Генератор псевдослучайных чисел

У этого термина существуют и другие значения, см. (Генератор случайных чисел).

Генератор псевдослучайных чисел (ГПСЧ, англ. pseudorandom number generator, PRNG) — алгоритм, порождающий последовательность чисел, элементы которой почти независимы друг от друга и подчиняются заданному распределению (обычно (дискретному равномерному)).

Современная информатика широко использует псевдослучайные числа в самых разных приложениях — от метода Монте-Карло и имитационного моделирования до криптографии. При этом от качества используемых ГПСЧ напрямую зависит качество получаемых результатов. Это обстоятельство подчёркивает известный афоризм математика (ORNL) ^[англ.]: «генерация случайных чисел слишком важна, чтобы оставлять её на волю случая».

Источники случайных чисел

Источники настоящих случайных чисел найти крайне трудно. Физические шумы, такие, как детекторы событий ионизирующей (радиации), (дробовой шум) в резисторе или (космическое излучение), могут быть такими источниками. Однако применяются такие устройства в приложениях сетевой безопасности редко. Сложности также вызывают грубые атаки на подобные устройства.

У физических источников случайных чисел существует ряд недостатков:

• Время и трудозатраты при установке и настройке по сравнению с программными ГПСЧ;
• Дороговизна;
• Генерация случайных чисел происходит медленнее, чем при программной реализации ГПСЧ;
• Невозможность воспроизведения ранее сгенерированной последовательности случайных чисел.

В то же время случайные числа, получаемые из физического источника, могут использоваться в качестве порождающего элемента (англ. seed) для программных ГПСЧ. Такие комбинированные генераторы применяются в криптографии, лотереях, игровых автоматах.

Качественные требования, предъявляемые к ГПСЧ

• Достаточно длинный период, гарантирующий отсутствие зацикливания последовательности в пределах решаемой задачи. Длина периода должна быть математически доказана;
• Эффективность — быстрота работы алгоритма и малые затраты памяти;
• Воспроизводимость — возможность заново воспроизвести ранее сгенерированную последовательность чисел любое количество раз;
• Портируемость — одинаковое функционирование на различном оборудовании и операционных системах;
• Быстрота получения ${\displaystyle X_{n+i}}$ элемента последовательности чисел, при задании ${\displaystyle X_{n}}$элемента, для ${\displaystyle i}$ любой величины; это позволяет разделять последовательность на несколько потоков (последовательностей чисел).

Ранние подходы к формированию ПСЧ

Джон фон Нейман считал неприемлемым использование физических генераторов случайных чисел в вычислительной технике, так как при возникновении необходимости проверки вычислений повтор предыдущих действий требовал бы воспроизведение случайного числа, в то время как генерация нового случайного числа недопустима. Предварительная запись и хранение сгенерированных случайных чисел предполагало бы возможность их считывания. Механизм считывания данных являлся одним из самых слабых звеньев вычислительных машин 1940-х годов. Джон фон Нейман привёл следующий (метод середины квадрата) получения десятизначных псевдослучайных чисел:

Десятизначное число возводится в квадрат, затем из середины квадрата числа берётся десятизначное число, которое снова возводится в квадрат, и так далее.

Например, для 4-значных чисел, начиная с 1234, получаем ${\displaystyle 1234^{2}=1522756}$, где берём средние 4 цифры ${\displaystyle 01{\overline {5227}}56}$ (дописав ноль в начале, если это необходимо). Затем возводим полученное число в квадрат ${\displaystyle 5227^{2}=27{\overline {3215}}29}$, и так далее. Недостатком данного метода является ограниченность множества ПСЧ из-за того, что последовательность зацикливается — ${\displaystyle 5000^{2}=25{\overline {0000}}00,0^{2}=0,\dots }$.

В 1951 году Д. Г. Лемер предложил (линейный конгруэнтный метод), суть которого заключается в задании последовательности целых чисел рекурсивной формулой ${\displaystyle X_{n+1}=(aX_{n}+c)~{\bmod {~}}m,}$ где ${\displaystyle a,\ m,\ c}$ — целые и удовлетворяют следующим условиям: ${\displaystyle 1<m,\ \ 0<a<m,\ \ 0<c<m,\ \ X_{0}<m}$. Недостатком данного метода является зависимость ${\displaystyle X_{n},\ n>0}$ от ${\displaystyle X_{0}}$, так как ${\displaystyle X_{n}=\left(a^{n}X_{0}+{\frac {c(a^{n}-1)}{(a-1)}}\right)~{\bmod {~}}m}$, а также то, что ПСЧ зацикливается.

Детерминированные ГПСЧ

Алгоритм

Большинство детерминированных ГПСЧ соответствуют структуре, предложенной П. Лекуером [1] в 1994 году: ${\displaystyle ({\mathcal {S}},\mu ,f,{\mathcal {U}},g)}$, где ${\displaystyle {\mathcal {S}}}$ — это конечный набор состояний, ${\displaystyle \mu }$ — вероятностное распределение в пространстве состояний ${\displaystyle {\mathcal {S}}}$, используемое для выбора начального состояния ${\displaystyle {\mathcal {s_{0}}}}$(англ. seed), ${\displaystyle f:{\mathcal {S}}\rightarrow {\mathcal {S}}}$ — функция перехода, ${\displaystyle {\mathcal {U}}}$ — пространство выходных значений, ${\displaystyle g:{\mathcal {S}}\rightarrow {\mathcal {U}}}$. Обычно ${\displaystyle {\mathcal {U}}=(0,1)}$, а состояние генератора задается рекуррентной формулой ${\displaystyle s_{i}=f\ (s_{i-1})}$ для ${\displaystyle i\geq 1}$. Выходное значение генератора ${\displaystyle u_{i}=g\ (s_{i})\in {\mathcal {U}}}$; ${\displaystyle u_{0},\ u_{1},\ u_{2}\ ...}$ — последовательность псевдослучайных чисел. Так как ${\displaystyle {\mathcal {S}}}$ конечно, то должны существовать некоторые конечные ${\displaystyle l\geq 0}$ и ${\displaystyle j>0}$ такие, что ${\displaystyle s_{l+j}=s_{l}}$. Значит, для всех ${\displaystyle i\geq l}$ будут выполняться условия ${\displaystyle s_{i+j}=s_{i}}$ и ${\displaystyle u_{i+j}=u_{i}}$, потому что функции ${\displaystyle f}$ и ${\displaystyle g}$ детерминированные. Таким образом, получается, что последовательность периодическая. Периодом ГПСЧ называется минимальное положительное ${\displaystyle j}$.

Наиболее распространены (линейный конгруэнтный метод), (метод Фибоначчи с запаздываниями), (регистр сдвига с линейной обратной связью), регистр сдвига с обобщённой обратной связью.

Из современных ГПСЧ широкое распространение также получил «(вихрь Мерсенна)», предложенный в 1997 году Мацумото и Нисимурой. Его достоинствами являются колоссальный период (2¹⁹⁹³⁷−1), равномерное распределение в 623 измерениях (линейный конгруэнтный метод даёт более или менее равномерное распределение максимум в 5 измерениях), быстрая генерация случайных чисел (в 2-3 раза быстрее, чем стандартные ГПСЧ, использующие линейный конгруэнтный метод). Однако существуют алгоритмы, распознающие последовательность, порождаемую вихрем Мерсенна, как неслучайную.

Генератор псевдослучайных чисел включён в состав многих современных процессоров, например, (RdRand) входит в набор инструкций IA-32.

Разновидностью ГПСЧ являются ГПСБ (PRBG) — генераторы псевдо-случайных бит, а также различных (поточных шифров).

Список генераторов псевдослучайных чисел

Ниже приведен список генераторов, которые исторически отметились в области изучения процесса генерации псевдослучайных чисел, либо благодаря своей исторической значимости, либо благодаря тому, что были инновационной моделью для своих эпох. Более того, несмотря на то, что это ГПСЧ, некоторые из них могут быть применимы в области криптографии.

Алгоритм	Авторы		Ссылки	Описание
Middle-square / (Метод середины квадрата)	Джон Фон Нейман	1946		ГПСЧ, который считается низкокачественным, но имеет большое историческое значение, поскольку является одним из первых алгоритмов.
Lehmer генератор / (Линейный конгруэнтный метод)	D. H. Lehmer	1951		Также известен как метод мультипликативных линейных конгруэнций и имеет большое влияние в этой области исследований. Он также известен как линейный конгруэнтный метод, основа которого со временем усовершенствовалась.
(Генератор Фибоначчи с запаздыванием)	G. J. Mitchell; D. P. Moore	1958		Очень влиятельный алгоритм в области изучения процессов генерации случайных чисел, вдохновивший других последующих великих авторов, таких как G. Marsaglia создатель теста на качество случайных чисел под названием "Diehard", например.
(Регистр сдвига с линейной обратной связью) (LFSR) / Генератор Tausworthe	R. C. Tausworthe	1965		Генератор, конструкция которого повлияла на многие другие последующие ГПСЧ. Поэтому очень исторически важен. Также известен как генератор Таusworthe.
Wichmann & Hill генератор	B. A. Wichmann; D. I. Hill	1982		Комбинация из трех небольших LCG, подходящих для 16-битных процессоров. Широко используется во многих программах, например, он использовался в Excel 2003 и некоторых более поздних версиях для функции RAND в Excel и был генератором по умолчанию в языке Python до версии 2.2.
Rule 30	(Вольфрам, Стивен)	1983		Генератор на основе клеточных автоматов.
Генератор Blum-Blum-Shub / (Алгоритм Блюм — Блюма — Шуба)	Блюм, Мануэль; L. Blum; M. Shub	1986		Считается одним из самых безопасных генераторов с криптографической точки зрения, в основном благодаря внедрению в его формулу исследований и концепций, взятых из теории чисел.  За этот алгоритм Блюм, Мануэль был удостоен премии Алана Тьюринга 1995 года.
Park-Miller генератор	S. K. Park; K. W. Miller	1988		Конкретная реализация генератора Лемера, широко используемая, поскольку она включена в C++ в виде функции minstd_rand0, начиная с C++11.
ACORN	R. S. Wikramaratna	1989		Его название происходит от английского акронима ACORN, который расшифровывается как ″Аддитивное конгруэнтное случайное число″.
MIXMAX	G. K. Savvidy; N. G. Ter-Arutyunyan-Savvidy	1991		Это генератор, принадлежащий к классу матричных конгруэнтных линейных генераторов, обобщение метода линейных конгруэнций. Логика семейства генераторов MIXMAX основана на результатах эргодической теории и классической механики.
Add-with-carry	G. Marsaglia	1991		Модификация генераторов Фибоначчи с запаздыванием.
Subtract-with-borrow	G. Marsaglia; A. Zaman	1991		Алгоритм, полученный на основе генераторов Фибоначчи с запаздыванием.
(ISAAC)	R. J. Jenkins Jr.	1993		Генератор криптографически защищенных криптографических данных (CSPRNG), разработанный Робертом Дж. Дженкинсом.
(Вихрь Мерсенна) (Mersenne Twister, MT	M. Matsumoto; T. Nishimura	1996		Это, вероятно, самый известный генератор в этом списке, в основном потому, что это алгоритм, реализованный в функции RAND языков программирования Python и R, в дополнение к его сильному присутствию в электронных играх, таких как Pro Evolution Soccer (PES).
Xorshift	G. Marsaglia	2003		Это очень быстрый подтип генераторов LFSR. Марсалья также предложил в качестве улучшения генератор xorwow, в котором выход генератора xorshift суммируется с последовательностью Вейля. Генератор xorwow является генератором по умолчанию в библиотеке CURAND интерфейса прикладного программирования nVidia CUDA для графических процессоров.
(Алгоритм Fortuna)	Шнайер, Брюс; (Нильс Фергюсон)	2003		Алгоритм считается криптографически безопасным. CSPRNG, хорошо известный тем, что был внедрен в системы и продукты Apple.
Well equidistributed long-period linear (WELL)	F. Panneton; P. L'Ecuyer; M. Matsumoto	2006		Алгоритм, известный как дополнение к Mersenne Twister (MT), намеренно стремящийся скрыть его слабые стороны.
Усовершенствованная система рандомизации (ARS)	J. Salmon; M. Moraes; R. Dror; D. Shaw	2011		Упрощенная версия блочного шифра AES, обеспечивающая очень высокую производительность на системе, поддерживающей AES-NI.
Threefry	J. Salmon, M. Moraes, R. Dror and D. Shaw	2011		Упрощенная версия блочного шифра Threefish, подходящая для реализации на GPU.
	J. Salmon, M. Moraes, R. Dror and D. Shaw	2011		Упрощение и модификация блочного шифра Threefish с добавлением S-box.
Пермутированный конгруэнциальный генератор (PCG)	M. E. O'Neill	2014		Модель, полученная с помощью линейного конгруэнтного метода.
Генератор битов случайного цикла (RCB)	R. Cookman	2016		RCB описывается как генератор битовых шаблонов, созданный для преодоления некоторых недостатков (Вихрь Мерсенна) (MT) и ограничения короткого периода/длины бита генераторов сдвигов/модулей.
Middle Square Weyl Sequence RNG	B. Widynski	2017		Разновидность оригинального метода средних квадратов Джона фон Неймана.
Xoroshiro128+	D. Blackman; S. Vigna	2018		Модификация генератора Xorshift Г. Марсальи, одного из самых быстрых генераторов на современных 64-битных процессорах. Родственными генераторами являются xoroshiro128**, xoshiro256+ и xoshiro256***.
64-bit MELG (MELG-64)	S. Harase; T. Kimoto	2018		Реализация 64-битных линейных генераторов F2 с первичным периодом Мерсенна.
Squares RNG	B. Widynski	2020		Основанная на счетчике версия Middle Square Weyl Sequence RNG. По конструкции похож на Philox, но работает значительно быстрее.
Itamaracá (Ita)	D. H. Pereira	2021		Известен как первый алгоритм PRNG, основанный на функции абсолютного значения. Itamaracá также является простой и быстрой моделью, которая генерирует апериодические последовательности случайных чисел.

Одноразовый блокнот

Альтернативным решением является создание набора из большого количества случайных чисел и опубликование его в некотором словаре, называемом «(одноразовым блокнотом)». Тем не менее, и такие наборы обеспечивают очень ограниченный источник чисел по сравнению с тем количеством, которое требуется приложениям сетевой безопасности. Хотя данные наборы действительно обеспечивают статистическую случайность, они недостаточно безопасны, так как злоумышленник может получить копию словаря.

Недостатки ГПСЧ

Никакой детерминированный алгоритм не может генерировать полностью случайные числа, он может только аппроксимировать некоторые их свойства. Как сказал Джон фон Нейман, «всякий, кто питает слабость к арифметическим методам получения случайных чисел, грешен вне всяких сомнений».

Любой ГПСЧ с ограниченными ресурсами рано или поздно зацикливается — начинает повторять одну и ту же последовательность чисел. Длина циклов ГПСЧ зависит от самого генератора и составляет около ${\displaystyle 2^{\frac {n}{2}}}$, где ${\displaystyle n}$ — размер внутреннего состояния в битах, хотя линейные конгруэнтные и (РСЛОС)-генераторы обладают максимальными циклами порядка ${\displaystyle 2^{n}}$. Если порождаемая последовательность ГПСЧ сходится к слишком коротким циклам, то такой ГПСЧ становится предсказуемым и непригодным для практических приложений.

Большинство простых арифметических генераторов хотя и обладают большой скоростью, но страдают от многих серьёзных недостатков:

• Слишком короткий период/периоды.
• Последовательные значения не являются независимыми.
• Некоторые биты «менее случайны», чем другие.
• Неравномерное одномерное распределение.
• Обратимость.

В частности, алгоритм (RANDU), десятилетиями использовавшийся на мейнфреймах, оказался очень плохим, что вызвало сомнения в достоверности результатов многих исследований, использовавших этот алгоритм.

ГПСЧ с источником энтропии или ГСЧ

Наравне с существующей необходимостью генерировать легко воспроизводимые последовательности случайных чисел, также существует необходимость генерировать совершенно непредсказуемые или попросту абсолютно случайные числа. Такие генераторы называются генераторами случайных чисел (ГСЧ — англ. random number generator, RNG). Так как такие генераторы чаще всего применяются для генерации уникальных симметричных и асимметричных ключей для шифрования, они чаще всего строятся из комбинации криптостойкого ГПСЧ и внешнего источника энтропии (и именно такую комбинацию теперь и принято понимать под ГСЧ).

Почти все крупные производители микрочипов поставляют аппаратные ГСЧ с различными источниками энтропии, используя различные методы для их очистки от неизбежной предсказуемости. Однако на данный момент скорость сбора случайных чисел всеми существующими микрочипами (несколько тысяч бит в секунду) не соответствует быстродействию современных процессоров.

В современных исследованиях осуществляются попытки использования измерения физических свойств объектов (например, температуры) или даже квантовых флуктуаций вакуума в качестве источника энтропии для ГСЧ.

В персональных компьютерах авторы программных ГСЧ используют гораздо более быстрые источники энтропии, такие, как шум звуковой карты или (счётчик тактов процессора). Сбор энтропии являлся наиболее уязвимым местом ГСЧ. Эта проблема до сих пор полностью не разрешена во многих устройствах (например, смарт-картах), которые таким образом остаются уязвимыми. Многие ГСЧ используют традиционные испытанные, хотя и медленные, методы сбора энтропии вроде измерения реакции пользователя (движение мыши и т. п.), как, например, в (PGP) и Yarrow, или взаимодействия между потоками, как, например, в Java SecureRandom.

Пример простейшего ГСЧ с источником энтропии

Если в качестве источника энтропии использовать текущее время, то для получения целого числа от 0 до N достаточно вычислить (остаток от деления) текущего времени в миллисекундах на число N+1. Недостатком этого ГСЧ является то, что в течение одной миллисекунды он выдаёт одно и то же число.

Примеры ГСЧ и источников энтропии

	(Источник энтропии)	ГПСЧ	Достоинства	Недостатки
в UNIX/Linux	Счётчик тактов процессора, однако собирается только во время аппаратных прерываний	(РСЛОС), с хешированием выхода через SHA-1	Есть во всех Unix, надёжный источник энтропии	Очень долго «нагревается», может надолго «застревать», либо работает как ГПСЧ (/dev/urandom)
Yarrow от Брюса Шнайера	Традиционные методы	AES-256 и SHA-1 маленького внутреннего состояния	Гибкий криптостойкий дизайн	Медленный
Microsoft (CryptoAPI)	Текущее время, размер жёсткого диска, размер свободной памяти, номер процесса и NETBIOS-имя компьютера	(MD5)-хеш внутреннего состояния размером в 128 бит	Встроен в Windows, не «застревает»	Сильно зависит от используемого криптопровайдера (CSP).
Java SecureRandom	Взаимодействие между потоками	SHA-1-хеш внутреннего состояния (1024 бит)	Большое внутреннее состояние	Медленный сбор энтропии
(RdRand) от intel	Шумы токов	Построение ПСЧ на основе «случайного» битового считывания значений от токов	Очень быстр, не «застревает»	Оригинальная разработка, свойства приведены только по утверждению разработчиков.

ГПСЧ в криптографии

Основная статья: Криптографически стойкий генератор псевдослучайных чисел

Одним из критериев того, что ГПСЧ криптографически стойкий, является невозможность отличить выходные значения ГПСЧ от независимой равномерно распределенной на промежутке ${\displaystyle {\mathcal {U}}=(0,1)}$ случайной последовательности. Пусть существует семейство ГПСЧ ${\displaystyle {\xi _{k}=({\mathcal {S_{k}}},\mu _{k},f_{k},{\mathcal {U_{k}}},g_{k}),k=1,2,...}}$, где мощность множества ${\displaystyle {\mathcal {S_{k}}}}$ равно ${\displaystyle 2^{k}}$. Как было указано выше, ${\displaystyle {\mathcal {S}}}$ — это конечный набор состояний, ${\displaystyle \mu }$ — вероятностное распределение в пространстве состояний ${\displaystyle {\mathcal {S}}}$, используемое для выбора начального состояния ${\displaystyle {\mathcal {s_{0}}}}$(англ. seed), ${\displaystyle f:{\mathcal {S}}\rightarrow {\mathcal {S}}}$ — функция перехода, ${\displaystyle {\mathcal {U}}}$ — пространство выходных значений, ${\displaystyle g:{\mathcal {S}}\rightarrow {\mathcal {U}}}$. Обычно ${\displaystyle {\mathcal {U}}=(0,1)}$, а состояние генератора задается рекуррентной формулой ${\displaystyle s_{i}=f\ (s_{i-1})}$ для ${\displaystyle i\geq 1}$. Выходное значение генератора ${\displaystyle u_{i}=g\ (s_{i})\in {\mathcal {U}}}$; ${\displaystyle u_{0},\ u_{1},\ u_{2}\ ...}$ — последовательность псевдослучайных чисел. Предположим, что функции перехода ${\displaystyle f}$ и выхода ${\displaystyle g}$ могут быть вычислены за полиномиальное, степени ${\displaystyle k}$, время. Пусть ${\displaystyle {\mathcal {T}}}$ — класс статистических тестов, которые пытаются за полиномиальное, степени ${\displaystyle k}$, время отличить выходные значения ГПСЧ от независимой равномерно распределенной на промежутке ${\displaystyle {\mathcal {U}}=(0,1)}$ случайной последовательности. Семейство ГПСЧ ${\displaystyle \xi _{k}}$ называется хорошим с точки зрения полиномиального времени, если найдется ${\displaystyle \epsilon >0}$ такая, что для всех ${\displaystyle k}$ никакой из тестов ${\displaystyle {\mathcal {T}}}$ не может отличить выходные значения ГПСЧ от независимой равномерно распределенной на промежутке ${\displaystyle {\mathcal {U}}=(0,1)}$ случайной последовательности с вероятностью ${\displaystyle 1/2+e^{-k\epsilon }}$.

Криптографические приложения используют для генерации случайных чисел детерминированные алгоритмы, следовательно, генерируют последовательность чисел, которая теоретически не может быть статистически случайной. В то же время, если выбрать хороший алгоритм, полученная численная последовательность — псевдослучайных чисел — будет проходить большинство тестов на случайность. Одной из характеристик такой последовательности является большой период повторения.

Примерами известных криптостойких ГПСЧ являются (RC4), (ISAAC), (SEAL), SNOW, совсем медленный теоретический (алгоритм Блюм — Блюма — Шуба), а также счётчики с криптографическими хеш-функциями или криптостойкими блочными шифрами вместо функции вывода.

Также к криптографически стойким шифрам относятся генераторы с (несколькими регистрами сдвига), (генераторы с нелинейными) (преобразованиями), мажоритарные генераторы шифрования A5/x.

Примеры криптостойких ГПСЧ

Циклическое шифрование

Происходит шифрование случайных чисел генератора с помощью различных секретных ключей ${\displaystyle X_{i}}$, полученных на каждой стадии. Счётчик с большим периодом ${\displaystyle N}$ используется в качестве входа в шифрующее устройство. При использовании 56-битного ключа DES может использоваться счётчик с периодом ${\displaystyle 2^{56}}$.

1. В момент инициализации генерируется секретный ключ ${\displaystyle K}$ и константа ${\displaystyle C}$. ${\displaystyle K}$ должен быть случайным и используется только для данного генератора.
2. На каждой стадии происходит следующее:

${\displaystyle X_{i}=E_{K}(C)}$

${\displaystyle C=C+1}$

Псевдослучайная последовательность, полученная по данной схеме, имеет полный период: каждое выходное значение ${\displaystyle X_{0}}$, ${\displaystyle X_{1}}$, … ${\displaystyle X_{N-1}}$ основано на разных значениях счётчика, поэтому ${\displaystyle X_{0}\neq X_{1}\neq ...\neq X_{N-1}}$. Так как ключ ${\displaystyle K}$ является секретным, то любой секретный ключ ${\displaystyle X_{i}}$ не зависит от знания одного или более предыдущих секретных ключей. Для увеличения криптостойкости алгоритма необходимо на каждом шаге шифровать случайное число ${\displaystyle R_{i}}$ с ГСЧ — ${\displaystyle X_{i}=E_{K}(R_{i})}$.

• ${\displaystyle K}$ — ключ, используемый на каждой стадии.
• ${\displaystyle E_{K}}$ — функция шифрования ключом ${\displaystyle K}$.
• ${\displaystyle R_{i}}$ — случайное число с ГСЧ.

ANSI X9.17

ГПСЧ из стандарта ANSI X9.17 используется во многих приложениях финансовой безопасности и (PGP). В основе этого ГПСЧ лежит (тройной DES). Генератор ANSI X9.17 состоит из следующих частей:

1. В момент инициализации генерируется секретный ключ ${\displaystyle K}$. Он должен быть случайным и используется только для данного генератора.
2. На каждой стадии происходит следующее:

${\displaystyle T_{i}=E_{K}(D_{i})}$

${\displaystyle R_{i}=E_{K}(T_{i}\oplus V_{i})}$

${\displaystyle V_{i+1}=E_{K}(T_{i}\oplus R_{i})}$

• ${\displaystyle D_{i}}$ — значение даты и времени на начало ${\displaystyle i}$-ой стадии генерации.
• ${\displaystyle V_{i}}$ — начальное значение для ${\displaystyle i}$-ой стадии генерации.
• ${\displaystyle R_{i}}$ — псевдослучайное число, созданное на ${\displaystyle i}$-ой стадии генерации.
• ${\displaystyle K}$ — ключ, используемый на каждой стадии.
• ${\displaystyle E_{K}}$ — функция шифрования ключом ${\displaystyle K}$.

Входными случайными значениями являются ${\displaystyle D_{i}}$ и ${\displaystyle V_{i}}$. ${\displaystyle R_{i}}$ — выходное значение. Вычисление ${\displaystyle V_{i+1}}$ из ${\displaystyle R_{i}}$ без знания ${\displaystyle K}$ не является возможным за разумное время, и, следовательно, следующее псевдослучайное значение ${\displaystyle R_{i+1}}$, так как для получения ${\displaystyle V_{i+1}}$ дополнительно выполняются три операции шифрования.

Аппаратные ГПСЧ

Основная статья: (Аппаратный генератор случайных чисел)

Кроме устаревших, хорошо известных (РСЛОС-генераторов), широко применявшихся в качестве аппаратных ГПСЧ в XX веке, очень мало известно о современных аппаратных ГПСЧ, так как большинство из них разработано для военных целей или запатентованы и (держатся в секрете). Аппаратно реализуемые РСЛОС-генераторы и , были взломаны с помощью алгебраических атак.

В настоящее время известно о применении аппаратных ГПСЧ, реализуемых на основе маломощных шумов в электросхемах.

Применение ГПСЧ в лотереях

Генератор случайных номеров для (лотерей) — аппаратно-программный комплекс, применяющийся в розыгрышах, в которых необходимо угадывать комбинацию из определенного количества чисел. Любое из возможных чисел имеет одинаковую вероятность появления.

Попытки создать генератор случайных чисел относятся к 3500 году до н. э. и связаны с древнеегипетской настольной игрой (Сенет). В Сенете два игрока играют за две стороны. Ходы определяются с помощью 4 плоских палочек, что и может считаться генератором случайных чисел того времени. Бросают все четыре палочки сразу. Подсчёт очков происходит следующим образом: 1 палочка упала белой стороной вверх — 1 очко и дополнительный бросок; 2 — 2 очка; 3 — 3 очка, 4 — 4 и дополнительный бросок. Одна из сторон палочки чёрная и, если все четыре палочки падали чёрной стороной вверх — это максимальный результат — 5 очков и дополнительный бросок.

Известный генератор случайных чисел ERNIE применялся на протяжении многих лет для определения выигрышных номеров британской лотереи.

Основные требования к программному обеспечению и оборудованию, используемому для проведения розыгрышей в Российской Федерации, устанавливаются Федеральным законом от 11.11.2003 № 138-ФЗ «О лотереях»:

• Технические характеристики лотерейного оборудования должны обеспечивать случайность распределения выигрышей при розыгрыше призового фонда тиражных лотерей.
• Не должны использоваться процедуры, реализующие алгоритмы, которые позволяли бы предопределять результат розыгрыша призового фонда до начала такого розыгрыша.
• Лотерейное оборудование, используемое при проведении тиражной лотереи, должно обеспечивать защиту информации от утраты, хищения, искажения, несанкционированных действий по её уничтожению, модификации, копированию и иных подобных действий и несанкционированного доступа по сети передачи данных.

В российских государственных лотереях («Гослото „5 из 36“», «Гослото „6 из 36“», «Гослото „6 из 45“», «Гослото „7 из 49“», «Гослото „4 из 20“», «Спортлото „6 из 49“») для определения победителей используются самозаряжающиеся (лототроны). Трансляция розыгрышей ведется в прямом эфире.

В российских государственных лотереях («Рапидо», «Кено-Спортлото», «Топ-3», «12/24», «Всё по сто») для определения победителей используется генератор случайных чисел — аппаратно-программный комплекс, сертифицированный АНО «МИЦ» и отвечающий рекомендациям ФГУП ВНИИМС. Аппарат формирует непрерывный поток случайных шумов, которые преобразуются в числа. В заданный момент времени из потока выхватываются текущие значения, которые и являются выигрышной лотерейной комбинацией.

В 2015 году бывшему директору по безопасности US Multi-State Lottery Association после выигрыша в 16.5 млн долларов, имевшему доступ к программному обеспечению, используемому при розыгрышах лотерей, было предъявлено обвинение в использовании специальных алгоритмов, позволяющих определять выигрышную комбинацию лотереи в течение нескольких дней в году.

См. также

• (Случайное простое число)
• Регистр сдвига с обратной связью по переносу
• Тестирование псевдослучайных последовательностей
• (Тест на следующий бит)
• (Генератор Макларена — Марсальи)
• (РСЛОС)
• (Аппаратный генератор случайных чисел)
• Криптографически стойкий генератор псевдослучайных чисел
• (Источник энтропии)
• (Алгоритм Зиккурат)
• (Псевдослучайная функция Наора — Рейнгольда)
• (Экстрактор случайности)

Примечания

1. N.G. Bardis, A.P. Markovskyi, N. Doukas, N. V. Karadimas. True Random Number Generation Based on Environmental Noise Measurements for Military Applications // Proceedings of the 8th WSEAS International Conference on SIGNAL PROCESSING, ROBOTICS and AUTOMATION. — 2009. — С. 68—73. — . — ISSN 1790-5117. 30 августа 2017 года.
2. Random.org  (неопр.). Дата обращения: 19 ноября 2017. 24 февраля 2011 года.
3. L’Ecuyer, Pierre. Random Number Generation // Springer Handbooks of Computational Statistics : Глава. — 2007. — С. 93—137. — doi:10.1002/9780470172445.ch4. 1 декабря 2017 года.
4. Von Neumann, John. Various techniques used in connection with random digits // National Bureau of Standards Applied Mathematics Series. — 1951. — № 12. — С. 36—38. 6 ноября 2020 года.
5. Lehmer, D.H. Mathematical Methods in Large-Scale Computing Units // Ann, Comput Lab. Harvard Univ.. — 1951. — Vol. 26. — С. 141—146. (недоступная ссылка)
6. Intel Digital Random Number Generator (DRNG): Software Implementation Guide, Revision 1.1  (неопр.) (PDF). Intel Corporation (7 августа 2012). Дата обращения: 25 ноября 2012. Архивировано 18 мая 2013 года.
7. National Bureau of Standards. Annual report 1951 National Bureau of Standards.
8. J. H. Curtiss. A Symposium of Large Scale Digital Calculating Machinery // Mathematical Tables and Other Aids to Computation. — 1947-04. — Т. 2, вып. 18. — С. 229. — doi:10.2307/2002294. 11 мая 2022 года.
9. J. W. Wrench. Table errata: The art of computer programming, Vol. 2: Seminumerical algorithms (Addison-Wesley, Reading, Mass., 1969) by Donald E. Knuth (англ.) // Mathematics of Computation. — 1970. — Vol. 24, iss. 110. — P. 504. — ISSN 1088-6842 0025-5718, 1088-6842. — doi:10.1090/S0025-5718-1970-0400642-2.
10. Robert C. Tausworthe. Random numbers generated by linear recurrence modulo two (англ.) // Mathematics of Computation. — 1965. — Vol. 19, iss. 90. — P. 201–209. — ISSN 1088-6842 0025-5718, 1088-6842. — doi:10.1090/S0025-5718-1965-0184406-1.
11. B. A. Wichmann, I. D. Hill. Algorithm AS 183: An Efficient and Portable Pseudo-Random Number Generator // Journal of the Royal Statistical Society. Series C (Applied Statistics). — 1982. — Т. 31, вып. 2. — С. 188–190. — ISSN 0035-9254. — doi:10.2307/2347988. 11 мая 2022 года.
12. Stephen Wolfram. Statistical mechanics of cellular automata // Reviews of Modern Physics. — 1983-07-01. — Т. 55, вып. 3. — С. 601–644. — doi:10.1103/RevModPhys.55.601.
13. L. Blum, M. Blum, M. Shub. A Simple Unpredictable Pseudo-Random Number Generator // SIAM Journal on Computing. — 1986-05-01. — Т. 15, вып. 2. — С. 364–383. — ISSN 0097-5397. — doi:10.1137/0215025. 27 апреля 2022 года.
14. S. K. Park, K. W. Miller. Random number generators: good ones are hard to find // Communications of the ACM. — 1988-10-01. — Т. 31, вып. 10. — С. 1192–1201. — ISSN 0001-0782. — doi:10.1145/63039.63042.
15. R.S. Wikramaratna. ACORN—A new method for generating sequences of uniformly distributed Pseudo-random Numbers // Journal of Computational Physics. — 1989-07. — Т. 83, вып. 1. — С. 16–31. — ISSN 0021-9991. — doi:10.1016/0021-9991(89)90221-0.
16. G. K Savvidy, N. G Ter-Arutyunyan-Savvidy. On the Monte Carlo simulation of physical systems (англ.) // Journal of Computational Physics. — 1991-12-01. — Vol. 97, iss. 2. — P. 566–572. — ISSN 0021-9991. — doi:10.1016/0021-9991(91)90015-D. 11 мая 2022 года.
17. George Marsaglia, Arif Zaman. A New Class of Random Number Generators // The Annals of Applied Probability. — 1991-08. — Т. 1, вып. 3. — С. 462–480. — ISSN 2168-8737 1050-5164, 2168-8737. — doi:10.1214/aoap/1177005878. 19 апреля 2022 года.
18. ISAAC, a fast cryptographic random number generator  (неопр.). www.burtleburtle.net. Дата обращения: 17 мая 2022.
19. Makoto Matsumoto, Takuji Nishimura. Mersenne twister: a 623-dimensionally equidistributed uniform pseudo-random number generator // ACM Transactions on Modeling and Computer Simulation. — 1998-01-01. — Т. 8, вып. 1. — С. 3–30. — ISSN 1049-3301. — doi:10.1145/272991.272995.
20. George Marsaglia. Xorshift RNGs (англ.) // Journal of Statistical Software. — 2003-07-04. — Vol. 8. — P. 1–6. — ISSN 1548-7660. — doi:10.18637/jss.v008.i14.
21. Источники книг — Википедия  (рус.). ru.wikipedia.org. Дата обращения: 17 мая 2022. Архивировано 24 апреля 2022 года.
22. François Panneton, Pierre L'Ecuyer, Makoto Matsumoto. Improved long-period generators based on linear recurrences modulo 2 // ACM Transactions on Mathematical Software. — 2006-03-01. — Т. 32, вып. 1. — С. 1–16. — ISSN 0098-3500. — doi:10.1145/1132973.1132974.
23. John K. Salmon, Mark A. Moraes, Ron O. Dror, David E. Shaw. Parallel random numbers: as easy as 1, 2, 3 // Proceedings of 2011 International Conference for High Performance Computing, Networking, Storage and Analysis. — New York, NY, USA: Association for Computing Machinery, 2011-11-12. — С. 1–12. — . — doi:10.1145/2063384.2063405.
24. B.G. Sileshi, C. Ferrer, J. Oliver. Accelerating hardware Gaussian random number generation using Ziggurat and CORDIC algorithms // 2014 IEEE SENSORS. — 2014-11. — С. 2122–2125. — doi:10.1109/ICSENS.2014.6985457. 17 мая 2022 года.
25. Random Bit Generator // SpringerReference. — Berlin/Heidelberg: Springer-Verlag.
26. Bernard Widynski. Middle-Square Weyl Sequence RNG // arXiv:1704.00358 [cs]. — 2022-03-20. 17 мая 2022 года.
27. David Blackman, Sebastiano Vigna. Scrambled Linear Pseudorandom Number Generators // arXiv:1805.01407 [cs]. — 2022-03-28. 11 мая 2022 года.
28. Shin Harase, Takamitsu Kimoto. Implementing 64-bit Maximally Equidistributed F2-Linear Generators with Mersenne Prime Period // ACM Transactions on Mathematical Software. — 2018-01-03. — Т. 44, вып. 3. — С. 30:1–30:11. — ISSN 0098-3500. — doi:10.1145/3159444.
29. Bernard Widynski. Squares: A Fast Counter-Based RNG // arXiv:2004.06278 [cs]. — 2022-03-13. 11 мая 2022 года.
30. Daniel Henrique Pereira. Itamaracá: A Novel Simple Way to Generate Pseudo-random Numbers (англ.). — 2022-01-25. — doi:10.33774/coe-2022-zsw6t. 27 апреля 2022 года.
31. Габидулин Э. М., Кшевецкий А. С., Колыбельников А. И., Владимиров С. М. Защита информации. Учебное пособие. — С. 100—113. 24 ноября 2020 года.
32. (Дональд Кнут). Глава 3.3. Спектральный критерий // Искусство программирования. Указ. соч. — С. 129—130.
33. William H. Press, Saul A. Teukolsky, William T. Vetterling, Brian P. Flannery. Numerical Recipes in C: The Art of Scientific Computing. — 2nd ed. — Cambridge University Press, 1992. — P. 277. — .
34. Из квантового вакуума получили случайные числа  (неопр.). Дата обращения: 18 апреля 2012. 19 апреля 2012 года.
35. Jovan Dj. Goli ́c. Cryptanalytic Attacks on MIFARE Classic Protocol // Topics in Cryptology – CT-RSA 2013. — Springer, Berlin, Heidelberg, 2013. — № 7779. — С. 239—259. — doi:10.1007/978-3-642-36095-4_16.
36. Yarrow  (неопр.). Дата обращения: 10 сентября 2004. 8 ноября 2012 года.
37. Intel DRNG Software Implementation Guide  (неопр.). Intel. Дата обращения: 8 декабря 2017. 21 апреля 2016 года.
38. J.-P. Aumasson. On the pseudo-random generator ISAAC // Cryptology ePrint Archive. — 2006. 8 сентября 2016 года.
39. H. Chen, K. Laine, R. Player. [https://eprint.iacr.org/2017/224.pdf Simple Encrypted Arithmetic Library - SEAL v2.1] // Cryptology ePrint Archive. — 2017. 10 июля 2017 года.
40. A. Kircanski and A. M. Youssef. [http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.301.2615&rep=rep1&type=pdf On the Sliding Property of SNOW 3G and SNOW 2.0] // Information Security, IET. — 2010. — № 5(4). — С. 199—206. 16 декабря 2017 года.
41. Лапонина О. Р. Алгоритмы симметричного шифрования  (неопр.). НОУ ИНТУИТ. Дата обращения: 8 декабря 2017. 9 декабря 2017 года.
42. Kelsey J., Schneier B., Wagner D., Hall C. Cryptanalytic Attacks on Pseudorandom Number Generators // Fast Software Encryption. FSE 1998. Lecture Notes in Computer Science. — Springer, Berlin, Heidelberg, 1998. — Vol. 1372. — doi:10.1007/3-540-69710-1_12. 7 декабря 2017 года.
43. N. T. Courtois. Higher Order Correlation Attacks, XL Algorithm and Cryptanalysis of Toyocrypt // Cryptology ePrint Archive. — 2002. 29 марта 2017 года.
44. Ed Dawson, Andrew Clark, J Golic, W Millan, L Penna. The LILI-128 Keystream Generator. — 2000-12-13. 16 декабря 2017 года.
45. C. S. Petrie, J. A. Connelly. A noise-based IC random number generator for applications in cryptography // IEEE Transactions on Circuits and Systems I: Fundamental Theory and Applications. — May 2000. — Vol. 47, № 5. — С. 615–621. — ISSN 1057-7122. — doi:10.1109/81.847868.
46. Статья 12.1. Требования к лотерейному оборудованию и лотерейным терминалам  (неопр.). Дата обращения: 6 декабря 2017. 6 декабря 2017 года.
47. Ответы на вопросы о «Столото»  (неопр.). Сто Лото. Дата обращения: 6 декабря 2017. 6 декабря 2017 года.
48. Трансляции розыгрышей государственных лотерей  (неопр.). Сто Лото. Дата обращения: 6 декабря 2017. 6 декабря 2017 года.
49. Генератор случайных чисел  (неопр.). Сто Лото. Дата обращения: 6 декабря 2017. 6 декабря 2017 года.
50. "Man hacked random-number generator to rig lotteries, investigators say". The Guardian. 23 декабря 2017. Дата обращения: 6 декабря 2017.

Литература

• Дональд Э. Кнут. Глава 3. Случайные числа // Искусство программирования = The Art of Computer Programming. — 3-е изд. — М.: , 2000. — Т. 2. Получисленные алгоритмы. — 832 с. — 7000 экз. — (рус.) (англ.).
• Кельтон В., Лоу А. Имитационное моделирование. Классика CS. — 3-е изд.. — СПб.: Питер, 2004. — С. 465, 466. — 487 с. — . — .
• L’Ecuyer, Pierre. Random Number Generation // Springer Handbooks of Computational Statistics : Глава. — 2007. — С. 93—137. — doi:10.1002/9780470172445.ch4.

Ссылки

• В. А. Успенский. Четыре алгоритмических лица случайности. — (МЦНМО), 2006. — 48 с. — .
• Юрий Лифшиц. Лекция 9: Псевдослучайные генераторы // Современные задачи криптографии. — Курс лекций.
• Л. Бараш. Алгоритм AKS проверки чисел на простоту и поиск констант генераторов псевдослучайных чисел // Безопасность информационных технологий. — 2005. — № 2. — С. 27—38. 18 октября 2014 года.
• Жельников В. Псевдослучайные последовательности чисел // Криптография от папируса до компьютера. — М.: ABF, 1996. — 335 с. — .
• Cryptographic Random Numbers (англ.)
•  (англ.)
• Zvi Gutterman, Benny Pinkas, Tzachy Reinman. Analysis of the Linux Random Number Generator (англ.)
•  (англ.) NIST SP 800-22