1、信任的起点：为什么我们需要随机数？—— 课程介绍与破冰活动
大家好，欢迎来到《随机数挑战与信任建立》的第一章。
先问大家一个问题：你相信计算机能产生真正的随机数吗？
我当年刚入行时，觉得这问题特简单。计算机嘛，算得那么快，随机数还不是手到擒来？直到有一次，我在做一个抽奖系统——就是那种大屏幕上滚动名字的玩意儿。测试时一切正常，结果上线第一天，连续三次抽中同一个人。场面一度非常尴尬。
从那以后，我花了整整两周去研究随机数。嗯，今天就把这些经验分享给你。
1.1 什么是随机数？—— 别被名字骗了
随机数，说白了就是「不可预测的数」。你猜不到下一个是什么，这就是随机。
但计算机里的随机数，大部分都是「伪随机」。什么意思？
- 真随机数：来自物理过程，比如放射性衰变、热噪声。完全不可预测。
- 伪随机数：用算法算出来的。只要知道种子，就能复现整个序列。
核心认知：我们日常用的 rand()、Math.random()、Random.nextInt()，全是伪随机。它们不是真正的随机，只是看起来像随机。
你可能会问：那为什么还要用？
因为真随机数生成太慢了，而且需要专门的硬件。伪随机数速度快、可复现，适合绝大多数场景。但问题来了——
什么时候必须用真随机？
- 生成加密密钥
- 彩票开奖
- 安全令牌
- 科学实验的随机分组
这些场景里，如果用了伪随机，后果很严重。我见过一个金融项目，因为随机种子没处理好，导致交易订单的「随机」延迟变成了可预测的规律……嗯，那哥们后来转行了。
1.2 为什么我们需要随机数？—— 三个核心场景
随机数不是玩具，它是现代软件的基石。我把它归纳为三大类：
| 场景 | 典型应用 | 随机数的角色 |
|---|---|---|
| 安全与加密 | SSL/TLS、Token、密码盐值 | 生成不可预测的密钥 |
| 模拟与游戏 | 蒙特卡洛模拟、抽卡、掉落率 | 模拟真实世界的概率 |
| 算法与测试 | 随机化快排、模糊测试、负载均衡 | 避免最坏情况、覆盖更多路径 |
举个例子。你在写一个负载均衡器，要把请求分给 10 台服务器。如果不用随机，而是轮询——那万一某台机器挂了，所有请求都会涌向下一台，瞬间打爆。用随机数做「一致性哈希」就能避免这个问题。
我个人习惯在写测试用例时，故意用随机数去「撞」边界条件。很多隐蔽的 bug 就是这么发现的。
1.3 伪随机 vs 真随机：一张图看懂
下面这张图，是我自己画的知识框架。它帮你理清随机数的整个体系：
你看，伪随机和真随机各有各的用武之地。关键是要知道：你的场景需要哪种随机性。
1.4 破冰活动：你能骗过随机数吗？
光说不练假把式。我们来做个互动实验。
活动规则：
- 在脑子里想一个 1 到 100 之间的整数
- 不要选 50，太明显了
- 现在，用你最快的速度写下来（或者记在手机备忘录里）
- 然后，用 Python 跑一下这段代码：
import random
# 生成一个真正的随机数（伪随机但足够好）
print(random.randint(1, 100))
对比一下：你选的数字和计算机选的数字，哪个更「随机」？
我做过这个实验上百次。结果很有意思：
- 大多数人会选 37、73、42 这类「看起来随机」的数字
- 很少有人选 1、100、50
- 连续选两次完全不同数字的概率极低
这说明什么？人类的大脑天生不擅长生成随机数。我们总是不自觉地加入模式——而模式，恰恰是随机性的天敌。
避坑指南：我曾经在一个安全项目中，看到有人用手工输入的「随机数」做加密盐值。结果呢？盐值全是 3 的倍数。因为那个开发觉得「3 的倍数看起来更随机」。嗯……攻击者只用 33 次尝试就猜到了盐值规律。记住：人脑生成的随机数，永远不要用于安全场景。
1.5 本章小结：信任从理解开始
今天我们聊了三件事：
- 随机数分两种：伪随机和真随机
- 不同场景对随机性的要求不同
- 人类自己其实不太会「随机」
你可能会觉得，这些概念有点基础。但相信我，后面几章我们会一步步深入：从算法实现到安全攻击，从概率分布到信任模型。每一步都会让你对「随机」这两个字有全新的认识。
记住一句话：信任随机数，不是因为它真的随机，而是因为你理解它为什么不随机。