole) throws Exception {blackhole.consume(splittableRandom.get().nextInt());
}
@Benchmark
public void testSplittableRandomIntWithBound(Blackhole blackhole) throws Exception {
// 留神不取 2^n 这种数字，因为这种数字个别不会作为理论利用的范畴，然而底层针对这种数字有优化
blackhole.consume(splittableRandom.get().nextInt(1, 100));
}
@Benchmark
public void testThreadLocalRandomInt(Blackhole blackhole) throws Exception {blackhole.consume(ThreadLocalRandom.current().nextInt());
}
@Benchmark
public void testThreadLocalRandomIntWithBound(Blackhole blackhole) throws Exception {
// 留神不取 2^n 这种数字，因为这种数字个别不会作为理论利用的范畴，然而底层针对这种数字有优化
blackhole.consume(ThreadLocalRandom.current().nextInt(1, 100));
}
@Benchmark
public void testDRBGSecureRandomInt(Blackhole blackhole) {blackhole.consume(drbg.get().nextInt());
}
@Benchmark
public void testDRBGSecureRandomIntWithBound(Blackhole blackhole) {
// 留神不取 2^n 这种数字，因为这种数字个别不会作为理论利用的范畴，然而底层针对这种数字有优化
blackhole.consume(drbg.get().nextInt(1, 100));
}
public static void main(String[] args) throws RunnerException {Options opt = new OptionsBuilder().include(TestRandom.class.getSimpleName()).build();
new Runner(opt).run();}
}
微信搜寻“我的编程喵”关注公众号，每日一刷，轻松晋升技术，斩获各种 offer：
