Python 随机数生成涉及伪随机与真随机两种机制。文章解析了 random 模块的梅森旋转算法原理及其局限性，介绍了基于操作系统熵源的 os.urandom 和专为安全设计的 secrets 模块用法。同时涵盖 numpy 高性能采样及第三方库如 pycryptodome 的应用，对比了不同场景下的安全性与性能，为开发者提供从模拟到加密的选型策略。
在编程中，随机数被广泛应用于模拟、游戏开发、密码学和机器学习等领域。Python 提供了内置的 random 模块用于生成伪随机数，以及 os 和 secrets 模块用于生成真随机数。本文深入解析其原理、区别及安全应用场景。
Python 的 random 模块基于梅森旋转算法（Mersenne Twister）生成随机数，该算法具有极长的周期（2^19937−1），适用于大多数非加密场景。每次调用随机函数时，系统会根据当前种子值计算下一个状态，并返回对应的随机结果。
以下是几种常见的随机操作及其用途：
# 示例：生成不同类型的随机值
import random
# 设置随机种子以复现结果
random.seed(42)
print(random.random()) # 输出: 0.6394267984578837
print(random.randint(1, 10)) # 输出: 2
print(random.choice(['A', 'B', 'C'])) # 输出: C
上述代码首先设定种子值为 42，确保每次运行程序时都能获得相同的随机序列，这在调试和测试中非常有用。
| 函数名 | 返回类型 | 典型用途 |
|---|---|---|
| random.uniform(a, b) | 浮点数 | 模拟连续分布数据 |
| random.randrange(start, stop) | 整数 | 循环索引随机选取 |
| random.shuffle(list) | 无（就地修改） | 打乱列表顺序 |
伪随机数生成器（PRNG）依赖确定性算法模拟统计随机性，其核心在于数学递推公式。最常见的线性同余生成器（LCG）通过如下公式生成序列：
X_{n+1} = (a * X_n + c) mod m
其中，X_n 为当前状态，a 为乘数，c 为增量，m 为模数。参数选择直接影响周期长度与分布均匀性。
Python 的 random 模块提供了生成伪随机数的核心工具，适用于模拟、游戏开发和数据采样等场景。
import random
# 生成 0 到 1 之间的随机浮点数
print(random.random())
# 生成 1 到 10 之间的随机整数
print(random.randint(1, 10))
在机器学习与数值计算中，确保实验结果可复现是验证模型稳定性的关键。通过设置随机种子（seed），可以控制随机数生成器的行为。
import numpy as np
import random
import torch
seed = 42
np.random.seed(seed)
random.seed(seed)
torch.manual_seed(seed)
if torch.cuda.is_available():
torch.cuda.manual_seed_all(seed)
上述代码分别固定了 NumPy、Python 内置随机模块和 PyTorch 的 CPU 与 GPU 种子。忽略任一组件可能导致部分操作仍具随机性。
伪随机数生成器（PRNG）依赖确定性算法和初始种子生成序列，一旦种子被推测或泄露，整个输出序列可被重现。常见算法如线性同余法（LCG）和 Mersenne Twister 虽在统计分布上表现良好，但不具备密码学安全性。
在密钥生成、会话令牌等场景中使用非密码学 PRNG 将导致严重漏洞。以下为不安全的 Go 代码示例：
package main
import (
"fmt"
"math/rand"
"time"
)
func init() {
rand.Seed(time.Now().UnixNano()) // 可预测种子
}
func GenerateToken() string {
return fmt.Sprintf("%06d", rand.Intn(1000000))
}
该代码使用时间戳作为种子，攻击者可通过时间窗口暴力枚举可能的种子值，进而预测生成的令牌。
操作系统通过内核级接口提供高质量的随机数，以满足加密、密钥生成等安全需求。现代系统普遍依赖硬件熵源与软件混合算法结合的方式生成真随机数。
Linux 系统通过设备文件暴露随机数接口：
# 读取 16 字节随机数据
dd if=/dev/urandom of=random.bin bs=1 count=16
/dev/random 阻塞等待足够熵值，适合高安全性场景；/dev/urandom 非阻塞，适用于大多数应用。
在需要密码学安全的随机性场景中，os.urandom() 是 Python 提供的系统级接口，用于生成不可预测的随机字节序列。
import os
# 生成 16 字节（128 位）安全随机数据
random_bytes = os.urandom(16)
print(random_bytes.hex())
Python 的 secrets 模块专为生成密码学安全的随机数而设计，适用于生成令牌、盐值和密钥等。
import secrets
import string
def generate_secure_token(length=32):
alphabet = string.ascii_letters + string.digits
return ''.join(secrets.choice(alphabet) for _ in range(length))
token = generate_secure_token()
在验证令牌时，应使用 secrets.compare_digest() 防止时序攻击：
valid = secrets.compare_digest(token, user_input)
NumPy 提供了基于 PCG64 和 Philox 等先进算法的生成器，支持并行采样与种子控制。
import numpy as np
rng = np.random.default_rng(seed=42)
samples = rng.normal(0, 1, size=10000)
在安全敏感的应用中，PyCryptodome 提供了密码学安全的随机数生成接口。
from Crypto.Random import get_random_bytes
# 生成 16 字节（128 位）安全随机字节
secure_data = get_random_bytes(16)
print(secure_data.hex())
| 模块/方法 | 安全性 | 性能 | 适用场景 |
|---|---|---|---|
| random | 低 | 快 | 模拟、游戏、测试 |
| os.urandom | 高 | 中 | 密钥、盐值、令牌 |
| secrets | 高 | 中 | 密码、认证、安全令牌 |
| numpy | 中 | 快 | 科学计算、大规模采样 |
random 模块，注意设置种子以保证可复现性。secrets 或 os.urandom()，严禁使用 random。numpy.random，但需注意其并非密码学安全。secrets 模块封装了底层差异，推荐作为首选安全接口。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online