推荐使用 Randen:高效、安全的随机数生成器
项目介绍
Randen 是一款高性能、攻击抗性随机数生成器,它利用了硬件加速的 AES 算法和大型 Feistel 混乱函数,提供了一种默认安全的解决方案,而不增加过多的 CPU 开销。与现有流行随机数生成器如 MT19937、pcg64_c32、Philox 和 ChaCha8 相比,Randen 在实际应用中的表现更佳。
技术分析
Randen 的设计基于三种现有组件:
-
Reverie:一种类似于海绵结构的生成器,需要一个密码学上的混淆函数。它可以仅通过一次混淆函数调用来实现回溯抵抗力。
-
Simpira v2:通过改进的 Generalized Feistel 网络构建了多于 1024 位的混淆函数,提高了扩散速度并减少了对分片双连攻击的脆弱性。
-
2048 位混淆函数的扩展:借鉴了“新扩散性质标准”中的方法,实现了更高效的大型混淆网络。
这三者结合,将更大规模的 Simpira 类似混淆函数用于 Reverie,以增强安全性并提高性能。
应用场景
Randen 可广泛应用于需要高质量随机数的领域,包括但不限于:
- 加密算法:如在 TLS 或 SSH 中生成非对称密钥。
- 数据模拟和统计分析。
- 游戏开发中的随机事件生成。
- 机器学习中的权重初始化。
性能测试
Randen 在多种架构(如 x86、POWER 8 和 ARM64)上进行了微基准和真实世界基准测试。结果显示,在 X86 平台上,无论是以随机字节生成的循环计时还是在实际的 reservoir-sampling 测试中,Randen 都显著优于其他流行的随机数生成器,包括 pcg64_c32 和 mt19937_64。
安全保障
Randen 提供了不可区分性为随机且具有回溯抵抗力的安全保证。其详细的安全性和性能评估可在相关论文 "Randen - 快速回溯抵抗随机生成器,带有 AES+Feistel+Reverie" 中找到。
使用指南
只需执行 make && bin/randen_benchmark 即可运行示例程序进行基准测试。请注意,代码依赖于编译器优化,因此编译配置可能会影响性能。
第三方实现与绑定
该项目也得到了第三方开发者的支持,提供了如 C 语言等不同语言的实现或绑定。有兴趣的开发者可以参与到这个社区,共同推进 Randen 的发展。
结语
虽然 Randen 还不是一个官方的 Google 产品,但它已经在安全性和性能上树立了一个新的标杆。如果你正在寻找一款快速、可靠的随机数生成器,那么 Randen 绝对值得你考虑。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00