一、概要：

在Golang中，獲取隨機數(shù)的方法一般會介紹有兩種，一種是基于math/rand的偽隨機，一種是基于crypto/rand的真隨機。其中，math/rand由于其偽隨機的原理，經(jīng)常會出現(xiàn)重復(fù)的隨機數(shù)，導(dǎo)致在需要進行隨機的業(yè)務(wù)出現(xiàn)較多的重復(fù)問題。在作者所經(jīng)歷的實際項目中便遇到在高頻率和高并發(fā)下獲取隨機數(shù)時的重復(fù)問題，在解決該問題的道路上，嘗試了幾種辦法，最終發(fā)現(xiàn)了較好的解決方案。

二、對math/rand隨機數(shù)的研究：

基于math/rand獲取隨機數(shù)，常見的方法是：

import (
	"math/rand"
	"time"
)

r := rand.New(rand.NewSource(time.Now().UnixNano()))
result := r.Int31n(100)

上述代碼原理，是通過納秒時間來生成種子，然后通過該種子獲取一個隨機數(shù)。常用的開發(fā)者應(yīng)該知道，math/rand的種子具有其固定性，同一個數(shù)作為種子時，通過New獲取的實例其實是相同的，即便它們的實例地址不同，但通過同樣的隨機數(shù)方法，獲得的值會是一樣的。

這種情況是由于math/rand會根據(jù)隨機種子進行一個較復(fù)雜的算法過程，從而獲得一個長度為607的隨機數(shù)池，由于算法過程是固定的，不存在任何的隨機情況，因此同一個種子獲取的隨機數(shù)池是完全一致的。

此時可能會有人認為，每次取不同的納秒時間來生成實例，不就可以解決問題？但這樣的想法在實際的項目實踐中是存在問題的。原因主要有兩點：

1、Golang的一大優(yōu)點是速度快，當(dāng)一次性多次使用time.Now().UnixNano()獲取納秒時間時，會發(fā)現(xiàn)納秒時間并不是不同的，而會存在重復(fù)，這使得在高頻率隨機下隨機種子是一樣的。

2、Golang的一大特點是高并發(fā)，但是在實際的運行過程中，是無法保證兩個并發(fā)的協(xié)程不會在同一時間獲取時間的，同樣會出現(xiàn)重復(fù)問題。

針對這兩個問題也有對應(yīng)的解決方案：

1、對于第一個原因，可以在每次獲取納秒時間前，使用time.Sleep(time.Nanosecond)保證程序過一個時間再取，如此可以保證每次獲取的時間是不重復(fù)的。

2、對于第二個原因，可以利用鎖將獲取時間的過程鎖住，以保證并發(fā)時不在同一時間執(zhí)行。

然而在實際項目中實踐的情況并不理想。

第一個解決方案下，由于CPU處理的時間片，跳過的時間并不是1納秒，不同的CPU會有微小差異。作者在i7-13700K的CPU下測試，跳過前后的時間差大約為0.1ms。

第二個解決方案下，倘若不結(jié)合第一個解決方案，因為無法保證鎖前和鎖后的時間是否完全不一的情況，因此需要保留sleep過程，然而可以計算的是，若并發(fā)量達到了10000，僅是獲取種子的最長等待時間就可能達到1s，加上一般還會有其它業(yè)務(wù)邏輯，這難以保證高效的需求。

上述方案均存在隱含的問題，那么換一個解決思路，既然隨機數(shù)池是固定長度，不能使用sleep或鎖，為什么不讓程序只保留一個隨機實例并當(dāng)獲取次數(shù)達到一定值時更新隨機實例呢？我們使用下面這個簡單例子來測試可行性：

import (
	"math/rand"
	"time"
	"fmt"
)


t1 := time.Now().UnixNano()
fmt.Println(t1)
r := rand.New(rand.NewSource(t1))
for i := 0; i < 600; i++ {
	r.Int31n(100)
}
t2 := time.Now().UnixNano()
fmt.Println(t2)

上述代碼中，我們通過t1時間生成一個隨機實例，并讓該實例隨機600次，再獲取一次時間t2。執(zhí)行的結(jié)果會發(fā)現(xiàn)更大的問題，t1時間和t2時間是完全相同的！此時如果用t2作為種子，那么下一次隨機的600次會和t1時間的一模一樣。假如我們讓不同實例之間做延時或鎖，那么問題又會回到前面解決方案中同樣的問題。

因此，可以做出如下的結(jié)論。常用的math/rand在基于獲取當(dāng)前時間作為種子的隨機時，無法真正地解決重復(fù)問題。

三、對crypto/rand隨機數(shù)的研究：

基于crypto/rand獲取隨機數(shù)，常見的方法是：

import (
	"crypto/rand"
	"math/big"
)

r, _ := rand.Int(rand.Reader, big.NewInt(100))
result := r.Int64()

crypto/rand獲取的隨機數(shù)可以看做是真隨機，其原因是它獲取種子的來源。簡單來說，在各類系統(tǒng)中，均存在一個特定的文件專門用于存儲真隨機值，這些值的來源是硬件在電路上產(chǎn)生的各種信息、熱噪聲等，由于它們是不可控的且無法預(yù)測的，因此可看做是產(chǎn)生了真正的隨機數(shù)。

在上述代碼中，rand.Reader就會從系統(tǒng)中存儲真隨機數(shù)的文件或者通過調(diào)用系統(tǒng)級別的API獲取一個真隨機數(shù)。對于系統(tǒng)而言，當(dāng)該隨機數(shù)被獲取后就會被銷毀，不會二次使用。

然而，crypto/rand有一個缺點，它的獲取效率非常低，這是因為它需要訪問系統(tǒng)文件或者調(diào)用系統(tǒng)API，會產(chǎn)生不小的耗時。并且，每次從系統(tǒng)獲取的隨機值都會是一次性的，無法第二次使用。低效的獲取方式顯然并不能完全滿足高頻次和高并發(fā)下保持程序高效的需求。

四、最后的解決方案：

結(jié)合前面的相關(guān)內(nèi)容，可以找到一個取長補短的方式，得到一個解決方案：利用crypto/rand的rand.Reader獲取一個隨機數(shù)，使用這個隨機數(shù)作為math/rand的種子獲得一個隨機數(shù)池進行取值，當(dāng)取值達到一定次數(shù)后，再獲取一個新的種子生成新的實例。

通過rand.Reader獲取一個種子數(shù)的方法如下：

import (
	"crypto/rand"
	"encoding/binary"
)

var seed int64
binary.Read(rand.Reader, binary.BigEndian, &seed)

使用上述方法，即便高頻次或高并發(fā)地獲取種子數(shù)，也能保證每次得到的種子都是不一樣的數(shù)值，這樣就能避免因種子相同導(dǎo)致的重復(fù)問題了。

最終的解決方案確定，結(jié)合后的代碼如下：

import (
	crand "crypto/rand"
	"encoding/binary"
	mrand "math/rand"
)

var seed int64
binary.Read(crand.Reader, binary.BigEndian, &seed)
source := mrand.NewSource(seed)
r := mrand.New(source)
result := r.Int31n(100)

在上述代碼中，仍然需要注意一個重要問題，就是crand.Reader的耗時較長，在對取隨機的過程進行封裝時，需要進行進一步的改進：

1、增加一個統(tǒng)計閾值，每次隨機后+1，并當(dāng)次數(shù)達到一定值時更新隨機實例；

2、對更新隨機實例過程上鎖，避免并發(fā)時出現(xiàn)重復(fù)更新；

經(jīng)過改進后，可自行測試其速度。作者參與過的項目實踐中，在統(tǒng)計閾值為300且較高的獲取次數(shù)下，平均每次獲取一個隨機數(shù)的耗時約25~30ns。不僅滿足了接近真隨機的需求，并且滿足了高效的需求。

以上就是解決Go語言中高頻次和高并發(fā)下的隨機數(shù)重復(fù)的問題的詳細內(nèi)容，更多關(guān)于Go高頻次和高并發(fā)隨機數(shù)重復(fù)的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論