Python:random.random()植入哪里？

Question

说我有一些python代码:

import random
r=random.random()

r的值通常从哪里来？
如果我的操作系统没有随机数，那么它将在何处播种呢？
为什么不建议将其用于加密？有什么方法可以知道随机数是多少？

Answer 1

遵循da代码。

要查看random模块在系统中的“位置”，您可以在终端中执行以下操作:

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

这为您提供了 .pyc(“已编译”)文件的路径，该文件通常与可以找到可读代码的原始 .py并排放置。

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

您将看到它创建了 Random类的实例，然后(在文件底部)“将该”实例的方法“提升”为模块功能。整洁的把戏。当将 random模块导入任何地方时，将创建该 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功能，从而使其在每次导入时都相当随机(erm ...或每个Python解释器实例)的基础。

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

此 Random类在其 __init__方法中所做的唯一事情是将其作为种子:

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

那么...如果 x是 None(未指定种子)会发生什么？好吧，让我们检查 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

注释已经说明发生了什么。此方法尝试使用操作系统提供的默认随机数生成器，如果没有，则将当前时间用作种子值。

但是，等等...那 _urandom(16)到底是什么呢？

好吧，答案就在此 random.py文件的开头:

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

Tadaaa ...种子是一个来自 os.urandom的16字节数字

假设我们使用的是文明的操作系统，例如Linux(带有真正的随机数生成器)。 random模块使用的种子与执行操作相同:

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

之所以认为指定种子值不是那么好，是因为 random函数并不是真正的“随机”……它们只是一个非常奇怪的数字序列。但是给定相同的种子，该顺序将是相同的。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，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，您将始终获得整数 13， 85， 77 ...某种程度上打败了目的(有关伪随机数生成的信息，请参见 this)另一方面，在 use cases中，这实际上可能是理想的功能。

这就是为什么依赖操作系统随机数生成器被认为“更好”的原因。这些通常是根据硬件中断来计算的，硬件中断是非常非常随机的(它包括用于读取硬盘驱动器的 interruptions，人类用户键入的击键，四处移动的鼠标……)。在Linux中，O.S。生成器是 /dev/random。或者，作为挑剔的 /dev/urandom(这是Python的 os.urandom实际上在内部使用的)，不同之处在于 /dev/random(如前所述)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，您可能需要稍等片刻，直到获得下一个随机数。 /dev/urandom在内部使用 /dev/random，但可以保证始终为您准备好随机数。

如果您使用的是Linux，只需在终端上执行 cat /dev/random(并准备按Ctrl + C，因为它将开始真正非常随机地输出内容)

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OS随机生成器或时间作为种子。这意味着我可以想象的Python的 random模块潜在的弱点是使用它的时候:

在没有实际随机数生成器的操作系统中，和

在设备中，time.time总是报告同一时间(基本上是一个坏时钟)

如果您担心 random模块的实际随机性，则可以直接转到 os.urandom，也可以使用 pycrypto密码库中的随机数生成器。这些可能更随机。我说更多是因为...

图像灵感来自其他 SO answer