Zufallszahlengenerator – Sofort, kostenlos und wirklich zufällig

Was ist ein Zufallszahlengenerator?

Ein Zufallszahlengenerator (RNG) ist ein System – computergestützt, physikalisch oder hybrid –, das eine Zahlenfolge erzeugt, die nicht besser als durch Zufall vorhergesagt werden kann. Jeder Ausgabewert ist statistisch unabhängig von den vorhergehenden Werten, und die gesamte Folge weist kein erkennbares Muster auf, das ein Beobachter zur Vorhersage zukünftiger Ausgaben nutzen könnte. Diese Definition klingt einfach, doch ihre praktische Umsetzung zählt zu den schwierigsten Problemen der angewandten Mathematik und Informatik.

Der Begriff „Zufallszahlengenerator“ umfasst zwei grundlegend verschiedene Dinge, die oft verwechselt werden: Pseudozufallszahlengeneratoren (PRNGs) , die deterministische Algorithmen verwenden, um Sequenzen zu erzeugen, die lediglich zufällig erscheinen, und echte Zufallszahlengeneratoren (TRNGs) , die tatsächliche physikalische Entropie aus dem Universum gewinnen. Eine dritte Kategorie, kryptografisch sichere Pseudozufallszahlengeneratoren (CSPRNGs) , liegt zwischen diesen beiden – deterministisch implementiert, aber so konzipiert, dass kein rechnerisch durchführbarer Angriff ihre Ausgabe von echter Zufälligkeit unterscheiden kann.

Warum Zufallszahlengeneratoren wichtig sind

Zufallszahlengeneratoren (RNGs) bilden eine tragende Infrastruktur in Wissenschaft, Sicherheit und alltäglicher Software. Ohne zuverlässige Zufälligkeit bricht die moderne Kryptographie zusammen: Jede TLS-Sitzung, jede verschlüsselte Nachricht, jede digitale Signatur basiert auf geheimen Schlüsseln, die unvorhersehbar sein müssen. Casinos, Lotterien und Online-Spiele sind für Fairness auf RNGs angewiesen. Wissenschaftliche Simulationen – von der Klimamodellierung bis zur Wirkstoffforschung – nutzen Zufallsstichproben, um Lösungen zu approximieren, die analytisch nicht lösbar sind. Statistische Stichproben, A/B-Tests, die prozedurale Generierung von Spielwelten und sogar die Initialisierung von Gewichten in neuronalen Netzen erfordern allesamt hochwertige Zufallszahlen.

Die Folgen fehlerhafter Zufallsgenerierung sind gravierend und gut dokumentiert. 2012 entdeckten Forscher, dass Millionen von RSA-Schlüsseln im Internet gemeinsame Primfaktoren aufwiesen, da die generierenden Geräte beim Systemstart nicht genügend Entropie besaßen. Ein Angreifer, der den Primfaktor einer gemeinsamen Primzahl ermittelt, kann den privaten Schlüssel rekonstruieren und die gesamte Kommunikation entschlüsseln. 2010 wurde die Sony PlayStation 3 geknackt, weil ihre ECDSA-Implementierung für jede Signatur dieselbe „zufällige“ Nonce wiederverwendete – ein einziger wiederholter Wert genügt, um den privaten Schlüssel algebraisch zu extrahieren. Dies sind keine Sonderfälle; sie sind die vorhersehbare Folge davon, Zufall als gelöstes Problem zu betrachten.

Wichtige Anwendungsbereiche

• Kryptographie und Sicherheit: Schlüsselerzeugung, Initialisierungsvektoren, Nonces, Salts, Session-Tokens und Zertifikatseriennummern.
• Simulationen und Modellierung: Monte-Carlo-Methoden, stochastische Differentialgleichungen, Teilchenphysik-Simulationen, epidemiologische Modelle.
• Spiele und Glücksspiel: Kartenmischen, Würfelwürfe, Spielautomaten-Ergebnisse, prozedurale Levelgenerierung, Beutetabellen.
• Statistik und Forschung: Zufallsstichproben, randomisierte kontrollierte Studien, Bootstrapping, Kreuzvalidierungsaufteilungen.
• Verteilte Systeme: Leader-Wahl, Lastverteilung mit Jitter, exponentieller Backoff mit zufälligen Verzögerungen.
• Maschinelles Lernen: Gewichtsinitalisierung, Dropout-Masken, Datenerweiterung, stochastischer Gradientenabstieg.

Wie ein Pseudozufallszahlengenerator funktioniert

Ein Pseudozufallszahlengenerator (PRNG) beginnt mit einem Startwert (Seed ) – einer einzelnen Zahl oder einem kleinen Datenblock – und wendet wiederholt eine deterministische mathematische Funktion an, um eine lange Folge von Ausgaben zu erzeugen. Bei gleichem Startwert ist die Folge perfekt reproduzierbar. Bei einem anderen Startwert sieht die Folge völlig anders aus. Die Qualität eines PRNG wird daran gemessen, wie gut er statistische Tests auf Zufälligkeit besteht und, für Sicherheitsanwendungen, ob sein interner Zustand aus seinen Ausgaben abgeleitet werden kann.

Lineare Kongruenzgeneratoren

Die älteste und einfachste Familie von Pseudozufallszahlengeneratoren (PRNGs) verwendet die Rekursionsformel X _ⁿ⁺¹ = (aX^{_n +c}) mod m , wobei a, c und m sorgfältig gewählte Konstanten sind. Die Funktion rand() ` der C-Standardbibliothek ist in vielen Implementierungen ein linearer Kongruenzgenerator (LCG). LCGs sind schnell und einfach zu implementieren, weisen aber gravierende Schwächen auf: Die niederwertigen Bits zyklisieren mit kurzen Perioden, die Periodendauer der gesamten Sequenz beträgt maximal m, und der interne Zustand lässt sich trivial aus wenigen Ausgaben wiederherstellen. Sie sind für einfache Simulationen und Spiele ohne Sicherheitsanforderungen akzeptabel, für kryptografische Anwendungen jedoch völlig ungeeignet.

Mersenne-Twister

Der Mersenne Twister (MT19937), 1998 von Matsumoto und Nishimura veröffentlicht, wurde zum Standard-PRNG in Python, Ruby, R, PHP und vielen anderen Programmiersprachen. Er hat eine Periode von 2 ^{¹⁹⁹³⁷} − 1 (astronomisch lang), besteht praktisch alle statistischen Tests und ist sehr schnell. Sein interner Zustand besteht aus 624 32-Bit-Ganzzahlen. Die entscheidende Schwäche: Beobachtet ein Angreifer 624 aufeinanderfolgende Ausgaben, kann er den gesamten internen Zustand rekonstruieren und jede zukünftige Ausgabe vorhersagen. Der Mersenne Twister ist daher für sicherheitskritische Anwendungen völlig ungeeignet, obwohl er häufig missbraucht wird.

Moderne PRNGs: Xoshiro, PCG und SFC

Zu den aktuell bewährten, nicht-kryptografischen PRNGs gehören die PCG-Familie (Permuted Congruential Generators), xoshiro256** und SFC64 . Diese Generatoren sind kleiner, schneller und statistisch überlegen gegenüber Mersenne Twister. Insbesondere PCG erzielt hervorragende Ergebnisse im TestU01 BigCrush-Test – der anspruchsvollsten Standard-Testsuite für statistische PRNGs. Aus genau diesem Grund hat NumPy in Version 1.17 seinen Standardgenerator von Mersenne Twister auf PCG64 umgestellt.

Wie ein kryptografisch sicherer PRNG funktioniert

Ein kryptografisch sicherer Pseudozufallszahlengenerator (CSPRNG) muss zwei Eigenschaften erfüllen, die über gewöhnliche statistische Zufälligkeit hinausgehen. Erstens: Unvorhersagbarkeit des nächsten Bits : Ausgehend von allen vorherigen Ausgaben kann kein Polynomialzeitalgorithmus das nächste Bit mit einer Wahrscheinlichkeit von mehr als 50 % vorhersagen. Zweitens: Widerstandsfähigkeit gegen Zustandskompromittierung : Wenn ein Angreifer den aktuellen internen Zustand erfährt, kann er vergangene Ausgaben nicht rekonstruieren (dies wird als Rückwärtsgeheimhaltung oder Backtracking-Resistenz bezeichnet).

Moderne Betriebssysteme stellen CSPRNGs als Kernfunktion bereit. Linux bietet /dev/urandom und den Systemaufruf ` getrandom() , die beide auf einen durch Hardwareereignisse initialisierten Kernel-Entropiepool zugreifen. Windows stellt BCryptGenRandom() bereit. macOS und iOS verwenden arc4random_buf() , das seit macOS 10.12 auf ChaCha20 basiert. Zu den in produktiven CSPRNGs verwendeten Konstrukten gehören `Hash_DRBG` , `HMAC_DRBG` und `CTR_DRBG` (alle standardisiert in NIST SP 800-90A) sowie ChaCha20-basierte Generatoren, die von den BSD-Systemen und modernen Linux-Distributionen verwendet werden.

Wie ein echter Zufallszahlengenerator funktioniert

Ein TRNG extrahiert Zufälligkeit aus physikalischen Prozessen, die tatsächlich unvorhersehbar sind – entweder weil sie fundamental quantenmechanisch sind oder weil sie chaotische klassische Systeme beinhalten, die empfindlich auf nicht messbare Anfangsbedingungen reagieren.

Häufige physikalische Entropiequellen

• Thermisches Rauschen (Johnson-Nyquist-Rauschen): Die zufällige Bewegung von Elektronen in einem Widerstand erzeugt Spannungsschwankungen, die abgetastet und digitalisiert werden können.
• Schrotrauschen: Das diskrete, zufällige Eintreffen von Photonen oder Elektronen an einem Detektor erzeugt ein messbares Zufallssignal.
• Radioaktiver Zerfall: Der Zeitpunkt von Zerfallsereignissen einer radioaktiven Quelle ist tatsächlich quantenmechanisch zufällig. RANDOM.ORG verwendet atmosphärisches Radiorauschen, das ähnlich unvorhersehbar ist.
• Quantenoptische Quellen: Ankunftszeiten von Photonen, Vakuumfluktuationen, gemessen durch Homodyn-Detektion, und die Wahl des Strahlteilerpfads sind allesamt Quellen zertifizierter Quantenzufälligkeit.
• Hardware-Entropie in Endgeräten: Moderne CPUs verfügen über dedizierte Hardware-Zufallszahlengeneratoren. Intels RDRAND nutzt eine integrierte thermische Rauschquelle, deren Rauschen mittels AES-CBC-MAC aufbereitet wird. AMDs entsprechendes Verfahren funktioniert ähnlich. ARMs TrustZone beinhaltet eine Hardware-Entropiequelle, auf die das Betriebssystem zugreifen kann.
• Betriebssystem-Entropiepools: Linux sammelt Entropie aus Interrupt-Timing, Festplatten-E/A-Latenz, Netzwerkpaket-Ankunftszeiten und Hardware-RNG-Anweisungen und vermischt diese durch eine kryptografische Konstruktion, um den Entropiepool des Kernels zu erzeugen.

Das Konditionierungsproblem

Physikalisches Rauschen ist selten gleichmäßig verteilt. Eine thermische Rauschquelle kann aufgrund von Schaltungsasymmetrien etwas mehr Nullen als Einsen erzeugen. Ein thermischer Rauschgenerator (TRNG) enthält daher einen Konditionierungsschritt – typischerweise einen kryptografischen Hash oder eine Extraktionsfunktion –, der die Rohdaten zu einer kürzeren, nachweislich gleichmäßigen Ausgabe komprimiert. Das Verhältnis der verbrauchten Rohbits zu den erzeugten Ausgabebits wird als Min-Entropie-Rate bezeichnet, und ein gut konzipierter TRNG charakterisiert diese Rate sorgfältig. NIST SP 800-90B definiert die Test- und Validierungsanforderungen für Entropiequellen, die in föderalen Systemen eingesetzt werden.

Vergleich von PRNG, CSPRNG und TRNG

Eigentum	PRNG	CSPRNG	TRNG
Deterministisch	Ja	Ja (nach der Aussaat)	NEIN
Vermehrbar aus Samen	Ja	Ja	NEIN
Besteht statistische Tests	Normalerweise	Ja	Ja (nach der Konditionierung)
Schutz vor Vorhersagen	NEIN	Ja	Ja
Geschwindigkeit	Sehr schnell	Schnell	Langsam (hardwarebedingt)
Erfordert Hardware-Entropie	Nur zur Aussaat	Nur zur Aussaat	Stets
Typische Anwendungsfälle	Simulationen, Spiele, Stichproben	Schlüsselerzeugung, Token, Kryptographie	Hochsichere Schlüssel, Glücksspielregulierung, Forschung

Die statistische Definition von Zufälligkeit

Zufall ist keine binäre Eigenschaft – er existiert auf einem Spektrum, und der geeignete Standard hängt vollständig von der Anwendung ab. Eine Sequenz gilt für einen bestimmten Zweck als zufällig, wenn kein für diesen Zweck relevanter Test sie von einer theoretisch idealen Zufallssequenz unterscheiden kann. Das NIST veröffentlicht eine statistische Testsuite (SP 800-22) mit fünfzehn Tests, darunter Frequenzanalyse, Laufzeittests, Spektralanalyse und lineare Komplexitätsanalyse. Die BigCrush-Testbatterie der TestU01-Bibliothek, entwickelt an der Université de Montréal, ist noch anspruchsvoller und umfasst 106 verschiedene Tests. Ein Generator, der bei BigCrush durchfällt, ist unabhängig von seiner Laufzeit für ernsthafte Simulationsarbeiten ungeeignet.

Es ist wichtig, genau zu definieren, was Zufall nicht bedeutet. Eine Zahlenfolge wie 1, 2, 3, 4, 5 ist nicht zufällig, obwohl jede einzelne Zahl gleich wahrscheinlich ist – das Muster ist vorhersehbar. Umgekehrt kann eine Folge lokal zufällig erscheinen (dreimal hintereinander Kopf bei einer fairen Münze), ohne dass sie nicht zufällig ist. Zufall ist eine Eigenschaft des Erzeugungsprozesses, nicht einer isoliert betrachteten Ausgabefolge.

Wie Zufallszahlengeneratoren funktionieren: Kernmechanismen und praktische Strategien

Zufallszahlengeneratoren lassen sich in zwei grundlegende Kategorien einteilen: Pseudozufallszahlengeneratoren (PRNGs), die deterministische Algorithmen mit einem Startwert verwenden, und echte Zufallszahlengeneratoren (TRNGs), die Entropie aus physikalischen Phänomenen gewinnen. Die Wahl des richtigen Typs, die korrekte Initialisierung und die Anwendung auf Ihren spezifischen Anwendungsfall entscheiden darüber, ob Ihre Ergebnisse statistisch zuverlässig, kryptografisch sicher oder gefährlich vorhersehbar sind.

Schritt-für-Schritt-Strategie zur Auswahl und Verwendung eines Zufallsgenerators

Bevor Sie eine einzige Zahl generieren, müssen Sie den Generator an die jeweilige Aufgabe anpassen. Die Verwendung eines schnellen PRNG für die kryptografische Schlüsselerzeugung ist einer der folgenreichsten Fehler in der Software-Sicherheit. Ebenso verschwendet die Verwendung eines langsamen Hardware-RNG für eine Monte-Carlo-Simulation mit Milliarden von Iterationen unnötig Ressourcen. Die folgenden Schritte führen Sie anhand der grundlegenden Prinzipien durch den Entscheidungsprozess.

Schritt 1: Definieren Sie Ihre Anforderungen an die Zufälligkeit.

Bevor Sie ein Werkzeug oder eine Bibliothek berühren, sollten Sie sich drei Fragen stellen:

• Spielt Vorhersagbarkeit eine Rolle? Wenn ein Angreifer durch das Erraten Ihrer Zahlen Schaden anrichten kann – etwa in der Kryptographie, beim Glücksspiel, bei Lotterien oder bei Sicherheitstoken –, benötigen Sie Zufallszahlen in kryptografischer Qualität. Für Physiksimulationen oder das Mischen einer Playlist genügt hingegen ein hochwertiger Pseudozufallszahlengenerator.
• Wie viele Zahlen benötigen Sie? Manche Zufallsgeneratoren haben endliche Perioden. Der Mersenne-Twister, der im Python-Modul ` random und in vielen anderen Programmiersprachen weit verbreitet ist, hat eine Periode von 2^{¹⁹⁹³⁷} − 1. Diese ist für die meisten Anwendungen astronomisch groß, aber dennoch endlich und deterministisch.
• Benötigen Sie Reproduzierbarkeit? Wissenschaftliche Experimente und die prozedurale Spielgenerierung erfordern oft die exakte Wiedergabe derselben Sequenz. Ein initialisierter PRNG (Pseudozufallszahlengenerator) bietet dies. Ein TRNG (True Reproduzierbarkeitsgenerator) hingegen nicht.

Schritt 2: Wählen Sie den richtigen Generatortyp aus

Anwendungsfall	Empfohlener Generator	Beispiele
Kryptografische Schlüssel, Passwörter, Token	CSPRNG (Kryptografisch sicherer PRNG)	secrets module (Python), crypto.randomBytes (Node.js), /dev/urandom (Linux)
Simulationen, Statistik, maschinelles Lernen	Hochwertiger PRNG	Mersenne Twister, PCG64, xoshiro256**
Lotterien, überprüfbare Ziehungen	TRNG oder zertifizierte Hardware-RNG	RANDOM.ORG, Hardware-Sicherheitsmodule (HSMs)
Spiele, prozedurale Generierung	Seeded PRNG	Mersenne Twister, LCG mit guten Konstanten
Echtzeit-Eingebettete Systeme	Hardware-Zufallsgenerator auf dem Chip	Intel RDRAND, ARM TrueRNG

Schritt 3: Generator korrekt initialisieren

Der Seed ist der zentrale Schwachpunkt der meisten PRNG-Implementierungen. Ein schwacher oder vorhersehbarer Seed bringt das gesamte Sicherheitsmodell eines PRNG zum Einsturz, egal wie ausgefeilt sein Algorithmus ist.

• Verwenden Sie Startwerte mit hoher Entropie. Betriebssystem-Entropiepools ( /dev/urandom unter Unix, CryptGenRandom unter Windows ) kombinieren Hardwareereignisse – Tastatur-Timings, Festplatten-Interrupts, Netzwerkpaket-Ankunft – um Startwerte zu erzeugen, die praktisch unmöglich vorherzusagen sind.
• Verwenden Sie niemals nur die Systemuhr als Seed. Ein Angreifer, der die ungefähre Startzeit Ihres Programms kennt, kann einen zeitstempelbasierten Seed innerhalb von Sekunden per Brute-Force-Angriff ermitteln. Diese Schwachstelle wurde bereits in realen Angriffen auf Online-Pokerseiten und Lotteriesysteme ausgenutzt.
• Setzen Sie niemals feste Startwerte in den Produktivcode. Ein fester Startwert erzeugt bei jeder Ausführung dieselbe Sequenz. Dies ist zwar für Tests nützlich, aber katastrophal für die Sicherheit.
• Bei Anwendungen mit langer Laufzeit sollte der Generator regelmäßig neu initialisiert werden. Läuft Ihre Anwendung über Tage oder Wochen, verhindert die regelmäßige Zufuhr neuer Entropie, dass der Generator in einen vorhersehbaren Zustand gerät.

Schritt 4: Wenden Sie den Generator auf Ihre spezifische Aufgabe an

Die Erzeugung einer einfachen Zufallszahl ist selten das Endziel. Die praktische Anwendung – Stichprobenziehung, Mischen, Bereichsabbildung – birgt eigene Fehlerquellen.

Zahlen in einem Bereich generieren

Die naive Verwendung des Modulo-Operators ( rand() % N ) führt zu einer Modulo-Verzerrung. Ist der Ausgabebereich des Generators nicht durch N teilbar, treten manche Werte häufiger auf als andere. Erzeugt Ihr Generator beispielsweise Werte von 0 bis 32767 und Sie benötigen Zahlen von 0 bis 99, so treten die Werte 0–67 etwas häufiger auf als die Werte 68–99, da 32768 nicht durch 100 teilbar ist.

• Verwenden Sie das Ablehnungsverfahren. Verwerfen Sie Werte, die in den verzerrten Randbereich fallen, und ziehen Sie die Stichprobe neu. Die meisten gut implementierten Standardbibliotheken erledigen dies automatisch.
• Verwenden Sie eingebaute Bereichsfunktionen. Pythons random.randint(a, b) , Javas ThreadLocalRandom.nextInt(origin, bound) und ähnliche Funktionen behandeln die Verzerrung intern.
• Für kryptografische Anwendungen verwenden Sie das secrets Modul in Python oder ein gleichwertiges Modul, das standardmäßig eine unvoreingenommene Bereichsauswahl implementiert.

Eine Liste fair mischen

Der Fisher-Yates-Shuffle (auch Knuth-Shuffle genannt) ist der einzige korrekte Algorithmus zur Erzeugung einer gleichverteilten Zufallspermutation. Er funktioniert, indem er vom letzten zum ersten Element iteriert und jedes Element mit einem zufällig gewählten Element an oder vor seiner aktuellen Position vertauscht.

1. Beginnen Sie beim letzten Index i = n−1.
2. Wähle einen zufälligen Index j, wobei 0 ≤ j ≤ i.
3. Vertausche die Elemente an den Positionen i und j .
4. Verringere i und wiederhole den Vorgang, bis i = 0 ist.

Die naive Alternative – die zufällige Auswahl jeder Position für jedes Element unabhängig voneinander – führt nicht zu einer Gleichverteilung. Manche Permutationen treten häufiger auf als andere, was einen messbaren und ausnutzbaren Fehler bei Kartenspielen und Lotterien darstellt.

Stichproben ohne Zurücklegen

Wenn Sie k eindeutige Werte aus einer Grundgesamtheit von n benötigen, ist das Ziehen und Verwerfen von Duplikaten ineffizient. Verwenden Sie Reservoir Sampling für große oder Streaming-Datensätze oder Fisher-Yates auf einer Kopie der Grundgesamtheit für kleinere Datensätze. Pythons ` random.sample(population, k) implementiert dies korrekt und effizient.

Schritt 5: Testen Sie die Ausgangsqualität Ihres Generators.

Selbst ein korrekt implementierter Zufallszahlengenerator kann in bestimmten Anwendungen versagen, wenn seine statistischen Eigenschaften nicht den Anforderungen der Anwendung entsprechen. Standard-Testreihen decken die meisten Fehler auf.

• TestU01 (BigCrush): Die strengste statistische Testbatterie für PRNGs. Sie umfasst Hunderte von Tests und kann subtile Korrelationen aufdecken, die einfachere Tests übersehen. Viele ältere Generatoren, darunter einige LCG-Varianten, bestehen den BigCrush-Test nicht.
• Diehard / Dieharder: Eine weit verbreitete Sammlung statistischer Tests, die ursprünglich von George Marsaglia entwickelt wurde. Dieharder ist die aktualisierte, erweiterte Version.
• NIST SP 800-22: Die Standard-Testsuite für kryptografische Zufallszahlengeneratoren, die für die FIPS-Zertifizierung erforderlich ist. Sie testet Frequenz, Laufanzahl, spektrale Eigenschaften und mehr.
• PractRand: Besonders gut geeignet zur Erkennung von Ausfällen in Generatoren mit kurzen Perioden oder schlechter Diffusion.

Häufige Fehler, die es zu vermeiden gilt

Die meisten Fehler von Zufallszahlengeneratoren in Produktionssystemen resultieren aus wenigen wiederkehrenden Fehlern. Durch deren frühzeitige Erkennung lassen sich die meisten realen Schwachstellen und statistischen Artefakte vermeiden.

Fehler 1: Verwendung von Math.random() oder einer gleichwertigen Funktion für Sicherheitszwecke

JavaScripts ` Math.random() , Pythons ` random Modul (nicht secrets ), PHP's ` rand() und ähnliche allgemeine Funktionen sind ausdrücklich als ungeeignet für kryptografische Anwendungen dokumentiert. Sie priorisieren Geschwindigkeit gegenüber Unvorhersagbarkeit. Ein Angreifer, der genügend Ausgabewerte beobachtet, kann den internen Zustand eines Mersenne-Twisters mit nur 624 aufeinanderfolgenden 32-Bit-Ausgaben rekonstruieren und anschließend alle zukünftigen Werte vorhersagen. Dieser Angriff wurde auf Live-Glücksspielplattformen demonstriert.

Fehler 2: Wiederverwendung desselben Seeds in mehreren Sitzungen

Wenn eine Webanwendung ihren Session-Token-Generator mit der Prozess-ID oder dem Startzeitstempel des Servers initialisiert, teilen sich alle in derselben Sekunde generierten Session-Token denselben Seed. Dies ist keine Theorie – es war die Hauptursache für Session-Hijacking-Schwachstellen in produktiven Frameworks.

Fehler 3: Erzeugung von zu wenigen Bits für die erforderliche Entropie

Eine 6-stellige PIN hat etwa 20 Bit Entropie. Eine UUID v4 hat 122 Bit. Ein kryptografischer Schlüssel benötigt mindestens 128 Bit für symmetrische Verschlüsselung und 256 Bit für langfristige Sicherheit gegen zukünftige Hardware. Kurze Token zu generieren und anzunehmen, sie seien nicht zu erraten, ist ein struktureller Fehler, kein Implementierungsdetail.

Fehler 4: Plattformspezifisches Verhalten ignorieren

• Bei einigen älteren Linux-Kerneln blockiert das Lesen von /dev/random , sobald der Entropiepool erschöpft ist. /dev/urandom blockiert nicht und ist nach dem Systemstart für die meisten kryptografischen Anwendungen sicher.
• Virtuelle Maschinen können beim Start eine geringere Entropie aufweisen, da ihnen die Hardware-Ereignisvielfalt physischer Maschinen fehlt. Das Initialisieren von Schlüsseln unmittelbar nach der VM-Instanziierung kann zu schwachen Schlüsseln führen.
• Manche eingebettete Systeme verfügen über gar keinen Hardware-Zufallszahlengenerator. Entwickler greifen daher mitunter auf reine Software-Entropiequellen zurück, die deutlich schwächer sind, als es den Anschein hat.

Fehler 5: Die zufällige Verteilung der Ergebnisse ohne Überprüfung als gleichmäßig zufällig behandeln

Wenn der zugrunde liegende Zufallszahlengenerator eine kürzere Periode hat als die Anzahl der möglichen Permutationen Ihres Datensatzes, können nicht alle Permutationen jemals erzeugt werden. Ein Standardkartenspiel mit 52 Karten bietet 52! ≈ 2 ^²²⁶ mögliche Reihenfolgen. Ein Generator mit einem 32-Bit-Seed kann maximal 2 ^³² ≈ 4 Milliarden verschiedene Sequenzen erzeugen – einen verschwindend kleinen Bruchteil aller möglichen Mischungen. Bei Kartenspielen mit realen Einsätzen ist dies eine konkrete und ausnutzbare Schwäche.

Fehler 6: Verwechslung von Unabhängigkeit und Uniformität

Eine Sequenz kann gleichverteilt sein – jeder Wert tritt gleich häufig auf – und dennoch zwischen aufeinanderfolgenden Ziehungen eine hohe Korrelation aufweisen. Viele minderwertige LCGs bestehen Frequenztests, scheitern jedoch an Spektraltests, da ihre aufeinanderfolgenden Werte auf wenige Hyperebenen im mehrdimensionalen Raum fallen. Dieses Artefakt, die sogenannte Gitterstruktur von LCGs, macht sie für die mehrdimensionale Monte-Carlo-Integration ungeeignet.

Praktische Taktiken nach Programmiersprache

Python

• Verwenden Sie secrets.token_bytes(n) , secrets.token_hex(n) oder secrets.randbelow(n) für jeden sicherheitsrelevanten Wert.
• Verwenden Sie random.SystemRandom() als direkten Ersatz für random.Random() wenn Sie die Standardschnittstelle benötigen, die auf der Entropie des Betriebssystems basiert.
• Für numerische Berechnungen verwenden Sie numpy.random.default_rng() , das standardmäßig den PCG64-Generator verwendet, einen modernen, hochwertigen PRNG, der BigCrush besteht.

JavaScript / Node.js

• Verwenden Sie für alle Sicherheitszwecke crypto.randomBytes(n) oder crypto.getRandomValues() (Web Crypto API in Browsern).
• Verwenden Sie niemals Math.random() für Tokens, IDs oder irgendetwas, das ein Angreifer möglicherweise vorhersagen könnte.

Java

• Verwenden Sie java.security.SecureRandom für kryptografische Zwecke. Instanziieren Sie es einmal und verwenden Sie die Instanz wieder – die Erstellung ist aufwändig.
• Verwenden Sie ThreadLocalRandom für Anwendungen mit hohem Durchsatz, die keine Sicherheitslücken aufweisen, in Multithread-Umgebungen.
• Vermeiden Sie java.util.Random in Kontexten mit gleichzeitiger Ausführung – es verwendet einen gemeinsamen Startwert, der bei Konkurrenz zu Kollisionen führen kann.

C / C++

• Vermeiden Sie rand() aus der C-Standardbibliothek. Sie ist implementierungsabhängig, oft ein schwacher LCG-Operator und nicht threadsicher.
• Verwenden Sie std::mt19937 aus <random> , initialisiert mit std::random_device für allgemeine Zwecke.
• Für kryptografische Anwendungen rufen Sie die Betriebssystemprimitive direkt auf: getrandom() unter Linux, BCryptGenRandom unter Windows.

Tools, Software und Automatisierung zur Generierung von Zufallszahlen

Die am weitesten verbreiteten Zufallszahlengeneratoren reichen von browserbasierten Diensten wie RANDOM.ORG (der Entropie aus atmosphärischem Rauschen gewinnt) bis hin zu in jede gängige Programmiersprache integrierten kryptografischen Bibliotheken. Die Wahl des richtigen Werkzeugs hängt vom Anwendungsfall ab: Statistische Simulationen erfordern Geschwindigkeit und statistische Qualität, Sicherheitsanwendungen benötigen kryptografische Unvorhersagbarkeit und physikalische Experimente benötigen echte Hardware-Zufälligkeit.

Browserbasierte und Online-Zufallszahlengeneratoren

Online-Zufallsgeneratoren erfordern keine Installation und eignen sich für gelegentliche Ziehungen, Demonstrationen im Unterricht und schnelle Entscheidungen. Zu den renommiertesten Anbietern gehören:

• RANDOM.ORG nutzt atmosphärisches Radiorauschen als echte Entropiequelle. Es bietet Integer-Generatoren, Sequenz-Mischfunktionen, Gauß-Generatoren und eine quotenbasierte API für den programmatischen Zugriff.
• Googles eingebauter Zufallszahlengenerator – Die Suche nach „Zufallszahl zwischen 1 und 100“ bei Google liefert sofort ein Ergebnis mithilfe eines PRNG, der mit der Systementropie initialisiert wird.
• Tools für Zahlenrad-Auswahl – Visuelle Drehscheiben-Oberflächen, die im Hintergrund JavaScript Math.random() verwenden und sich für Auswahlen im Unterricht oder in Spielshows eignen.
• Strohabstimmung und Namensrad – Kombinieren Sie Listeneingaben mit zufälliger Auswahl für Teamzuweisungen, Preisverlosungen und Gruppenentscheidungen.

Eine wesentliche Einschränkung der meisten Browser-Tools besteht darin, dass sie auf JavaScripts ` Math.random() basieren, einem Pseudozufallszahlengenerator (PRNG), der nicht kryptografisch sicher ist. Für alles, was mit Sicherheit, Token oder Finanzentscheidungen zu tun hat, sollten Sie stattdessen ein spezielles kryptografisches Tool oder eine Bibliothek verwenden.

Programmiersprachenbibliotheken und integrierte Funktionen

Jede gängige Programmiersprache enthält mindestens ein Modul für Zufallszahlengeneratoren (RNG). Die folgende Tabelle fasst die am häufigsten verwendeten Optionen und ihre Sicherheitsklassifizierung zusammen:

Sprache	Standard PRNG	Kryptografischer Zufallszahlengenerator	Anmerkungen
Python	Zufalls-Twister (Mersenne-Twister)	secrets, os.urandom()	Verwenden Sie Geheimnisse für Token, Passwörter und Schlüssel.
JavaScript	Math.random()	crypto.getRandomValues()	Die Web Crypto API ist in allen modernen Browsern verfügbar.
Java	java.util.Random	java.security.SecureRandom	SecureRandom blockiert, bis ausreichend Entropie verfügbar ist.
C / C++	rand() (in der Produktion vermeiden)	/dev/urandom, RDRAND-Anweisung	rand() ist schwach; verwenden Sie für ernsthafte Berechnungen die Entropie des Betriebssystems.
Gehen	Mathematik/Zufallszahlen	Krypto/Rand	crypto/rand liest direkt vom CSPRNG des Betriebssystems.
Rubin	Zufällig (MT-basiert)	SecureRandom	SecureRandom umschließt OpenSSL oder /dev/urandom.
PHP	rand(), mt_rand()	random_bytes(), random_int()	random_int() basiert seit PHP 7 auf einem CSPRNG.

Hardware-Zufallszahlengeneratoren

Für Anwendungen, die höchste Entropiequalität erfordern – wie etwa die Schlüsselerzeugung für Zertifizierungsstellen, Hardware-Sicherheitsmodule (HSMs) oder wissenschaftliche Instrumente – stehen dedizierte Hardware-Zufallszahlengeneratoren (HRNGs) zur Verfügung:

• Intel RDRAND / RDSEED — Befehle auf CPU-Ebene, die thermisches Rauschen von On-Chip-Schaltungen abtasten, verfügbar auf den meisten modernen x86-Prozessoren seit Ivy Bridge (2012).
• Dedizierte USB-HRNGs – Geräte wie OneRNG oder TrueRNG werden an einen USB-Anschluss angeschlossen und speisen Entropie in den OS-Pool über /dev/random oder /dev/urandom unter Linux ein.
• HSMs (Hardware-Sicherheitsmodule) – Geräte der Enterprise-Klasse von Anbietern wie Thales, Entrust und AWS CloudHSM, die kryptografische Schlüssel mithilfe zertifizierter Hardware-Entropiequellen generieren und speichern.
• Quantum RNG services — Cloud APIs from ID Quantique and ANU (Australian National University) provide random bits derived from quantum vacuum fluktuations, and provide proofly non-deterministic output.

Automatisierung und Workflow-Integration

Die Automatisierung der Zufallszahlengenerierung innerhalb größerer Arbeitsabläufe – A/B-Testing-Pipelines, Monte-Carlo-Simulationen, geplante Lotterien oder stichprobenartige Audits – erfolgt typischerweise über einen von drei Ansätzen:

1. API-Integration – RANDOM.ORG bietet eine JSON-RPC-API, die echte Zufallszahlen, -sequenzen, -zeichenketten und UUIDs zurückgibt. Authentifizierte Anfragen ermöglichen höhere Kontingente und signierte Zufallszahlen mit verifizierbaren Echtheitszertifikaten.
2. CI/CD-Pipeline-Seeding — Statistische Testwerkzeuge wie TestU01 oder Dieharder können automatisch in Continuous-Integration-Pipelines ausgeführt werden, um zu überprüfen, ob eine benutzerdefinierte RNG-Implementierung die statistische Qualität über Codeänderungen hinweg beibehält.
3. Plattformnative Zeitplanung – Cloud-Plattformen (AWS Lambda, Google Cloud Functions, Azure Functions) können RNG-basierte Prozesse nach einem Zeitplan auslösen, beispielsweise um zufällige Stichproben aus Protokolleinträgen für Sicherheitsaudits zu ziehen oder um täglich zufällige Kohorten in Verhaltensexperimenten zuzuweisen.

Tools wie AutoSEO zeigen, wie Automatisierung sich sogar auf Content- und Daten-Workflows ausweiten kann, die auf Zufallsstichproben basieren. AutoSEO automatisiert die Identifizierung, Prüfung und Priorisierung von SEO-Aufgaben, indem es mithilfe von Zufallsstichproben repräsentative Seitenteilmengen aus großen Crawling-Datensätzen auswählt. So wird sichergestellt, dass die Qualitätsprüfungen unvoreingenommen sind und keine systematischen blinden Flecken entstehen, weil immer nur dieselben stark frequentierten Seiten geprüft werden. Dies entspricht der Logik randomisierter kontrollierter Studien: Durch die Einführung strukturierter Zufälligkeit in den Auswahlprozess liefert AutoSEO statistisch validere Bewertungen des Website-Zustands als deterministische, regelbasierte Prüfverfahren.

Wie man die Qualität und den Erfolg eines Zufallszahlengenerators misst

Ein guter Zufallszahlengenerator besteht statistische Tests auf Gleichverteilung, Unabhängigkeit und Unvorhersagbarkeit. Die wichtigsten Kriterien sind empirische Testreihen, theoretische Periodenanalysen und – bei kryptografischen Zufallszahlengeneratoren – die Resistenz gegen Zustandsrekonstruktionsangriffe.

Statistische Testreihen

Es lässt sich keine endliche Folge als absolut zufällig beweisen, aber Folgen können auf erkennbare Nicht-Zufälligkeit getestet werden. Die maßgeblichsten Testreihen sind:

• NIST SP 800-22 – Eine Reihe von 15 statistischen Tests, die vom National Institute of Standards and Technology (NIST) veröffentlicht wurden und zur Bewertung von Zufallszahlengeneratoren (RNGs) verwendet werden, die für die kryptografische Zertifizierung eingereicht werden. Die Tests umfassen Frequenz-, Lauf-, Spektral- (DFT) und Serientests.
• TestU01 (BigCrush) – BigCrush wurde an der Universität Montreal entwickelt und ist die anspruchsvollste öffentlich verfügbare Testbatterie für statistische Verfahren. Algorithmen wie LCGs und ältere Wichmann-Hill-Generatoren scheitern daran; Xoshiro256** und PCG bestehen ihn.
• Dieharder – Eine Open-Source-Erweiterung der ursprünglichen Diehard-Batterie von George Marsaglia, die über 100 Tests an großen Stichproben der Generatorleistung durchführt.
• PractRand – Eine moderne Testsuite, die sich auf sehr große Stichprobenumfänge (Terabytes an Ausgabedaten) skalieren lässt und in der Lage ist, subtile Verzerrungen zu erkennen, die bei Tests mit kleineren Stichproben unsichtbar sind.

Wichtige Qualitätskennzahlen

• Periodenlänge – Die Anzahl der Werte, die generiert werden, bevor sich die Sequenz wiederholt. Der Mersenne-Twister hat eine Periode von 2 × ^{10⁹⁹³⁷} − 1, was für praktisch alle nicht-kryptografischen Anwendungen ausreichend ist.
• Gleichverteilung — Ob die Werte in eindimensionalen, zweidimensionalen und höherdimensionalen Projektionen gleichmäßig über den Ausgabebereich verteilt sind.
• Seed-Sensitivität — Ob kleine Änderungen im Seed zu völlig anderen Ausgabesequenzen führen (wichtig für die Reproduzierbarkeit der Simulation).
• Durchsatz – Ausgabegeschwindigkeit in MB/s oder Milliarden von Zahlen pro Sekunde, relevant für rechenintensive Monte-Carlo-Workloads.
• Vorwärts- und Rückwärtsgeheimhaltung – Bei kryptografisch sicheren Pseudozufallszahlengeneratoren (CSPRNGs) geht es darum, ob ein Angreifer, der die Ausgabe zum Zeitpunkt T beobachtet, vergangene oder zukünftige Ausgaben rekonstruieren kann. Dies wird getestet, indem versucht wird, den Zustand anhand der beobachteten Bits zu rekonstruieren.

Erfolgsmessung in angewandten Kontexten

Neben der technischen Qualität hängen die Erfolgskennzahlen vom Einsatzkontext ab:

• Lotterien und Ziehungen – Prüfprotokolle, Überprüfung durch Dritte und unterzeichnete Zufälligkeitszertifikate (erhältlich bei RANDOM.ORG) belegen die Fairness gegenüber den Teilnehmern.
• Kryptografische Anwendungen – Die Einhaltung der FIPS 140-3- oder Common Criteria-Zertifizierungen bestätigt, dass die Entropiequelle und der CSPRNG den staatlichen und branchenspezifischen Standards entsprechen.
• Wissenschaftliche Simulationen – Reproduzierbarkeit (das gleiche Saatgut führt zu gleichen Ergebnissen) und die Fähigkeit, BigCrush oder PractRand bei den in der Simulation verwendeten Stichprobengrößen zu bestehen.
• A/B-Testing – Balance-Checks bestätigen, dass die Behandlungs- und Kontrollgruppen hinsichtlich der vor dem Experiment erhobenen Kovariaten statistisch gleichwertig sind, wodurch bestätigt wird, dass die Randomisierung unvoreingenommen war.

Häufig gestellte Fragen

Worin besteht der Unterschied zwischen einem echten Zufallszahlengenerator und einem Pseudozufallszahlengenerator?

Ein echter Zufallszahlengenerator (TRNG) erzeugt Zufallszahlen aus einem physikalischen, unvorhersehbaren Prozess – wie beispielsweise thermischem Rauschen, radioaktivem Zerfall oder atmosphärischem Funkrauschen – und liefert somit tatsächlich nicht-deterministische Ergebnisse. Ein Pseudozufallszahlengenerator (PRNG) hingegen verwendet einen deterministischen mathematischen Algorithmus mit einem festgelegten Startwert; bei gleichem Startwert erzeugt er stets dieselbe Zahlenfolge. PRNGs sind schneller und reproduzierbar und daher ideal für Simulationen und Spiele. TRNGs sind langsamer, aber notwendig, wenn Unvorhersagbarkeit eine Sicherheitsanforderung darstellt, beispielsweise bei der Generierung kryptografischer Schlüssel.

Ist die Verwendung von Math.random() in JavaScript aus Sicherheitsgründen unbedenklich?

Nein. JavaScripts ` Math.random() ist ein Pseudozufallszahlengenerator (PRNG), der ausdrücklich als kryptografisch unsicher dokumentiert ist. Sein interner Zustand kann potenziell aus der Ausgabe rekonstruiert werden. Er sollte daher niemals zur Generierung von Passwörtern, Sitzungstoken, API-Schlüsseln oder anderen Werten verwendet werden, bei denen ein Angreifer durch das Erraten der Ausgabe Schaden anrichten könnte. Für sicherheitskritische Anwendungen im Browser verwenden Sie stattdessen crypto.getRandomValues() aus der Web Crypto API, die auf dem kryptografisch sicheren Pseudozufallszahlengenerator (CSPRNG) des Betriebssystems basiert.

Kann ein Zufallszahlengenerator wirklich unvorhersehbar sein?

Ein hardwarebasierter TRNG, der auf Quantenphänomenen wie Photonenlaufzeiten oder Quantenvakuumfluktuationen basiert, gilt quantenmechanisch als fundamental unvorhersagbar. Das bedeutet, dass kein Algorithmus oder zusätzliche Informationen es einem Beobachter ermöglichen könnte, seine Ausgabe besser als zufällig vorherzusagen. PRNGs und die meisten softwarebasierten CSPRNGs sind unter gängigen kryptografischen Annahmen rechnerisch unvorhersagbar. Sie sind zwar in der Praxis sicher, aber nicht im absolut physikalischen Sinne beweisbar unvorhersagbar.

Wie wirkt sich die Initialisierung eines Zufallszahlengenerators aus?

Der Seed ist der Startwert, der einem PRNG-Algorithmus zugeführt wird. Derselbe Seed erzeugt stets dieselbe Sequenz, was in der wissenschaftlichen Datenverarbeitung von Vorteil ist, da es die Reproduzierbarkeit von Experimenten ermöglicht. Ein ungeeigneter Seed – beispielsweise die Verwendung der aktuellen Sekunde als einzige Entropiequelle – reduziert die effektive Zufälligkeit drastisch, da ein Angreifer alle plausiblen Seeds auflisten kann. Eine gute Seed-Methode kombiniert mehrere Entropiequellen: die aktuelle Zeit in Nanosekunden, die Prozess-ID, Speicheradressen und die vom Betriebssystem bereitgestellte Entropie aus `/dev/urandom` oder `CryptGenRandom` unter Windows.

Welchen Zufallszahlengenerator verwendet das random-Modul von Python?

Das random von Python verwendet den Mersenne-Twister-Algorithmus (MT19937) mit einer Periode von 2 ^{¹⁹⁹³⁷} − 1, der die meisten statistischen Tests besteht. Er eignet sich für Simulationen, Spiele und statistische Stichproben. Allerdings ist er nicht kryptografisch sicher – der interne Zustand kann nach 624 aufeinanderfolgenden 32-Bit-Ausgaben rekonstruiert werden. Für sicherheitskritische Anwendungen in Python empfiehlt sich das Modul secrets , das auf os.urandom() basiert und Zufallszahlen aus dem betriebssysteminternen kryptografisch sicheren Zufallszahlengenerator (CSPRNG) zieht.

Wie werden Zufallszahlen ohne Computer erzeugt?

Vor dem Computerzeitalter wurden Zufallszahlen auf physikalische Weise erzeugt: durch Würfeln, Ziehen nummerierter Kugeln aus einer Trommel, Werfen von Münzen oder Mischen von Karten. Die RAND Corporation veröffentlichte 1955 ein bekanntes Buch mit dem Titel „ A Million Random Digits with 100,000 Normal Deviates“ , dessen Ergebnisse mithilfe eines elektronischen Rouletterads generiert wurden. Statistische Tabellen mit Zufallszahlen fanden breite Anwendung in der Stichprobenziehung und in klinischen Studien. Auch heute noch werden manuelle Methoden in einigen regulierten Lotterien und im Unterricht eingesetzt, obwohl sie langsamer und schwieriger zu überprüfen sind als elektronische Verfahren.

Warum müssen Zufallszahlengeneratoren getestet werden?

Selbst Algorithmen, die scheinbar zufällige Ergebnisse erzeugen sollen, können subtile Verzerrungen, kurze Zyklen in bestimmten Dimensionen oder Korrelationen zwischen aufeinanderfolgenden Werten aufweisen, die bei flüchtiger Betrachtung nicht erkennbar, aber durch statistische Tests nachweisbar sind. Solche Fehler können Simulationsergebnisse verfälschen, die Sicherheit kryptografischer Systeme beeinträchtigen oder zu Ungerechtigkeiten in Spielen und Lotterien führen. Tests mit Testsuiten wie NIST SP 800-22, BigCrush oder PractRand decken diese Probleme vor der Implementierung auf. Historische Beispiele fehlerhafter Zufallszahlengeneratoren – darunter frühe Versionen von PHP's mt_rand() und der Debian OpenSSL-Bug von 2008 – zeigen, dass ungetestete Zufallszahlengeneratoren zu echten Sicherheitslücken führen können.

Was ist ein kryptografisch sicherer Pseudozufallszahlengenerator (CSPRNG)?

Ein CSPRNG ist ein PRNG, der neben der statistischen Qualität zwei zusätzliche Sicherheitsanforderungen erfüllt: den Next-Bit-Test (kein Algorithmus kann das nächste Bit mit einer Wahrscheinlichkeit von deutlich über 50 % vorhersagen, wenn alle vorherigen Bits gegeben sind) und die Widerstandsfähigkeit gegen Zustandskompromittierung (wenn ein Angreifer den internen Zustand zum Zeitpunkt T kennt, kann er die Ausgabe vor T nicht rekonstruieren). Moderne CSPRNGs umfassen ChaCha20-basierte Generatoren (verwendet in Linux-Kernel 4.8 unter /dev/urandom), Fortuna (verwendet in macOS und iOS) und CTR_DRBG (standardisiert vom NIST in SP 800-90A).

Können Zufallszahlengeneratoren doppelte Werte erzeugen?

Ja, und das ist das erwartete Verhalten. Ein wirklich zufälliger Prozess speichert keine vorherigen Ergebnisse, daher treten Duplikate ganz natürlich auf – dies wird durch das Geburtstagsproblem in der Wahrscheinlichkeitstheorie beschrieben. Bei einer gleichverteilten Zufallszahl von 1 bis N werden Duplikate wahrscheinlich, sobald etwa √N Werte gezogen wurden. Wenn Ihre Anwendung eindeutige Werte erfordert (z. B. die Vergabe eindeutiger IDs oder das Mischen eines Kartenspiels ohne Wiederholungen), sollten Sie einen Mischalgorithmus wie Fisher-Yates auf einem vordefinierten Satz verwenden oder einen Satz bereits verwendeter Werte verwalten und Duplikate verwerfen, anstatt sich auf die Rohausgabe eines Zufallszahlengenerators zu verlassen, um Kollisionen zu vermeiden.

Wie gewährleisten Online-Lotterie- und Gewinnspiel-Tools Fairness?

Seriöse Online-Ziehungstools gewährleisten Fairness durch eine Kombination aus: Verwendung einer hochwertigen Entropiequelle (idealerweise ein TRNG anstelle von Math.random()), Veröffentlichung des Algorithmus und des Startwerts vor der Ziehung, damit die Ergebnisse unabhängig überprüft werden können, Bereitstellung signierter Zufallszertifikate, die die Generierung der Zahlen vor Ziehungsschluss belegen, und Durchführung der Ziehungen in Anwesenheit unabhängiger Prüfer. RANDOM.ORG bietet einen Drittanbieter-Ziehungsdienst an, der jede Ziehung mit einem Zeitstempel versieht und kryptografisch signiert und so einen nachvollziehbaren Datensatz erstellt. Für regulierte Lotterien fordern die nationalen Glücksspielbehörden zertifizierte Hardware-RNGs und die Genehmigung durch ein unabhängiges Prüflabor, bevor ein System in Betrieb genommen wird.