مولد الأرقام العشوائية – فوري، مجاني، وعشوائي تمامًا

ما هو مولد الأرقام العشوائية؟

مولد الأرقام العشوائية (RNG) هو نظام - حاسوبي أو فيزيائي أو هجين - يُنتج سلسلة من الأرقام لا يمكن التنبؤ بها بدقة أفضل من الصدفة. كل قيمة ناتجة مستقلة إحصائيًا عن القيم السابقة لها، ولا تُظهر السلسلة الكاملة أي نمط واضح يمكن للمراقب استغلاله لتخمين القيم المستقبلية. يبدو هذا التعريف بسيطًا، لكن تحقيقه عمليًا يُعدّ من أصعب التحديات في الرياضيات التطبيقية وعلوم الحاسوب.

يشمل مصطلح "مولد الأرقام العشوائية" مفهومين مختلفين جوهريًا، غالبًا ما يُخلط بينهما: مولدات الأرقام شبه العشوائية (PRNGs) ، التي تستخدم خوارزميات حتمية لإنتاج سلاسل تبدو عشوائية ظاهريًا، ومولدات الأرقام العشوائية الحقيقية (TRNGs) ، التي تستمد إنتروبيا فيزيائية حقيقية من الكون. أما الفئة الثالثة، وهي مولدات الأرقام شبه العشوائية الآمنة تشفيرًا (CSPRNGs) ، فتقع بين النوعين - فهي حتمية في التنفيذ، ولكنها مصممة بحيث لا يمكن لأي هجوم ممكن حسابيًا أن يميز مخرجاتها عن العشوائية الحقيقية.

لماذا تُعدّ مولدات الأرقام العشوائية مهمة؟

تُعدّ مولدات الأرقام العشوائية (RNGs) بنيةً أساسيةً في مجالات العلوم والأمن والبرمجيات اليومية. فبدون عشوائية موثوقة، تنهار أنظمة التشفير الحديثة: إذ تعتمد كل جلسة TLS، وكل رسالة مشفرة، وكل توقيع رقمي على مفاتيح سرية يجب أن تكون غير قابلة للتنبؤ. وتعتمد الكازينوهات واليانصيب والألعاب الإلكترونية على مولدات الأرقام العشوائية لضمان العدالة. وتستخدم المحاكاة العلمية - من نمذجة المناخ إلى اكتشاف الأدوية - أخذ عينات عشوائية لتقريب الحلول التي يصعب تحليلها. كما يتطلب أخذ العينات الإحصائية، واختبار A/B، وتوليد عوالم الألعاب الإجرائية، وحتى تهيئة أوزان الشبكات العصبية، أرقامًا عشوائية عالية الجودة.

إن عواقب العشوائية السيئة وخيمة وموثقة جيدًا. ففي عام 2012، اكتشف الباحثون أن ملايين المفاتيح العامة لخوارزمية RSA على الإنترنت تشترك في عوامل أولية، وذلك لأن الأجهزة التي أنشأتها لم تكن تتمتع بالإنتروبيا الكافية عند بدء التشغيل. ويمكن للمهاجم الذي يحلل عاملًا أوليًا مشتركًا استعادة المفتاح الخاص وفك تشفير جميع الاتصالات. وفي عام 2010، تم اختراق جهاز سوني بلاي ستيشن 3 لأن تطبيق خوارزمية ECDSA فيه أعاد استخدام نفس القيمة العشوائية (nonce) لكل توقيع - قيمة واحدة متكررة تكفي لاستخراج المفتاح الخاص جبريًا. هذه ليست حالات استثنائية، بل هي النتيجة المتوقعة للتعامل مع العشوائية كمشكلة محلولة.

مجالات التطبيق الرئيسية

• التشفير والأمن: توليد المفاتيح، متجهات التهيئة، الأرقام العشوائية، الأملاح، رموز الجلسة، والأرقام التسلسلية للشهادات.
• المحاكاة والنمذجة: طرق مونت كارلو، المعادلات التفاضلية العشوائية، محاكاة فيزياء الجسيمات، النماذج الوبائية.
• الألعاب والمقامرة: خلط أوراق اللعب، رمي النرد، نتائج ماكينات القمار، توليد المستويات الإجرائي، جداول الغنائم.
• الإحصاء والبحث: أخذ العينات العشوائية، والتجارب العشوائية المضبوطة، والتمهيد، وتقسيمات التحقق المتبادل.
• الأنظمة الموزعة: انتخاب القائد، وموازنة الأحمال مع التذبذب، والتراجع الأسي مع التأخيرات العشوائية.
• التعلم الآلي: تهيئة الأوزان، أقنعة التسرب، زيادة البيانات، التدرج العشوائي.

كيف يعمل مولد الأرقام العشوائية الزائفة

يبدأ مولد الأرقام العشوائية الزائفة (PRNG) ببذرة - رقم واحد أو كتلة بيانات صغيرة - ويطبق دالة رياضية حتمية بشكل متكرر لإنتاج سلسلة طويلة من المخرجات. عند استخدام نفس البذرة، تكون السلسلة قابلة للتكرار تمامًا. أما عند استخدام بذرة مختلفة، فتبدو السلسلة مختلفة تمامًا. تُقاس جودة مولد الأرقام العشوائية الزائفة بمدى اجتيازه للاختبارات الإحصائية للعشوائية، وبالنسبة لتطبيقات الأمان، بمدى إمكانية استنتاج حالته الداخلية من مخرجاته.

مولدات التوافق الخطي

تستخدم أقدم وأبسط عائلة من مولدات الأرقام العشوائية الزائفة العلاقة التكرارية X _{_n+1} = (aX_{_n +1} + c) mod m ، حيث a و c و m ثوابت مختارة بعناية. في العديد من التطبيقات، تُعد rand() في مكتبة C القياسية مولدًا خطيًا توافقيًا (LCG). تتميز مولدات LCG بالسرعة وسهولة التنفيذ، ولكنها تعاني من نقاط ضعف خطيرة: تتكرر البتات ذات الرتبة المنخفضة بفترات قصيرة، وفترة التسلسل الكامل لا تتجاوز m، ويمكن استعادة الحالة الداخلية بسهولة من عدد قليل من المخرجات. تُعد هذه المولدات مقبولة للمحاكاة البسيطة والألعاب التي لا تتطلب أي متطلبات أمنية، ولكنها غير مقبولة تمامًا لأي شيء متعلق بالتشفير.

ميرسين تويستر

أصبح مولد الأرقام العشوائي الزائف Mersenne Twister (MT19937)، الذي نشره ماتسوموتو ونيشيمورا عام 1998، المولد الافتراضي للأرقام العشوائية الزائفة في لغات البرمجة بايثون، وروبي، وآر، وبي إتش بي، والعديد من اللغات الأخرى. يتميز هذا المولد بدورة زمنية هائلة تبلغ 2 ^{^19937} - 1 (وهي دورة ضخمة للغاية)، ويجتاز جميع الاختبارات الإحصائية تقريبًا، ويعمل بسرعة فائقة. تتكون حالته الداخلية من 624 عددًا صحيحًا من 32 بت. تكمن نقطة ضعفه الرئيسية في أنه إذا رصد مهاجم 624 مخرجًا متتاليًا، فبإمكانه إعادة بناء الحالة الداخلية بالكامل والتنبؤ بكل مخرج مستقبلي. لذلك، يُعد Mersenne Twister غير مناسب تمامًا لأي تطبيق يتطلب مستوى عالٍ من الأمان، على الرغم من إساءة استخدامه على نطاق واسع في هذا المجال.

مولدات الأرقام العشوائية الحديثة: Xoshiro و PCG و SFC

تتضمن أفضل الممارسات الحالية لمولدات الأرقام العشوائية الزائفة غير المشفرة عائلة PCG (مولدات التوافقية المبدلة)، و xoshiro256 ، و SFC64 . تتميز هذه المولدات بصغر حجمها وسرعتها وتفوقها الإحصائي على مولد Mersenne Twister. ويُظهر PCG على وجه الخصوص أداءً ممتازًا على مجموعة اختبارات TestU01 BigCrush، وهي مجموعة الاختبارات الإحصائية القياسية الأكثر تطلبًا لمولدات الأرقام العشوائية الزائفة. ولهذا السبب تحديدًا، استبدلت NumPy مولدها الافتراضي من Mersenne Twister إلى PCG64 في الإصدار 1.17.

كيف يعمل مولد الأرقام العشوائية الآمن تشفيرياً

يجب أن يستوفي مولد الأرقام العشوائية المشفرة (CSPRNG) خاصيتين تتجاوزان العشوائية الإحصائية العادية. أولاً، عدم القدرة على التنبؤ بالبت التالي : بالنظر إلى جميع المخرجات السابقة، لا يمكن لأي خوارزمية ذات زمن متعدد الحدود التنبؤ بالبت التالي باحتمالية أكبر من 50%. ثانياً، مقاومة اختراق الحالة : إذا تمكن مهاجم من معرفة الحالة الداخلية الحالية، فلن يتمكن من إعادة بناء المخرجات السابقة (وهذا ما يُسمى بالسرية العكسية أو مقاومة التراجع).

تُوفّر أنظمة التشغيل الحديثة مولدات الأرقام العشوائية المشفرة (CSPRNGs) كخدمة أساسية. يُتيح نظام لينكس الوصول إلى /dev/urandom واستدعاء النظام getrandom() ، وكلاهما يستمدّان الأرقام العشوائية من مُجمّع عشوائية في نواة النظام يتمّ تغذيته بواسطة أحداث الأجهزة. يُوفّر نظام ويندوز الدالة BCryptGenRandom() . يستخدم نظاما macOS وiOS arc4random_buf() ، والتي أصبحت مدعومة بخوارزمية ChaCha20 منذ إصدار macOS 10.12. تشمل البنى الأساسية المُستخدمة في مولدات الأرقام العشوائية المشفرة (CSPRNGs) في بيئات الإنتاج Hash_DRBG و HMAC_DRBG و CTR_DRBG (جميعها مُوحّدة في معيار NIST SP 800-90A)، بالإضافة إلى مولدات تعتمد على خوارزمية ChaCha20 المستخدمة في أنظمة BSD وأنظمة لينكس الحديثة.

كيف يعمل مولد الأرقام العشوائية الحقيقي

يستخلص مولد الأرقام العشوائية الحقيقي العشوائية من العمليات الفيزيائية التي لا يمكن التنبؤ بها حقًا - إما لأنها ميكانيكية كمومية بشكل أساسي أو لأنها تنطوي على أنظمة كلاسيكية فوضوية حساسة للشروط الأولية غير القابلة للقياس.

مصادر الإنتروبيا الفيزيائية الشائعة

• الضوضاء الحرارية (ضوضاء جونسون-نايكويست): الحركة العشوائية للإلكترونات في المقاوم تنتج تقلبات في الجهد يمكن أخذ عينات منها وتحويلها إلى بيانات رقمية.
• ضوضاء الطلقة: ينتج عن وصول الفوتونات أو الإلكترونات بشكل منفصل وعشوائي إلى الكاشف إشارة عشوائية قابلة للقياس.
• الاضمحلال الإشعاعي: توقيت أحداث الاضمحلال من مصدر مشع عشوائي تمامًا وفقًا لنظرية الكم. يستخدم موقع RANDOM.ORG ضوضاء الراديو الجوية، وهي بدورها غير قابلة للتنبؤ.
• مصادر الكم الضوئية: أوقات وصول الفوتون، وتقلبات الفراغ المقاسة بواسطة الكشف المتجانس، وخيارات مسار مقسم الحزمة كلها مصادر للعشوائية الكمومية المعتمدة.
• الانتروبيا المادية في الأجهزة الاستهلاكية: تتضمن وحدات المعالجة المركزية الحديثة تعليمات مولد أرقام عشوائية مخصصة. يستخدم معالج RDRAND من إنتل مصدر ضوضاء حرارية مدمجًا يتم التحكم فيه عبر خوارزمية AES-CBC-MAC. ويعمل نظيره من AMD بطريقة مماثلة. أما معالج TrustZone من ARM فيتضمن مصدر انتروبيا ماديًا يمكن لنظام التشغيل الوصول إليه.
• تجمعات الإنتروبيا لنظام التشغيل: يقوم نظام لينكس بجمع الإنتروبيا من توقيت المقاطعة، وزمن انتقال الإدخال/الإخراج للقرص، وأوقات وصول حزم الشبكة، وتعليمات مولد الأرقام العشوائية للأجهزة، ويخلطها من خلال بنية تشفيرية لإنتاج تجمع الإنتروبيا الخاص بالنواة.

مشكلة التكييف

نادرًا ما يكون توزيع الضوضاء الفيزيائية الخام منتظمًا. قد ينتج مصدر الضوضاء الحرارية عددًا أكبر قليلًا من الأصفار مقارنةً بالواحدات بسبب عدم تناظر الدوائر. لذلك، يتضمن مولد الأرقام العشوائية الحقيقي (TRNG) خطوة تهيئة - عادةً ما تكون دالة تجزئة تشفيرية أو دالة استخراج - لضغط العينات الخام إلى ناتج أقصر وأكثر انتظامًا. تُسمى نسبة البتات الخام المستهلكة إلى بتات الناتج بمعدل الإنتروبيا الأدنى ، ويُحدد مولد الأرقام العشوائية الحقيقي المصمم جيدًا هذا المعدل بدقة. يحدد معيار NIST SP 800-90B متطلبات الاختبار والتحقق لمصادر الإنتروبيا المستخدمة في الأنظمة الفيدرالية.

مقارنة بين مولد الأرقام العشوائي الزائف (PRNG) ومولد الأرقام العشوائي الزائف المشفر (CSPRNG) ومولد الأرقام العشوائي الحقيقي (TRNG).

ملكية	مولد الأرقام العشوائية الزائفة	مولد الأرقام العشوائية المشفرة	TRNG
حتمية	نعم	نعم (بعد البذر)	لا
يمكن إكثارها من البذور	نعم	نعم	لا
يجتاز الاختبارات الإحصائية	عادة	نعم	نعم (بعد التكييف)
آمن ضد التنبؤ	لا	نعم	نعم
سرعة	سريع جداً	سريع	بطيء (بسبب محدودية الأجهزة)
يتطلب إنتروبيا الأجهزة	مخصص للبذر فقط	مخصص للبذر فقط	دائماً
حالات الاستخدام النموذجية	المحاكاة، الألعاب، أخذ العينات	توليد المفاتيح، والرموز، والتشفير	مفاتيح عالية الموثوقية، تنظيم المقامرة، البحث

التعريف الإحصائي للعشوائية

العشوائية ليست خاصية ثنائية، بل هي طيف متدرج، ويعتمد المعيار المناسب كليًا على التطبيق. يُعتبر التسلسل عشوائيًا لغرض معين إذا لم يتمكن أي اختبار ذي صلة بهذا الغرض من تمييزه عن تسلسل عشوائي مثالي نظريًا. ينشر المعهد الوطني للمعايير والتكنولوجيا (NIST) مجموعة اختبارات إحصائية (SP 800-22) تشمل خمسة عشر اختبارًا، بما في ذلك تحليل التردد، واختبارات التتابع، والتحليل الطيفي، والتعقيد الخطي. أما مجموعة اختبارات BigCrush التابعة لمكتبة TestU01، والتي طُوّرت في جامعة مونتريال، فهي أكثر صرامة، إذ تُطبّق 106 اختبارات مختلفة. أي مولد يفشل في اختبار BigCrush غير مناسب لأعمال المحاكاة الجادة، بغض النظر عن سرعة تشغيله.

من المهم توضيح ما لا يعنيه العشوائية. فالتسلسل مثل 1، 2، 3، 4، 5 ليس عشوائيًا، حتى وإن كان احتمال ظهور كل رقم فيه متساويًا، فالنمط قابل للتنبؤ. في المقابل، قد يبدو التسلسل وكأنه مُنمّط محليًا بالصدفة (مثل ظهور ثلاثة أوجه متتالية من عملة متوازنة) دون أن يكون غير عشوائي. العشوائية خاصيةٌ لعملية التوليد، وليست خاصيةً لأي تسلسل مُخرَج مُحدد يُنظر إليه بمعزل عن غيره.

كيف تعمل مولدات الأرقام العشوائية: الآليات الأساسية والتكتيكات العملية

تنقسم مولدات الأرقام العشوائية إلى فئتين أساسيتين: مولدات الأرقام شبه العشوائية (PRNGs) التي تستخدم خوارزميات حتمية مُهيأة بقيمة ابتدائية، ومولدات الأرقام العشوائية الحقيقية (TRNGs) التي تستمد الإنتروبيا من الظواهر الفيزيائية. ويُحدد اختيار النوع المناسب، وتهيئته بشكل صحيح، وتطبيقه على حالة الاستخدام المحددة، ما إذا كانت النتائج سليمة إحصائيًا، وآمنة تشفيريًا، أو قابلة للتنبؤ بشكل خطير.

استراتيجية خطوة بخطوة لاختيار واستخدام مولد الأرقام العشوائية

قبل توليد أي رقم، يجب اختيار مولد الأرقام العشوائية المناسب للمهمة. يُعدّ استخدام مولد أرقام عشوائية سريع لتوليد مفاتيح التشفير من أخطر الأخطاء في أمن البرمجيات. وبالمثل، فإن استخدام مولد أرقام عشوائية بطيء للأجهزة في محاكاة مونت كارلو بمليارات التكرارات يُهدر الموارد بلا داعٍ. توضح لك الخطوات التالية عملية اتخاذ القرار من المبادئ الأساسية.

الخطوة الأولى: حدد متطلبات العشوائية الخاصة بك

اطرح ثلاثة أسئلة قبل استخدام أي أداة أو مكتبة:

• هل تُعدّ القدرة على التنبؤ مهمة؟ إذا تسبب تخمين الخصم لأرقامك في ضرر - سواء في التشفير، أو المقامرة، أو اليانصيب، أو رموز الأمان - فأنت بحاجة إلى عشوائية عالية المستوى في مجال التشفير. أما إذا كنت تُجري محاكاة فيزيائية أو تُشغّل قائمة تشغيل عشوائيًا، فإن مولد أرقام عشوائية زائفة عالي الجودة يكفي.
• كم عدد الأرقام التي تحتاجها؟ بعض المولدات لها دورات زمنية محدودة. مولد ميرسين تويستر، المستخدم على نطاق واسع في وحدة random في بايثون والعديد من اللغات، له دورة زمنية قدرها 2^ ¹⁹⁹³⁷ - 1، وهي دورة كبيرة للغاية بالنسبة لمعظم الأغراض، ولكنها لا تزال محدودة وحتمية.
• هل تحتاج إلى إمكانية التكرار؟ غالبًا ما تتطلب التجارب العلمية وتوليد الألعاب الإجرائية إعادة توليد نفس التسلسل بالضبط. يوفر لك مولد الأرقام العشوائية الزائفة المُهيأة هذه الإمكانية، بينما لا يوفرها مولد الأرقام العشوائية الحقيقية.

الخطوة الثانية: تحديد نوع المولد المناسب

حالة الاستخدام	مولد كهربائي موصى به	أمثلة
المفاتيح المشفرة، وكلمات المرور، والرموز المميزة	CSPRNG (مولد الأرقام العشوائية الآمنة تشفيرياً)	وحدة secrets (بايثون)، crypto.randomBytes (نود.جي إس)، /dev/urandom (لينكس)
المحاكاة، والإحصاءات، والتعلم الآلي	مولد أرقام عشوائية زائفة عالي الجودة	ميرسين تويستر، PCG64، xoshiro256**
اليانصيب، عمليات السحب القابلة للتدقيق	مولد أرقام عشوائية حقيقي (TRNG) أو مولد أرقام عشوائية معتمد من الأجهزة	RANDOM.ORG، وحدات أمان الأجهزة (HSMs)
الألعاب، التوليد الإجرائي	مولد أرقام عشوائية مزروع	ميرسين تويستر، خوارزمية LCG ذات ثوابت جيدة
الأنظمة المدمجة في الوقت الحقيقي	مولد أرقام عشوائية مدمج في الشريحة	Intel RDRAND، ARM TrueRNG

الخطوة 3: تهيئة المولد بشكل صحيح

تُعدّ البذرة نقطة الضعف الرئيسية في معظم تطبيقات مولدات الأرقام العشوائية الزائفة. فالبذرة الضعيفة أو التي يُمكن التنبؤ بها تُؤدي إلى انهيار نموذج الأمان الكامل لمولد الأرقام العشوائية الزائفة، مهما بلغت درجة تطور خوارزميته.

• استخدم بذورًا عالية الإنتروبيا. تجمع مجموعات الإنتروبيا في نظام التشغيل ( /dev/urandom على Unix، CryptGenRandom على Windows) أحداث الأجهزة - توقيتات لوحة المفاتيح، ومقاطعات القرص، ووصول حزم الشبكة - لإنتاج بذور من المستحيل عمليًا التنبؤ بها.
• لا تعتمد أبدًا على ساعة النظام وحدها في تحديد قيمة البذرة. فبإمكان المهاجم الذي يعرف وقت بدء تشغيل برنامجك تقريبًا اختراق البذرة المعتمدة على الطابع الزمني في ثوانٍ معدودة. وقد استُغلت هذه الثغرة الأمنية في هجمات حقيقية استهدفت مواقع البوكر الإلكترونية وأنظمة اليانصيب.
• لا تقم بتضمين قيم أولية ثابتة في كود الإنتاج. فالقيمة الأولية الثابتة تُنتج نفس التسلسل في كل مرة يتم تشغيلها. هذا مفيد للاختبار ولكنه كارثي للأمان.
• أعد تهيئة المولد بشكل دوري في التطبيقات طويلة الأمد. إذا كان تطبيقك يعمل لأيام أو أسابيع، فإن حقن إنتروبيا جديدة بشكل دوري يمنع المولد من الدخول في حالة يمكن التنبؤ بها.

الخطوة الرابعة: تطبيق المُولِّد على مهمتك المحددة

نادراً ما يكون توليد رقم عشوائي خام هو الهدف النهائي. فالتطبيق العملي - كالمعاينة والخلط ورسم الخرائط النطاقية - يُدخل أنماط فشل خاصة به.

توليد أرقام ضمن نطاق

إنّ استخدام عامل باقي القسمة ( rand() % N ) في الطريقة البسيطة يُدخل تحيزًا ناتجًا عن باقي القسمة. فإذا لم يكن نطاق خرج المولد قابلاً للقسمة على N، ستظهر بعض القيم بتكرار أكبر من غيرها. على سبيل المثال، إذا كان المولد يُنتج قيمًا من 0 إلى 32767، وتريد أرقامًا من 0 إلى 99، فستظهر القيم من 0 إلى 67 بتكرار أكبر قليلاً من القيم من 68 إلى 99، لأنّ 32768 لا يقبل القسمة على 100.

• استخدم أسلوب أخذ العينات بالرفض. تجاهل القيم التي تقع في الذيل المتحيز وأعد رسم العينة. تقوم معظم المكتبات القياسية جيدة التنفيذ بذلك تلقائيًا.
• استخدم دوال النطاق المدمجة. تقوم دوال مثل random.randint(a, b) في بايثون، و ThreadLocalRandom.nextInt(origin, bound) في جافا، وغيرها من الدوال المشابهة، بمعالجة الانحياز داخليًا.
• للاستخدامات التشفيرية، استخدم وحدة secrets في بايثون أو ما يعادلها، والتي تنفذ اختيار النطاق غير المتحيز بشكل افتراضي.

ترتيب القائمة بشكل عادل

تُعدّ خوارزمية فيشر-ييتس (وتُسمى أيضاً خوارزمية كنوت) الخوارزمية الصحيحة الوحيدة لإنتاج تبديل عشوائي منتظم. وتعمل هذه الخوارزمية من خلال التكرار بدءاً من العنصر الأخير وصولاً إلى العنصر الأول، حيث يتم تبديل كل عنصر بعنصر مُختار عشوائياً في موضعه الحالي أو قبله.

1. ابدأ من الفهرس الأخير i = n−1.
2. اختر فهرسًا عشوائيًا j حيث 0 ≤ j ≤ i.
3. قم بتبديل العناصر في الموضعين i و j .
4. قلل قيمة i وكرر العملية حتى تصبح i = 0.

إن البديل البسيط - اختيار موضع عشوائي لكل عنصر على حدة - لا يُنتج توزيعًا منتظمًا. فبعض التباديل تظهر أكثر من غيرها، وهو عيب قابل للقياس والاستغلال في ألعاب الورق واليانصيب.

أخذ العينات بدون استبدال

عندما تحتاج إلى k قيمة فريدة من بين مجموعة بيانات مكونة من n قيمة، فإن سحب القيم المكررة واستبعادها يُعدّ غير فعال. استخدم أسلوب أخذ العينات من الخزان للبيانات الكبيرة أو المتدفقة، أو خوارزمية فيشر-ياتس على نسخة من مجموعة البيانات للمجموعات الأصغر. تُنفّذ random.sample(population, k) في بايثون هذا الأمر بشكل صحيح وفعال.

الخطوة 5: اختبر جودة خرج المولد

حتى مولد الأرقام العشوائية المُنفذ بشكل صحيح قد يفشل في تطبيقات معينة إذا لم تتوافق خصائصه الإحصائية مع متطلبات التطبيق. وتكشف مجموعات الاختبار القياسية معظم العيوب.

• اختبار TestU01 (BigCrush): مجموعة الاختبارات الإحصائية الأكثر صرامة لمولدات الأرقام العشوائية الزائفة. يطبق مئات الاختبارات، وهو قادر على اكتشاف الارتباطات الدقيقة التي تغفلها الاختبارات الأبسط. تفشل العديد من المولدات القديمة، بما في ذلك بعض أنواع مولدات الأرقام العشوائية ذات السلاسل الطويلة، في اختبار BigCrush.
• Diehard / Dieharder: مجموعة اختبارات إحصائية واسعة الانتشار، طُوِّرت في الأصل بواسطة جورج مارساجليا. Dieharder هي النسخة المُحدَّثة والمُوسَّعة.
• معيار NIST SP 800-22: مجموعة الاختبارات القياسية لمولدات الأرقام العشوائية المشفرة، وهي مطلوبة للحصول على شهادة FIPS. يختبر هذا المعيار التردد، وعدد مرات التشغيل، والخصائص الطيفية، وغير ذلك.
• PractRand: جيد بشكل خاص في اكتشاف الأعطال في المولدات ذات الفترات القصيرة أو الانتشار الضعيف.

أخطاء شائعة يجب تجنبها

معظم حالات فشل مولد الأرقام العشوائية في أنظمة الإنتاج ناتجة عن مجموعة صغيرة من الأخطاء المتكررة. ويؤدي التعرف عليها مسبقًا إلى منع غالبية الثغرات الأمنية والتشوهات الإحصائية في العالم الحقيقي.

الخطأ الأول: استخدام Math.random() أو ما يعادله لأغراض أمنية

تُصنَّف Math.random() في جافا سكريبت، ووحدة random في بايثون (باستثناء secrets )، rand() في PHP، وغيرها من الدوال العامة المشابهة، صراحةً على أنها غير مناسبة للاستخدام في التشفير. فهي تُعطي الأولوية للسرعة على حساب القدرة على التنبؤ. يستطيع المهاجم، إذا رصد عددًا كافيًا من قيم المخرجات، إعادة بناء الحالة الداخلية لخوارزمية Mersenne Twister باستخدام 624 مخرجًا متتاليًا من 32 بت فقط، ثم التنبؤ بجميع القيم المستقبلية. وقد تم إثبات هذا الهجوم على منصات المقامرة المباشرة.

الخطأ الثاني: إعادة استخدام نفس البذرة عبر الجلسات

إذا قام تطبيق ويب بتعبئة مُولِّد رموز الجلسة الخاص به بمعرّف عملية الخادم أو طابع بدء التشغيل، فإن كل رمز جلسة يتم إنشاؤه في نفس الثانية يشترك في نفس البذرة. هذا ليس مجرد افتراض نظري، بل هو السبب الرئيسي لثغرات اختطاف الجلسات في أطر العمل الإنتاجية.

الخطأ الثالث: توليد عدد قليل جدًا من البتات مقارنةً بالإنتروبيا المطلوبة

يحتوي رمز التعريف الشخصي (PIN) المكون من 6 أرقام على حوالي 20 بت من العشوائية. بينما يحتوي معرّف UUID v4 على 122 بت. يحتاج مفتاح التشفير إلى 128 بت على الأقل للتشفير المتناظر، و256 بت للأمان طويل الأمد ضد الأجهزة المستقبلية. إن توليد رموز قصيرة والافتراض بأنها غير قابلة للتخمين يُعد خللاً هيكلياً، وليس تفصيلاً تنفيذياً.

الخطأ الرابع: تجاهل السلوك الخاص بالمنصة

• في بعض نواة لينكس القديمة، تتوقف عملية القراءة من /dev/random عند استنفاد مخزون العشوائية. /dev/urandom فلا يتوقف، وهو آمن لمعظم أغراض التشفير بعد بدء التشغيل الأولي.
• قد تتميز الآلات الافتراضية بانخفاض مستوى العشوائية عند بدء التشغيل نظرًا لافتقارها إلى تنوع أحداث الأجهزة الموجود في الآلات المادية. وقد يؤدي تهيئة البيانات مباشرةً بعد إنشاء الآلة الافتراضية إلى إنتاج مفاتيح ضعيفة.
• بعض الأنظمة المدمجة لا تحتوي على مولد أرقام عشوائية مادي على الإطلاق. يلجأ المطورون أحيانًا إلى مصادر عشوائية برمجية فقط، وهي أضعف بكثير مما تبدو عليه.

الخطأ الخامس: التعامل مع المخرجات المُخلطة على أنها عشوائية بشكل منتظم دون التحقق منها

إذا كانت دورة مولد الأرقام العشوائية الأساسي أقصر من عدد التباديل الممكنة لمجموعة البيانات، فلن يكون من الممكن إنتاج جميع التباديل. تحتوي مجموعة أوراق اللعب القياسية المكونة من 52 ورقة على 52! ≈ 2^ ²²⁶ ترتيبًا ممكنًا. يمكن لمولد ذي بذرة 32 بت أن ينتج على الأكثر 2^ ³² ≈ 4 مليارات تسلسل مختلف - وهو جزء ضئيل للغاية من جميع عمليات الخلط الممكنة. بالنسبة لألعاب الورق ذات الرهانات الحقيقية، يُعد هذا ثغرة أمنية واضحة وقابلة للاستغلال.

الخطأ السادس: الخلط بين الاستقلالية والتوحيد

يمكن أن يكون التسلسل موزعًا بانتظام - حيث تظهر كل قيمة بنفس التردد - مع وجود ترابط عالٍ بين القيم المتتالية. تجتاز العديد من مخططات الشبكة التفاضلية منخفضة الجودة اختبارات التردد، لكنها تفشل في الاختبارات الطيفية لأن قيمها المتتالية تقع على عدد قليل من المستويات الفائقة في الفضاء متعدد الأبعاد. هذه الظاهرة، المعروفة باسم بنية الشبكة لمخططات الشبكة التفاضلية، تجعلها غير مناسبة للتكامل متعدد الأبعاد باستخدام طريقة مونت كارلو.

أساليب عملية باستخدام لغة البرمجة

بايثون

• استخدم secrets.token_bytes(n) أو secrets.token_hex(n) أو secrets.randbelow(n) لأي قيمة حساسة أمنياً.
• استخدم random.SystemRandom() كبديل مباشر لـ random.Random() عندما تحتاج إلى الواجهة القياسية المدعومة بإنتروبيا نظام التشغيل.
• بالنسبة للعمليات العددية، استخدم numpy.random.default_rng() الذي يستخدم افتراضيًا مولد PCG64، وهو مولد أرقام عشوائية زائفة حديث وعالي الجودة يجتاز اختبار BigCrush.

جافا سكريبت / نود.جي إس

• استخدم crypto.randomBytes(n) أو crypto.getRandomValues() (واجهة برمجة تطبيقات التشفير على الويب في المتصفحات) لجميع الأغراض الأمنية.
• لا تستخدم أبدًا Math.random() للرموز المميزة أو المعرفات أو أي شيء قد يحاول الخصم التنبؤ به.

جافا

• استخدم java.security.SecureRandom لأغراض التشفير. أنشئ نسخة منه مرة واحدة وأعد استخدامها - فعملية الإنشاء مكلفة.
• استخدم ThreadLocalRandom للتطبيقات غير الأمنية ذات الإنتاجية العالية في بيئات متعددة الخيوط.
• تجنب استخدام java.util.Random في السياقات المتزامنة - فهو يستخدم بذرة مشتركة يمكن أن تؤدي إلى حدوث تصادمات في ظل التنافس.

لغة C / لغة C++

• تجنب استخدام rand() من مكتبة C القياسية. فهي تعتمد على التنفيذ، وغالبًا ما تكون دالة LCG ضعيفة، وليست آمنة للاستخدام في بيئات متعددة الخيوط.
• استخدم std::mt19937 من <random> مع std::random_device للاستخدام العام.
• للاستخدام التشفيري، قم باستدعاء وظائف نظام التشغيل الأساسية مباشرة: getrandom() على نظام Linux، BCryptGenRandom على نظام Windows.

أدوات وبرامج وأتمتة توليد الأرقام العشوائية

تتراوح أدوات توليد الأرقام العشوائية الأكثر استخدامًا بين خدمات المتصفح مثل RANDOM.ORG (التي تستمد عشوائيتها من الضوضاء الجوية) ومكتبات التشفير المدمجة في جميع لغات البرمجة الرئيسية. يعتمد اختيار الأداة المناسبة على حالة الاستخدام: فالمحاكاة الإحصائية تتطلب سرعة وجودة إحصائية، وتطبيقات الأمان تتطلب عدم القدرة على التنبؤ بالتشفير، والتجارب الفيزيائية تتطلب عشوائية حقيقية على مستوى الأجهزة.

أدوات توليد الأرقام العشوائية عبر المتصفح وعبر الإنترنت

لا تتطلب أدوات توليد الأرقام العشوائية عبر الإنترنت أي تثبيت، وهي مناسبة للسحوبات غير الرسمية، والعروض التوضيحية في الفصول الدراسية، واتخاذ القرارات السريعة. ومن بين الخيارات الأكثر موثوقية:

• RANDOM.ORG — يستخدم الضوضاء الراديوية الجوية كمصدر حقيقي للإنتروبيا. يوفر مولدات أعداد صحيحة، ومُبدِّلات تسلسل، ومولدات غاوسية، وواجهة برمجة تطبيقات (API) قائمة على الحصص للوصول البرمجي.
• مولد الأرقام العشوائية المدمج في جوجل - يؤدي البحث عن "رقم عشوائي بين 1 و 100" في جوجل إلى إرجاع نتيجة فورية باستخدام مولد أرقام عشوائية زائفة يتم تهيئة بياناته من عشوائية النظام.
• أدوات عجلة اختيار الأرقام - واجهات عجلة دوارة مرئية تستخدم JavaScript Math.random() في الخلفية، وهي مناسبة للاختيارات على غرار الفصول الدراسية أو برامج المسابقات التلفزيونية.
• استطلاع رأي قصير وعجلة الأسماء - اجمع بين إدخال القائمة والاختيار العشوائي لتعيينات الفريق، وسحوبات الجوائز، وقرارات المجموعة.

من أبرز عيوب معظم أدوات المتصفح اعتمادها على دالة Math.random() في جافا سكريبت، وهي دالة توليد أرقام عشوائية زائفة وليست آمنة تشفيرياً. لذا، يُنصح باستخدام أداة أو مكتبة تشفير متخصصة لأي شيء يتعلق بالأمان أو الرموز أو القرارات المالية.

مكتبات لغات البرمجة والوظائف المدمجة

تأتي جميع لغات البرمجة الرئيسية مزودة بوحدة توليد أرقام عشوائية واحدة على الأقل. يلخص الجدول أدناه الخيارات الأكثر استخدامًا وتصنيفها الأمني:

لغة	مولد الأرقام العشوائية القياسي	مولد الأرقام العشوائية المشفرة	ملحوظات
بايثون	عشوائي (ميرسين تويستر)	الأسرار، os.urandom()	استخدم الأسرار للرموز وكلمات المرور والمفاتيح
جافا سكريبت	Math.random()	crypto.getRandomValues()	تتوفر واجهة برمجة تطبيقات التشفير على الويب في جميع المتصفحات الحديثة
جافا	java.util.Random	java.security.SecureRandom	يتم حظر SecureRandom حتى تتوفر إنتروبيا كافية
لغة C / لغة C++	rand() (تجنب استخدامه في بيئة الإنتاج)	/dev/urandom، تعليمات RDRAND	دالة rand() ضعيفة؛ استخدم إنتروبيا نظام التشغيل لأي شيء جاد.
يذهب	الرياضيات/راند	العملات المشفرة/راند	يقرأ برنامج crypto/rand مباشرةً من مولد الأرقام العشوائية المشفرة (CSPRNG) الخاص بنظام التشغيل
روبي	عشوائي (مبني على MT)	SecureRandom	يغلف SecureRandom مكتبة OpenSSL أو /dev/urandom
PHP	rand()، mt_rand()	random_bytes(), random_int()	تعتمد الدالة random_int() على مولد الأرقام العشوائية المشفرة (CSPRNG) منذ PHP 7

أجهزة توليد الأرقام العشوائية المادية

بالنسبة للتطبيقات التي تتطلب أعلى جودة من الإنتروبيا - مثل توليد مفاتيح سلطة الشهادات، أو وحدات أمان الأجهزة (HSMs)، أو الأجهزة العلمية - تتوفر مولدات أرقام عشوائية مخصصة للأجهزة (HRNGs):

• Intel RDRAND / RDSEED — تعليمات على مستوى وحدة المعالجة المركزية تقوم بأخذ عينات من الضوضاء الحرارية من الدوائر الموجودة على الشريحة، وهي متوفرة في معظم معالجات x86 الحديثة منذ Ivy Bridge (2012).
• مولدات الأرقام العشوائية المخصصة عبر منفذ USB - يتم توصيل أجهزة مثل OneRNG أو TrueRNG بمنفذ USB وتغذية مجموعة الإنتروبيا في نظام التشغيل عبر /dev/random أو /dev/urandom على نظام Linux.
• وحدات أمان الأجهزة (HSMs) - أجهزة من فئة المؤسسات من موردين مثل Thales و Entrust و AWS CloudHSM التي تقوم بإنشاء وتخزين مفاتيح التشفير باستخدام مصادر عشوائية الأجهزة المعتمدة.
• خدمات مولد الأرقام العشوائية الكمومية - توفر واجهات برمجة التطبيقات السحابية من ID Quantique و ANU (الجامعة الوطنية الأسترالية) بتات عشوائية مشتقة من تقلبات الفراغ الكمومي، مما يوفر مخرجات غير حتمية مثبتة.

أتمتة وتكامل سير العمل

تتضمن عملية أتمتة توليد الأرقام العشوائية ضمن سير العمل الأكبر - مثل خطوط أنابيب اختبار A/B، ومحاكاة مونت كارلو، واليانصيب المجدول، أو أخذ عينات التدقيق العشوائي - عادةً أحد الأساليب الثلاثة التالية:

1. تكامل واجهة برمجة التطبيقات (API) — يوفر موقع RANDOM.ORG واجهة برمجة تطبيقات JSON-RPC تُعيد أعدادًا صحيحة، وسلاسل نصية، وسلاسل نصية، ومعرفات فريدة عالمية (UUID) عشوائية تمامًا. تتيح الطلبات الموثقة حصصًا أعلى وعشوائية مُوقّعة بشهادات أصالة قابلة للتحقق.
2. تهيئة خط أنابيب التكامل المستمر/التسليم المستمر — يمكن تشغيل أدوات الاختبار الإحصائي مثل TestU01 أو Dieharder تلقائيًا في خطوط أنابيب التكامل المستمر للتحقق من أن أي تطبيق RNG مخصص يحافظ على الجودة الإحصائية عبر تغييرات التعليمات البرمجية.
3. الجدولة الأصلية للمنصة - يمكن لمنصات الحوسبة السحابية (AWS Lambda، وGoogle Cloud Functions، وAzure Functions) تشغيل العمليات القائمة على مولد الأرقام العشوائية وفقًا لجدول زمني، على سبيل المثال لأخذ عينات عشوائية من إدخالات السجل لعمليات التدقيق الأمني أو لتعيين مجموعات عشوائية يومية في التجارب السلوكية.

تُظهر أدوات مثل AutoSEO كيف يمكن للأتمتة أن تمتد لتشمل حتى عمليات سير العمل المتعلقة بالمحتوى والبيانات والتي تعتمد على أخذ عينات عشوائية. تعمل AutoSEO على أتمتة عملية تحديد مهام تحسين محركات البحث (SEO) ومراجعتها وترتيب أولوياتها باستخدام تقنيات أخذ العينات العشوائية لاختيار مجموعات فرعية تمثيلية من الصفحات من مجموعات بيانات الزحف الكبيرة، مما يضمن عدم تحيز عمليات فحص الجودة وعدم ظهور أي ثغرات منهجية ناتجة عن مراجعة نفس الصفحات ذات الزيارات العالية باستمرار. وهذا يُحاكي المنطق نفسه المُستخدم في التجارب العشوائية المضبوطة: فمن خلال إدخال عشوائية مُهيكلة في عملية الاختيار، تُنتج AutoSEO تقييمات أكثر دقة إحصائيًا لصحة الموقع مقارنةً بالمدققين الذين يعتمدون على قواعد حتمية.

كيفية قياس جودة ونجاح مولد الأرقام العشوائية

يُعتبر مولد الأرقام العشوائية الجيد ناجحاً في اجتياز الاختبارات الإحصائية المتعلقة بالانتظام والاستقلالية وعدم القدرة على التنبؤ. وتتمثل المعايير الأساسية في مجموعات الاختبارات التجريبية، وتحليل الفترة النظرية، وبالنسبة لمولدات الأرقام العشوائية المشفرة، في مقاومتها لهجمات إعادة بناء الحالة.

مجموعات الاختبارات الإحصائية

لا يمكن إثبات أن أي متتالية منتهية عشوائية تمامًا، ولكن يمكن اختبار المتتاليات للكشف عن أي عدم عشوائية قابلة للكشف. أكثر مجموعات الاختبار موثوقية هي:

• NIST SP 800-22 — مجموعة من 15 اختبارًا إحصائيًا نشرها المعهد الوطني للمعايير والتكنولوجيا، تُستخدم لتقييم مولدات الأرقام العشوائية المقدمة للحصول على شهادة التشفير. تشمل الاختبارات التردد، والتكرارات، والتحليل الطيفي (DFT)، والاختبارات التسلسلية.
• اختبار TestU01 (BigCrush) - طُوّر في جامعة مونتريال، ويُعدّ BigCrush أكثر مجموعات الاختبارات الإحصائية المتاحة للعموم صرامةً. تفشل فيه خوارزميات مثل LCGs ومولدات Wichmann-Hill القديمة، بينما يجتازه كلٌّ من Xoshiro256** وPCG.
• Dieharder — امتداد مفتوح المصدر لبطارية Diehard الأصلية لجورج مارساجليا، حيث يقوم بتشغيل أكثر من 100 اختبار على عينات كبيرة من خرج المولد.
• PractRand — مجموعة اختبارات حديثة قابلة للتوسع لتناسب أحجام عينات كبيرة جدًا (تيرابايت من المخرجات)، وقادرة على اكتشاف التحيزات الدقيقة غير المرئية لاختبارات العينات الأصغر.

مؤشرات الجودة الرئيسية

• طول الدورة — عدد القيم المتولدة قبل تكرار التسلسل. يبلغ طول دورة تسلسل ميرسين تويستر 2 ^{^19937} - 1، وهو ما يكفي لجميع التطبيقات غير التشفيرية تقريبًا.
• التوزيع المتساوي - ما إذا كانت القيم موزعة بشكل موحد عبر نطاق الإخراج في بُعد واحد، وبُعدين، وإسقاطات ذات أبعاد أعلى.
• حساسية البذور - ما إذا كانت التغييرات الصغيرة في البذور تنتج تسلسلات إخراج مختلفة تمامًا (مهمة لإمكانية تكرار المحاكاة).
• معدل النقل — سرعة الإخراج بالميغابايت/ثانية أو مليارات الأرقام في الثانية، وهو أمر ذو صلة بأحمال عمل مونت كارلو عالية الأداء.
• السرية الأمامية والخلفية — بالنسبة لمولدات الأرقام العشوائية المشفرة (CSPRNGs)، يُقصد بها ما إذا كان بإمكان المهاجم الذي يراقب المخرجات في الوقت T إعادة بناء المخرجات السابقة أو المستقبلية. ويتم اختبار ذلك من خلال محاولة إعادة بناء الحالة من البتات المرصودة.

قياس النجاح في السياقات التطبيقية

وبغض النظر عن الجودة التقنية، فإن مقاييس النجاح تعتمد على سياق النشر:

• اليانصيب والسحوبات - تُظهر سجلات التدقيق والتحقق من طرف ثالث وشهادات العشوائية الموقعة (المتوفرة من RANDOM.ORG) العدالة للمشاركين.
• التطبيقات التشفيرية - إن الامتثال لمعايير FIPS 140-3 أو شهادات المعايير المشتركة يؤكد أن مصدر الإنتروبيا و CSPRNG يفي بالمعايير الحكومية والصناعية.
• المحاكاة العلمية - قابلية التكرار (نفس البذور تنتج نفس النتائج) والقدرة على اجتياز اختبار BigCrush أو PractRand بأحجام العينات المستخدمة في المحاكاة.
• اختبار A/B - تؤكد فحوصات التوازن أن مجموعات العلاج والتحكم متكافئة إحصائيًا على المتغيرات المصاحبة قبل التجربة، مما يؤكد أن التوزيع العشوائي كان غير متحيز.

التعليمات

ما الفرق بين مولد الأرقام العشوائية الحقيقي ومولد الأرقام العشوائية الزائفة؟

يستمد مولد الأرقام العشوائية الحقيقي (TRNG) العشوائية من عملية فيزيائية غير قابلة للتنبؤ، مثل الضوضاء الحرارية أو التحلل الإشعاعي أو الضوضاء الراديوية الجوية، وينتج مخرجات غير حتمية تمامًا. أما مولد الأرقام العشوائية الزائفة (PRNG) فيستخدم خوارزمية رياضية حتمية مُهيأة بقيمة ابتدائية؛ فمع نفس القيمة الابتدائية، ينتج دائمًا نفس التسلسل. تتميز مولدات الأرقام العشوائية الزائفة بسرعتها وقابليتها للتكرار، مما يجعلها مثالية للمحاكاة والألعاب. بينما تُعد مولدات الأرقام العشوائية الحقيقية أبطأ، لكنها ضرورية عندما يكون عدم القدرة على التنبؤ شرطًا أمنيًا، كما هو الحال في توليد مفاتيح التشفير.

هل استخدام الدالة Math.random() في جافا سكريبت آمن لأغراض أمنية؟

لا. Math.random() في جافا سكريبت هي مولد أرقام عشوائية زائفة (PRNG) موثقة صراحةً بأنها غير آمنة تشفيرياً. يمكن إعادة بناء حالتها الداخلية من المخرجات المُلاحظة، ويجب عدم استخدامها مطلقاً لتوليد كلمات مرور، أو رموز جلسات، أو مفاتيح واجهة برمجة التطبيقات (API)، أو أي قيمة قد يُلحق بها المهاجم ضرراً إذا حاول تخمين مخرجاتها. بالنسبة للتطبيقات الحساسة أمنياً في المتصفح، استخدم دالة crypto.getRandomValues() من واجهة برمجة تطبيقات التشفير على الويب (Web Crypto API)، المدعومة بمولد الأرقام العشوائية الزائفة الآمنة (CSPRNG) الخاص بنظام التشغيل.

هل يمكن أن يكون مولد الأرقام العشوائية غير قابل للتنبؤ حقاً؟

يُعتبر مولد الأرقام العشوائي الحقيقي (TRNG) المُعتمد على الأجهزة والمستمد من ظواهر الكم - مثل أوقات وصول الفوتونات أو تقلبات الفراغ الكمومي - غير قابل للتنبؤ بشكل أساسي وفقًا لميكانيكا الكم، مما يعني أنه لا توجد خوارزمية أو معلومات إضافية تُمكّن أي مُراقب من التنبؤ بمخرجاته بدقة أفضل من الصدفة. أما مولدات الأرقام العشوائية الزائفة (PRNGs) ومعظم مولدات الأرقام العشوائية الزائفة المشفرة (CSPRNGs) البرمجية، فهي غير قابلة للتنبؤ حسابيًا في ظل افتراضات التشفير القياسية، مما يعني أنها آمنة عمليًا ولكن لا يُمكن إثبات عدم قابليتها للتنبؤ بشكل قاطع بالمعنى الفيزيائي المطلق.

كيف يؤثر التهيئة على مولد الأرقام العشوائية؟

البذرة هي القيمة الابتدائية التي تُدخل في خوارزمية مولد الأرقام العشوائية الزائفة. تُنتج البذرة نفسها دائمًا التسلسل نفسه، وهي ميزة في الحوسبة العلمية لأنها تجعل التجارب قابلة للتكرار. أما البذرة الضعيفة - مثل استخدام الثانية الحالية كمصدر وحيد للإنتروبيا - فتُقلل بشكل كبير من العشوائية الفعلية لأن المهاجم يستطيع حصر جميع البذور المحتملة. تجمع ممارسات البذرة الجيدة بين مصادر إنتروبيا متعددة: الوقت الحالي بالنانو ثانية، ومعرّف العملية، وعناوين الذاكرة، والإنتروبيا التي يوفرها نظام التشغيل من /dev/urandom أو CryptGenRandom على نظام ويندوز.

ما هو مولد الأرقام العشوائية الذي تستخدمه وحدة الأرقام العشوائية في بايثون؟

تستخدم وحدة random في بايثون خوارزمية Mersenne Twister (MT19937)، التي يبلغ معدل تكرارها 2^ ¹⁹⁹³⁷ - 1، وتجتاز معظم الاختبارات الإحصائية. وهي مناسبة للمحاكاة والألعاب وأخذ العينات الإحصائية. مع ذلك، فهي غير آمنة تشفيرياً، إذ يمكن استعادة حالتها الداخلية بعد مراقبة 624 مخرجًا متتاليًا من 32 بت. لذا، يُنصح باستخدام وحدة secrets في بايثون للأعمال الحساسة أمنيًا، والتي تعتمد على os.urandom() وتستمد أرقامها من مولد الأرقام العشوائية المشفرة على مستوى نظام التشغيل.

كيف يتم توليد الأرقام العشوائية بدون استخدام جهاز كمبيوتر؟

قبل ظهور الحواسيب، كانت الأرقام العشوائية تُولّد بطرق فيزيائية: كرمي النرد، أو سحب كرات مرقمة من أسطوانة دوارة، أو قلب العملات المعدنية، أو خلط أوراق اللعب. نشرت مؤسسة راند كتابًا شهيرًا عام ١٩٥٥ بعنوان "مليون رقم عشوائي مع ١٠٠ ألف انحراف معياري" ، مُولّد بواسطة عجلة روليت إلكترونية. استُخدمت الجداول الإحصائية للأرقام العشوائية على نطاق واسع في استطلاعات الرأي والتجارب السريرية. واليوم، لا تزال الطرق اليدوية تُستخدم في بعض اليانصيب المنظمة وفي العروض التوضيحية داخل الفصول الدراسية، على الرغم من أنها أبطأ وأصعب في التدقيق من الطرق الإلكترونية.

لماذا يجب اختبار مولدات الأرقام العشوائية؟

حتى الخوارزميات المصممة لإنتاج مخرجات عشوائية المظهر قد تحتوي على تحيزات خفية، أو دورات قصيرة في أبعاد معينة، أو ارتباطات بين القيم المتتالية غير مرئية للفحص السطحي ولكن يمكن اكتشافها بالاختبارات الإحصائية. يمكن لهذه العيوب أن تُبطل نتائج المحاكاة، أو تُقلل من أمان أنظمة التشفير، أو تُدخل عنصر عدم الإنصاف في الألعاب واليانصيب. يكشف الاختبار باستخدام مجموعات مثل NIST SP 800-22 وBigCrush وPractRand هذه المشاكل قبل النشر. تُظهر الأمثلة التاريخية للمولدات المعيبة - بما في ذلك الإصدارات المبكرة من mt_rand() في PHP وثغرة OpenSSL في Debian عام 2008 - أن مولدات الأرقام العشوائية غير المختبرة قد تُسبب إخفاقات أمنية حقيقية.

ما هو مولد الأرقام العشوائية الزائفة الآمن تشفيرياً (CSPRNG)؟

مولد الأرقام العشوائية الآمنة المشفرة (CSPRNG) هو مولد أرقام عشوائية زائفة (PRNG) يفي بمتطلبين أمنيين إضافيين إلى جانب الجودة الإحصائية: اختبار البت التالي (لا يمكن لأي خوارزمية التنبؤ بالبت التالي باحتمالية أفضل بكثير من 50% بالنظر إلى جميع البتات السابقة) ومقاومة اختراق الحالة (إذا تمكن مهاجم من معرفة الحالة الداخلية عند الزمن T، فلن يتمكن من إعادة بناء المخرجات قبل T). تشمل مولدات الأرقام العشوائية الآمنة المشفرة الحديثة مولدات تعتمد على ChaCha20 (المستخدمة في /dev/urandom في نظام Linux منذ النواة 4.8)، وFortuna (المستخدمة في macOS وiOS)، وCTR_DRBG (المُقننة من قِبل المعهد الوطني للمعايير والتكنولوجيا NIST في SP 800-90A).

هل يمكن لمولدات الأرقام العشوائية أن تنتج قيماً مكررة؟

نعم، وهذا سلوك متوقع. لا تحتفظ العملية العشوائية الحقيقية بأي بيانات من المخرجات السابقة، لذا تحدث التكرارات بشكل طبيعي - وهذا ما يُعرف بمسألة عيد الميلاد في نظرية الاحتمالات. في عملية سحب عشوائي منتظم من 1 إلى N، يصبح احتمال التكرارات واردًا بعد سحب ما يقارب √N قيمة. إذا كان تطبيقك يتطلب قيمًا فريدة (مثل تعيين معرّفات فريدة أو خلط مجموعة أوراق لعب بدون تكرارات)، فيجب عليك استخدام خوارزمية خلط مثل فيشر-ياتس على مجموعة محددة مسبقًا، أو الاحتفاظ بمجموعة من القيم المستخدمة بالفعل ورفض التكرارات، بدلًا من الاعتماد على مخرجات مولد الأرقام العشوائية الخام لتجنب التصادمات.

كيف تضمن أدوات اليانصيب والسحب على الجوائز عبر الإنترنت العدالة؟

تضمن أدوات السحب الإلكترونية الموثوقة نزاهة العملية من خلال مجموعة من العوامل، تشمل: استخدام مصدر عشوائية عالي الجودة (ويُفضل استخدام مولد أرقام عشوائية حقيقي بدلاً من دالة Math.random())، ونشر الخوارزمية والبذرة قبل السحب ليتسنى التحقق من النتائج بشكل مستقل، وتوفير شهادات عشوائية موقعة تثبت توليد الأرقام قبل إغلاق السحب، وإجراء عمليات السحب بحضور مدققين مستقلين. تقدم RANDOM.ORG خدمة سحب خارجية تقوم بتسجيل وقت كل سحب وتوقيعه تشفيرياً، مما يُنشئ سجلاً قابلاً للتدقيق. أما بالنسبة لليانصيب الخاضع للتنظيم، فتشترط هيئات تنظيم الألعاب الوطنية استخدام مولدات أرقام عشوائية معتمدة للأجهزة، والحصول على موافقة مختبر اختبار مستقل قبل بدء تشغيل أي نظام.