1. 量子随机数发生器系统工程导论

量子随机数发生器（Quantum Random Number Generator，QRNG）利用量子力学内禀随机性产生不可预测的随机比特，是密码系统、安全仿真、科学计算与博彩公平性等场景中的关键基础部件。本课程关注的不是“某个量子随机数方案是否成立”，而是把量子物理过程变成可交付、可运维、可认证的随机数系统：从物理熵源到数字比特流，从接口到健康检测，从实验室样机到工程产品。学完本课程，你应能读懂QRNG系统的组成与信号链，能围绕熵源、探测、采样、后处理、接口与监控做出工程取舍，并能用可观测指标判断系统是否处于可信工作状态。

一、QRNG系统的基本组成

一个典型QRNG系统可以按“物理熵源—模拟前端—数字化与提取—后处理—接口与监控”五段来理解。物理熵源提供量子不确定性，例如光子到达时间、相位噪声、真空散粒噪声、单光子路径选择等；模拟前端把微弱量子信号放大、滤波、整形，并尽量抑制经典噪声；数字化与提取把模拟量转成原始比特，并估计每个样本携带的熵；后处理把有偏、相关的原始序列压缩为接近均匀且独立的输出；接口与监控负责输出、健康检测、告警与审计。

需要特别强调：QRNG的“随机性”不是靠算法保证，而是靠物理过程保证；但工程上必须用后处理和在线检测来保证输出质量。原始比特流通常存在偏置、死时间、探测器后脉冲、时钟抖动等非理想因素，因此不能直接作为密钥使用。一个可交付的QRNG系统，至少应明确以下对象与参数：熵源类型、探测方式、采样率、原始比特率、最小熵估计值、后处理算法、输出速率、接口形式、健康检测项与告警阈值。

二、工程化挑战：从“有随机”到“可信随机”

QRNG工程化的第一类挑战是经典噪声与量子噪声的分离。探测器暗计数、电磁干扰、电源纹波、温度漂移都会混入原始信号。工程上通常通过屏蔽、差分探测、带通滤波、时间门控和参考通道来抑制经典成分，并用“量子噪声主导”的工作区间来保证熵源可信。第二类挑战是熵估计与后处理。原始样本往往有偏，不能直接当密钥；需要在线估计最小熵，再选择提取器或哈希函数进行压缩。压缩比过小会浪费速率，过大则可能掩盖熵源退化。第三类挑战是实时性与接口。高速QRNG要在FPGA或专用芯片中完成采样、估计、后处理和输出，延迟、吞吐和缓存深度都要与上层密码系统匹配。第四类挑战是认证与可审计。系统需要记录熵源状态、检测结果、后处理配置和告警事件，以便在出现异常时回溯。

三、典型应用场景与工程取舍

QRNG最常见的应用是密钥生成：为对称加密、身份认证、量子密钥分发（QKD）提供真随机密钥种子。此时系统更关注输出速率、接口兼容性和长期稳定性。第二个场景是安全仿真与测试：为蒙特卡洛仿真、协议模糊测试提供不可预测输入，关注可复现的审计记录和批量输出能力。第三个场景是抽奖、博彩与公平性审计：需要可验证的随机源、时间戳和事件日志。第四个场景是科学计算与数值模拟：关注高吞吐和低延迟，允许一定程度的离线后处理。不同场景对速率、延迟、认证等级和成本的权重不同，工程取舍也应不同。

以一个教学示例说明：假设某QRNG样机原始样本率为100 Mbps，在线估计最小熵为0.85 bit/样本，采用2:1压缩的后处理，则理论输出上限约为42.5 Mbps；若接口和协议开销占10%，实际可用输出约38 Mbps。若温度升高导致探测器死时间增加，最小熵降到0.70 bit/样本，则同样压缩比下输出质量下降，系统应触发告警并降低输出速率或切换备用熵源。这个例子说明：QRNG系统工程的核心不是追求单一指标，而是在熵源、后处理、接口和监控之间建立可验证的平衡。

本课程后续将围绕熵源建模、模拟前端设计、数字化与熵估计、后处理算法、接口与驱动、健康检测与认证、系统集成与测试等主题展开。每一章都会尽量给出可操作的参数、判断依据和工程示例，帮助你把量子随机数从原理变成可交付的系统。