Does it 抛硬币获得随机位？
Or 掷骰子获得 1 到 6 之间的随机整数？
Or 从洗好的牌堆中取出一张牌获取 1 到 52 之间的数字？
.
.
.
或者它能像我们一样思考或拥有像我们一样的智慧吗？
显然，上面的例子不能成为生成随机数据的方法。
那么软件库是如何生成的random给定范围内的数字？哪个更随机：人类生成还是软件生成？
（注意：这通常是关于计算中的随机[和伪随机]数及其用途。）
你永远不可能通过确定性过程获得真正的随机数，这就是为什么计算机相当不适合生成它们（因为 CPU 只能以确定性方式翻转位）。大多数语言、框架和库都使用所谓的Pseudo- 随机数生成器（PRNG）。那些需要一个seed这是一种初始状态向量，可以是单个数字或数字数组，并从那里生成一系列看似随机的值。结果通常满足某些统计测量，但不是完全随机的，因为相同的种子将产生完全相同的序列。
最简单的 PRNG 之一是所谓的线性同余发生器（LCG）。它只有一个数字作为状态（最初是种子）。然后，对于每个连续的返回值，公式如下循环：
where a, b and c are constants for the generator. c is usually a power of two, such as 232 simply because it's easy to implement (done automatically) and fast. Finding good values for a and b is hard, however. As a most trivial example, when using a = 2 and b = 0, you can see that the resulting values can never be odd. This limits the range of values the generator can yield quite severely. Generally, LCGs are a very old concept and long supplanted by much better generators, so don't use them, except in extremely limited environments (although even embedded systems can handle better generators without problem, usually) – MT19937 or its generalization, the WELL generators are usually much better for people who simply don't want to worry about the properties of their pseudo-random numbers.
PRNG 的主要应用之一是模拟。由于 PRNG 可以给出统计特性的估计或保证and由于种子的性质，他们在这里做得很好，因此可以准确地重复实验。想象一下您正在发表一篇论文并希望其他人复制您的结果。使用硬件 RNG（见下文），除了包含您使用的每个随机数之外，您别无选择。对于可以轻松使用数十亿或更多数字的蒙特卡洛模拟来说，这是......不太可行。
然后还有用于加密应用的随机数生成器，例如用于保护您的 SSL 连接。这里的例子是Windows'CryptGen随机或 Unix 的/dev/urandom。那些往往是alsoPRNG，但是他们使用所谓的“熵池”进行播种，其中包含不可预测的值。这里的要点是生成不可预测的序列，即使相同的种子仍然会产生相同的序列。为了最大限度地减少攻击者猜测序列的影响，他们需要定期重新播种。熵池是从系统中的各个点收集的：事件，例如输入、网络活动等。有时，它也会使用整个系统中假定包含垃圾的内存位置进行初始化。然而，如果这样做了，必须注意确保熵池确实包含不可预测的东西。几年前 Debian 在 OpenSSL 中犯了一些错误。
您还可以直接使用熵池来获取随机数，（即 Linux/dev/random; FreeBSD 使用相同的算法/dev/random as for /dev/urandom），但你不会从中得到太多，一旦空了，就需要一段时间才能补充。这就是为什么上述算法通常用于将很小的熵扩展到更大的体积。
然后是基于硬件的随机数生成器，它使用不可预测的自然过程，例如电线中的放射性衰变或电噪声。这些适用于要求最严格的应用程序，需要许多“真正的”随机数，并且通常能够每秒生成几百 MiB 的随机性（好吧，该数据点已经有几年了，但我怀疑它能做多少现在更快了）。
您可以通过编写一个程序来模拟此类事情，该程序从带镜头盖的网络摄像头（然后仅保留噪音）获取图像，或者在不存在实际输入时从音频输入获取图像。这些对于一些黑客攻击来说很好，但通常不会生成good随机数，因为它们是有偏差的，即在比特流中，零和一不以相同的频率表示（或者更进一步，序列00, 01, 10 and 11不是以相同的频率生成的......您也可以对较大的序列执行此操作）。因此，实际硬件 RNG 的一部分是确保结果值满足某些统计分布属性。
有些人实际上扔骰子以获得随机骰子甚至超速行驶。而人类制造非常糟糕的随机数生成器.
