Node.js中Math.random()与crypto.randomInt()的区别及重复概率问题

核心工作机制差异 #

• 安全等级与实现逻辑不同
  • Math.random() 是普通伪随机数生成器（PRNG），Node.js基于V8引擎的Xorshift128+算法实现，仅在进程启动时从系统熵池获取一次初始种子，后续所有随机数都通过固定算法迭代生成，计算效率极高，但输出序列可预测，不满足密码学安全要求。
  • crypto.randomInt() 是密码学安全伪随机数生成器（CSPRNG），属于Node.js内置crypto模块的能力，生成过程会持续从系统熵池（Linux下为/dev/urandom、Windows下为CryptGenRandom）补充熵值，输出序列不可预测，符合密码学安全标准。
• 调用方式与输出特性不同
  • Math.random() 无参数，返回[0, 1)区间的浮点数，要得到指定范围的整数需要自行做取整运算，手动运算过程容易引入分布偏差。
  • crypto.randomInt() 支持传入最小、最大值参数，直接返回指定闭区间内的整数，底层已经做了均匀性校验，不会出现取整导致的分布偏移。
• 性能表现不同
  • Math.random() 是纯内存算法运算，无系统调用开销，高频循环调用的性能可达千万次/秒级别。
  • crypto.randomInt() 涉及内核态熵池读取，性能比前者低1~2个数量级，极端高频调用场景下可能触发系统熵池耗尽的问题。

循环调用的重复概率问题 #

• 长期循环调用Math.random()有可能出现相同结果出现次数超出统计学预期的情况
  它的随机序列完全由初始种子决定，序列周期固定为2^128-1，一旦不同运行批次的初始种子重复，就会出现完全一致的随机序列，导致重复次数远高于理论值；此外如果开发者自行对Math.random()的浮点结果做取整得到整数，浮点数精度映射问题也可能导致部分值的出现概率偏高，超出统计学预期。
• 正常场景下crypto.randomInt()不会出现重复次数超预期的情况
  只要系统熵池有足够的熵值补充，它的输出序列均匀性符合密码学校验标准，重复概率完全匹配统计学理论值。仅在极端场景（比如服务器持续超高并发调用密码学随机接口，硬件熵源补充速度跟不上消耗速度）下才可能出现短期分布偏移，但这种情况在普通业务场景中几乎不会出现。

内容的提问来源于stack exchange，提问作者dev3dev