Python: random.random()的种子在哪里？

Question

Python: random.random()的种子在哪里？

8

假设我有一些 Python 代码：

import random
r=random.random()

在通常情况下，r的值从哪里得到？
如果我的操作系统没有随机数，它将从哪里种子？
为什么不建议在加密中使用此种方法？有办法知道随机数是多少吗？

- Academiphile

你可以在这里找到类似的问题：https://dev59.com/cWkv5IYBdhLWcg3wzj41 - Marcin

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- BorrajaX · Accepted Answer

请跟随代码。

要查看在你的系统中“random”模块的位置，你可以在终端中执行以下命令：

>>> import random
>>> random.__file__
'/usr/lib/python2.7/random.pyc'

那将为您提供到“编译”文件.pyc的路径，通常与可读代码的原始.py文件并排放置。

让我们看看在/usr/lib/python2.7/random.py中发生了什么：

您会注意到它创建了一个Random类的实例，然后（在文件底部）将该实例的方法“提升”为模块函数。很棒的技巧。当随机模块在任何地方被导入时，都会创建该Random类的新实例，然后初始化其值并将方法重新分配为模块的函数，使其在每次导入（嗯...或每个Python解释器实例）时变得相当随机。

_inst = Random()
seed = _inst.seed
random = _inst.random
uniform = _inst.uniform
triangular = _inst.triangular
randint = _inst.randint

这个Random类在其__init__方法中唯一做的事情就是对其进行种子处理：

class Random(_random.Random):
    ...
    def __init__(self, x=None):
        self.seed(x)    
...
_inst = Random()
seed = _inst.seed

所以... 如果 x 是 None（没有指定种子），会发生什么？好吧，让我们来检查一下 self.seed 方法：

def seed(self, a=None):
    """Initialize internal state from hashable object.

    None or no argument seeds from current time or from an operating
    system specific randomness source if available.

    If a is not None or an int or long, hash(a) is used instead.
    """

    if a is None:
        try:
            a = long(_hexlify(_urandom(16)), 16)
        except NotImplementedError:
            import time
            a = long(time.time() * 256) # use fractional seconds

    super(Random, self).seed(a)
    self.gauss_next = None

评论已经说明了正在发生的事情... 这种方法尝试使用操作系统提供的默认随机生成器，如果没有，则将当前时间用作种子值。

但是，等等...那个_urandom(16)是什么东西？

嗯，答案在这个random.py文件的开头:

from os import urandom as _urandom
from binascii import hexlify as _hexlify

塔达......种子是一个16字节的数字，来自os.urandom

假设我们在一个文明的操作系统中，比如Linux（有一个真正的随机数生成器）。 random模块使用的种子与以下操作相同：

>>> long(binascii.hexlify(os.urandom(16)), 16)
46313715670266209791161509840588935391L

指定种子值被认为不是很好的原因是因为random函数并不真正“随机”... 它们只是一系列非常奇怪的数字。但是，给定相同的种子，该序列将是相同的。您可以自己尝试：

>>> import random
>>> random.seed(1)
>>> random.randint(0,100)
13
>>> random.randint(0,100)
85
>>> random.randint(0,100)
77

无论何时、如何或甚至在哪里运行该代码（只要用于生成随机数的算法保持不变），如果您的种子是1，则始终会得到整数13、85、77...这有些违背了目的（有关伪随机数生成，请参见this）。另一方面，有use cases情况下，这实际上可能是一个理想的特性。

因此，被认为“更好”的是依赖于操作系统的随机数生成器。这些通常基于硬件中断计算，这些中断非常随机（它包括硬盘读取的interruptions、人类用户键入的按键、移动鼠标等...）。在Linux中，该操作系统生成器是/dev/random。或者，稍微挑剔一点，/dev/urandom（这就是Python的os.urandom实际上内部使用的内容）。区别在于（如前所述），/dev/random使用硬件中断来生成随机序列。如果没有中断，/dev/random可能会用尽，您可能需要等待一小段时间才能获得下一个随机数。/dev/urandom在内部使用/dev/random，但它保证始终为您准备好随机数字。

如果你使用的是Linux系统，只需要在终端输入cat /dev/random命令（准备好按下Ctrl+C因为它会输出非常随机的内容）。

borrajax@borrajax:/tmp$ cat /dev/random
_+�_�?zta����K�����q�ߤk��/���qSlV��{�Gzk`���#p$�*C�F"�B9��o~,�QH���ɭ�f�޺�̬po�2o�(=��t�0�p|m�e
���-�5�߁ٵ�ED�l�Qt�/��,uD�w&m���ѩ/��;��5Ce�+�M����
~ �4D��XN��?ס�d��$7Ā�kte▒s��ȿ7_���-     �d|����cY-�j>�
                    �b}#�W<դ���8���{�1»
.       75���c4$3z���/̾�(�(���`���k�fC_^C

Python使用操作系统的随机生成器或时间作为种子。这意味着我能想象到Python的random模块可能存在潜在弱点的唯一场景是：

在没有实际随机数生成器的操作系统中，且
在设备上，time.time始终报告相同的时间（基本上是有损坏的时钟）

如果您关心random模块的实际随机性，可以直接使用os.urandom或pycrypto加密库中的随机数生成器。那些可能更加随机。我说“更加随机”是因为...

_{图片灵感来自于这个SO答案}