在许多领域，比如模拟、游戏和密码学中，随机数担任非常重要的角色。
然而，在计算机领域，随机数并非完全随机，它们是由模拟随机性的算法（称为伪随机性）生成的。
在Java中，随机种子就是初始化伪随机数生成器（PRNG，Pseudo Random Number Generator）的值。
我们一起探讨下，Java中随机种子的工作原理，以及如何使用它生成可预测的数字序列。
一、什么是随机种子？
随机种子是设置PRNG（伪随机数生成器）内部状态的初始值。
默认情况下，如果我们指定种子值，Java的Random类会使用系统时钟作为种子值。这样做的好处是，确保了每次创建新的Random对象时，生成的数字序列都是不同的，增加了随机性。
如果我们提供特定的种子值，每次都会生成相同的“随机”数字序列。这在我们需要可重复性的情况下非常有用，比如测试、调试或需要结果一致性的模拟场景。
有了种子值之后，PRNG算法会基于种子值生成一系列数字。
每次我们调用nextInt()、nextDouble()或类似方法时，它都会更新生成器的内部状态，从而保证每次生成一个新数字。但是，如果使用相同的种子，生成的数字序列将始终相同。
接下来我们看下这两种情况。
二、不使用种子生成随机数
Java提供了java.util.Random类，用于生成随机数。
当我们创建一个Random实例而不指定种子时，Java会使用系统时钟为生成器设定种子。这意味着每次运行都会产生不同的序列。例如：
import java.util.Random;
public class RandomWithoutSeed {
public static void main(String[] args) {
Random random = new Random();
// 生成7个随机整数
for (int i = 0; i < 7; i++) {
System.out.format("%d \t", random.nextInt(100)); // 0到99之间的随机整数
}
System.out.println();
Random random2 = new Random();
for (int i = 0; i < 7; i++) {
System.out.format("%d \t", random2.nextInt(100)); // 0到99之间的随机整数
}
System.out.println();
Random random3 = new Random();
for (int i = 0; i < 7; i++) {
System.out.format("%d \t", random3.nextInt(100)); // 0到99之间的随机整数
}
}
}在这个例子中，每次运行都会生成不同的随机整数序列，因为种子是根据当前时间自动设置的。
第一次运行结果是：
76 9 11 77 67 91 91
76 44 28 5 91 59 30
41 18 72 14 6 4 63在运行一次：
33 65 97 31 94 19 1
97 2 40 58 9 33 57
46 82 21 94 54 36 79可以看出来，结果基本上符合随机性。（上面的结果只是展示下随机效果，每次运行都会有差异）
三、使用种子生成随机数
当我们提供特定的种子时，生成的数字序列在不同的运行中是可预测且一致的。
import java.util.Random;
public class RandomWithSeed {
public static void main(String[] args) {
Random random = new Random(12345L); // 种子设置为12345
// 生成7个随机整数
for (int i = 0; i < 7; i++) {
System.out.format("%d \t", random.nextInt(100)); // 0到99之间的随机整数
}
System.out.println();
Random random2 = new Random(12345L); // 种子设置为12345
for (int i = 0; i < 7; i++) {
System.out.format("%d \t", random2.nextInt(100)); // 0到99之间的随机整数
}
System.out.println();
Random random3 = new Random(12345L); // 种子设置为12345
for (int i = 0; i < 7; i++) {
System.out.format("%d \t", random3.nextInt(100)); // 0到99之间的随机整数
}
}
}在这里，Random类的构造函数接受一个种子值作为参数，在这个例子中，种子被设置为12345L（一个特定的长整型值）。
这个种子初始化伪随机数生成器（PRNG），重要的是，它确保如果程序使用相同的种子运行，将始终生成相同的数字序列。
第一次运行结果是：
51 80 41 28 55 84 75
51 80 41 28 55 84 75
51 80 41 28 55 84 75再来一次还是这样：
51 80 41 28 55 84 75
51 80 41 28 55 84 75
51 80 41 28 55 84 75所以说，“随机”是可以操纵的。
四、使用SecureRandom
在密码学应用中，使用可预测的随机数可能会导致安全漏洞。
Java提供了SecureRandom类用于生成密码学安全的随机数。
看名字就知道，SecureRandom安全等级高一些。
import java.security.SecureRandom;
public class SecureRandomExample {
public static void main(String[] args) throws Exception {
SecureRandom random = new SecureRandom(new byte[] {1, 2, 3, 4, 5});
// 生成7个随机整数
for (int i = 0; i < 7; i++) {
System.out.format("%d \t", random.nextInt(100)); // 0到99之间的随机整数
}
System.out.println();
SecureRandom random2 = new SecureRandom(new byte[] {1, 2, 3, 4, 5});
// 生成7个随机整数
for (int i = 0; i < 7; i++) {
System.out.format("%d \t", random2.nextInt(100)); // 0到99之间的随机整数
}
System.out.println();
SecureRandom random3 = new SecureRandom(new byte[] {1, 2, 3, 4, 5});
// 生成7个随机整数
for (int i = 0; i < 7; i++) {
System.out.format("%d \t", random3.nextInt(100)); // 0到99之间的随机整数
}
}
}上面的例子中，我们传入相同的种子，运行结果也是随机的。
第一次运行：
78 68 56 24 73 13 88
24 14 20 69 25 4 61
25 8 32 39 25 16 87第二次运行：
4 35 46 26 48 92 66
83 92 28 64 13 75 44
60 79 81 52 7 66 11结果也是足够随机的。（上面的结果只是展示下随机效果，每次运行都会有差异）
SecureRandom使用高熵值的源来初始化其内部状态。熵是对不确定性或随机性的度量，高熵源意味着具有更多的随机性。常见的熵源包括：
- 操作系统提供的随机数据：许多操作系统都有内置的随机数生成器，它们从硬件设备（如鼠标移动、键盘敲击时间间隔、磁盘 I/O 操作等）收集随机事件产生的数据，这些数据具有较高的随机性，SecureRandom可以从中获取种子或随机数据来初始化自身。
- 硬件随机数生成器：某些计算机系统配备了专门的硬件设备来生成真正的随机数，例如基于热噪声、放射性衰变等物理现象的硬件随机数生成器。这些硬件设备能够产生高质量的随机数，SecureRandom可以直接使用或结合这些硬件生成的随机数来增强随机性。
SecureRandom会维护一个内部状态，该状态在每次生成随机数时都会更新。新生成的随机数不仅取决于当前的熵源数据，还与之前的内部状态有关。这种状态更新机制使得生成的随机数序列更加难以预测，即使攻击者获取了部分随机数，也难以推断出后续的随机数。
与普通的Random类不同，SecureRandom对种子的管理更为严格。它可以自动从可靠的熵源获取种子，以确保每次初始化时都有足够的随机性。
虽然允许用户提供种子，但通常建议让系统自动管理种子，以充分利用高质量的熵源。
需要注意的是，假设在一个非常空闲的机器上，SecureRandom使用高熵值可能会使服务卡死，机器没有足够的随机信息，SecureRandom无法生成种子，就难以运行了。
