随机数 Java 技巧解析，如何高效生成随机数？

蜂民挥

·

2025-07-03 18:15:24

阅读15分钟

已读18次

在Java中生成随机数的方法主要有1、使用java.util.Random类；2、使用Math.random()方法；3、使用ThreadLocalRandom类（并发环境）；4、使用SecureRandom类（安全性要求高）；5、借助第三方库如Apache Commons Lang或Guava。其中，最常用且适合一般需求的是java.util.Random类，它通过伪随机算法生成各类型的随机值。以Random为例，开发者可以方便地生成int、long、float、double等不同类型的随机数，也可指定范围，满足大多数业务场景。对于高并发或安全性要求更高的应用，则建议选择ThreadLocalRandom和SecureRandom，以获得更好的性能和安全保障。

《随机数 java》

一、JAVA生成随机数的主要方式与对比

Java中的主流随机数生成方式如下：

方式	适用场景	是否可设种子	线程安全性	安全性
java.util.Random	一般通用	是	非线程安全	普通
Math.random()	简单场景	否	非线程安全	普通
ThreadLocalRandom	高并发多线程	否	线程本地变量	普通
SecureRandom	密码学、安全性要求高	是	线程安全（部分实现）	高
第三方库	特殊需求（如分布均匀性）	视情况	视实现	视实现

• java.util.Random：最常用，适合大多数普通用途，可以指定种子值，实现确定性的伪随机序列。
• Math.random()：底层实际也是调用Random实例的nextDouble()，简化了API但灵活度低。
• ThreadLocalRandom：JDK1.7+新引入，高并发下每个线程有独立的伪随机数源，无锁竞争。
• SecureRandom：基于操作系统熵池，更难预测，用于加密等需要高不可预测性的情境。
• 第三方库：如Apache Commons Lang的RandomUtils，Guava等提供更丰富API或特殊分布支持。

二、JAVA各主要生成方法详解与示例代码

1. java.util.Random

import java.util.Random;
public class RandomDemo \{
public static void main(String[] args) \{
Random rand = new Random();
int randomInt = rand.nextInt(); // 任意int
int randomInt0_99 = rand.nextInt(100); // [0,100)之间
double randomDouble = rand.nextDouble(); // [0.0,1.0)
System.out.println(randomInt + ", " + randomInt0_99 + ", " + randomDouble);
\}
\}

特点：

• 可指定种子（如new Random(seed)），相同种子输出序列相同；
• 支持多类型nextXxx()方法，包括int/long/float/double/boolean；
• 非线程安全，多线程需加锁或每线程独立实例。

2. Math.random()

double r = Math.random(); // [0.0,1.0)
int n = (int)(Math.random()*100); // [0,100)整数

特点：

• 返回double型[0,1)，简单快捷；
• 实际底层是静态共享一个Random对象，不支持自定义种子；
• 多用于一次性简单取值。

3. ThreadLocalRandom

import java.util.concurrent.ThreadLocalRandom;
public class ThreadLocalRandDemo \{
public static void main(String[] args) \{
int val = ThreadLocalRandom.current().nextInt(10,20); // [10,20)
\}
\}

特点：

• JDK1.7+；
• 多线程环境无需加锁，避免竞争，每个线程独立实例；
• API类似于Random，但不允许手动设定种子。

4. SecureRandom

import java.security.SecureRandom;
public class SecureRandDemo \{
public static void main(String[] args) \{
SecureRandom sr = new SecureRandom();
int secureValue = sr.nextInt(100); // 更难预测，[0,100)
\}
\}

特点：

• 用于密码学及安全敏感情境，不易被推算“未来”值；
• 比普通random慢，但极难预测序列；
• 支持自定义强度和算法，如”SHA1PRNG”、“NativePRNG”等。

5. 第三方库示例

以Apache Commons Lang为例：

import org.apache.commons.lang3.RandomUtils;
int val = RandomUtils.nextInt(10,50);

优点是API丰富简洁，可直接支持各种基础类型及字节数组等。

三、如何选择合适的JAVA随机数工具？应用场景分析与建议

不同用途推荐如下：

应用需求	推荐方式
一般业务功能	java.util.Random 或 Math.random
多线程无锁高效	ThreadLocalRandom
安全敏感/密码学	SecureRandom
特殊分布或多样API	第三方库
可复现实验/测试	Random（显式设置相同seed）

详细说明——以“多并发环境”举例：

在Web服务器、大数据批量任务等多并发环境下，如果多个线程共享同一个java.util.Random实例，会出现竞争导致性能下降，甚至产生重复数据。这时推荐每个线程独立new一个对象或者直接采用ThreadLocalRandom。ThreadLocalRandom在内部利用ThreadLocal机制为每个运行中的Java Thread分配唯一实例，因此无须同步锁，大幅提升吞吐性能。例如在线上日志ID生成、电商订单号尾部扰动等业务都可采用此方案。

四、常见问题与误区解析（FAQ）

1. 随机数为什么“看起来不够随机”？

• 原因可能是未正确设置种子导致输出序列可复现；或者取值范围太小导致重复概率变大。
• 随机算法本质是伪随机，在大量采样时才趋于均匀分布，小样本下可能存在聚集现象。

2. 如何保证多个进程间不会出现重复？

• 单机情况下可以结合时间戳+进程ID+自增计数器+random扰动。
• 分布式系统需依赖唯一ID算法，如Snowflake，也可将random作为辅助扰动，而非主键唯一条件。

3. 为什么不要直接用于密码学？

• 普通random容易被攻击者通过已知若干输出推断后续结果。在支付验证码、一致性token等敏感场景必须选SecureRandom类，并注意初始化阻塞及熵池消耗问题。

4. 如何生成指定范围内的不重复数字集合？

例如要从[0,N)内选出M个互异整数，可用Collections.shuffle配合List再截取前M项：

List<Integer> list = IntStream.range(0,N).boxed().collect(Collectors.toList());
Collections.shuffle(list);
List<Integer> resultSet = list.subList(0,M);

若N很大M很少，也可用HashSet逐步插入直到数量达标，再转list返回。

5. 如何控制浮点型/小数精度？

先获得[0,1)浮点型，再乘以目标区间长度，加上下界即可。例如获得[3.5,8.5)保留两位小数：

double v=3.5 + Math.random()* (8.5 - 3.5);
v=Math.round(v*100)/100d;

五、高级应用：正态分布、自定义概率分布与采样技巧

除了均匀分布外，有时需模拟正态分布、高斯噪声或其他特定概率曲线，这时可以采用如下方法：

1）正态分布采样

double gaussianVal=new Random().nextGaussian(); // 标准正态μ=0σ=1，可线性变换为任意均值标准差
// μ=mean σ=stddev: mean+stddev*nextGaussian()

表格总结常见采样接口：

类型	Java方法
均匀离散整数	nextInt(bound), nextLong()
均匀实数[0,1)	nextDouble(), nextFloat()
正态分布	nextGaussian()

2）自定义概率权重采样

比如按权重抽奖，将所有权重累加形成区间，再根据random落点判定归属，可以参考如下代码片段：

double sumWeight=Arrays.stream(weights).sum();
double r=Math.random()*sumWeight;
for(int i=0,cum=weights[0];i<weights.length;i++,cum+=weights[i])\{
if(r<cum)\{ return i; \}
\}

3）批量洗牌/打乱顺序

利用Collections.shuffle(list)，确保原集合元素完全乱序排列，非常适合抽签、小组编排等场景。

六、安全注意事项与性能优化建议

1）切勿将普通random输出暴露给用户，如验证码明文返回页面，否则易被爬虫攻击推算规律。

2）多核并行强烈推荐ThreadLocalRandom，每个核心自带源头，不会因锁竞争拖慢响应速度。

3）如需极高吞吐且精度有限制，可考虑预先批量缓存一组random结果到Array，然后循环取出再补充填充，有效规避频繁对象创建开销。

4）对于全局唯一标识符，应优先采用UUID.randomUUID()配合业务信息拼接，而非单纯依赖random值，否则碰撞风险随规模上升而快速增加。

5）在对比不同实现时，应结合实际测试其性能瓶颈，例如Math.random底层同步可能影响高频调用下的整体效率，而新版本JDK对其有一定优化，但仍不宜滥用！

总结与行动建议

Java针对不同需求提供了丰富的随机数工具。开发者应根据具体应用场景选择合适的方法——普通业务首选五代经典的java.util.Random；并发环境则应转向ThreadLocalRandom；涉及信息安全务必采用SecureRandom。此外，要注意避免常见误区，如混淆伪真随机、安全隐患以及性能瓶颈。在实际开发中，可通过封装统一工具类，提高代码复用和易维护性。如需特殊概率模型，应熟悉相应数学原理和API扩展能力。最后，务必关注Java版本升级带来的接口变化和优化机会，使你的程序既健壮又高效。

精品问答:

---

Java中如何生成高质量的随机数？

我在Java开发中需要生成随机数，但不确定如何确保随机数的质量和安全性。到底该用哪个类或方法才能生成更可靠的随机数？

在Java中，生成高质量随机数常用两种类：java.util.Random和java.security.SecureRandom。前者适合一般的伪随机需求，使用线性同余算法（LCG），但存在预测风险；后者基于加密算法，适合安全场景，例如密码学和安全令牌。示例代码：

类名	用途	安全级别
Random	普通伪随机	中等
SecureRandom	加密级安全随机数	高

例如：

SecureRandom sr = new SecureRandom();
int randInt = sr.nextInt(100); // 0-99之间的高质量随机数

Java如何生成范围内的整数随机数？

我想在Java程序里生成一个指定范围内（比如1到50）的整数随机数，但不清楚哪种方法最简洁且效率高。有没有推荐的写法？

在Java中，使用java.util.Random或ThreadLocalRandom都可以方便地生成指定范围内的整数。推荐使用ThreadLocalRandom，因为它效率更高且线程安全。

示例如下：

int min = 1;
int max = 50;
int randNum = ThreadLocalRandom.current().nextInt(min, max + 1);

这里nextInt包含min，但不包含max+1，实现了闭区间[min, max]。

性能对比数据显示，在多线程环境下，ThreadLocalRandom相比Random提升了约30%的执行效率，更适合并发场景。

Java中的Math.random()与Random类有什么区别？

我看到Java里既有Math.random()方法，也有Random类，不知道它们本质区别是什么？什么时候应该用Math.random()，什么时候用Random？

Math.random()是基于内部共享的Random实例实现的静态方法，其返回值是0.0到1.0之间double类型伪随机数；而java.util.Random是一个可实例化对象，可以产生多种类型（int、long、double等）且支持自定义种子。

区别总结：

特性	Math.random()	java.util.Random
调用方式	静态方法调用，无需实例化	必须实例化对象
返回类型	double (0.0~1.0)	多类型支持 (int,long,double)
种子控制	不支持用户设置种子	支持自定义种子，可复现结果

因此，如果需要简单获取[0,1)区间小数，用Math.random()即可；如果需要更灵活控制或多样化输出，建议使用Random。

如何避免Java中生成的伪随机数重复率过高？

我发现自己用Java生成的随机数组合出现重复概率有些大，是不是我的代码或者思路有问题？有没有什么技巧可以降低重复率，提高伪随机性的多样性？

伪随机数本质上是确定性算法产生序列，所以重复出现某些值是正常现象。但可以通过以下措施减少重复率，提高“看起来”的随机性：

1. 使用SecureRandom替代普通Random，它采用更复杂算法及熵源。
2. 增大取值范围，比如从10^3扩大到10^6，可以显著降低碰撞概率。
3. 引入时间戳或外部熵作为种子输入，提高初始状态差异。
4. 利用HashSet等数据结构过滤已经出现过的值，保证唯一性。

根据生日悖论计算，当取值范围为N=10000时，要达到99%的唯一概率，最多只能取约120个不同数字，否则重复概率急剧升高。因此合理设计范围与数量至关重要。

209

×

微信分享

扫描二维码分享到微信