漫话：如何给女朋友解释灭霸的指响并不是真随机"消灭"半数宇宙人口的？

会员服务 ·

漫话：如何给女朋友解释灭霸的指响并不是真随机"消灭"半数宇宙人口的？

2019 年 5 月 6 日 算法与数据结构

来自：漫话编程（微信号：mhcoding）

周末，陪女朋友去电影院看了《复仇者联盟4：终局之战》，作为一个漫威粉三个小时看的是意犹未尽。出来之后，准备和女朋友聊一聊漫威这十年。

在《复仇者联盟》电影中，灭霸毕生都有一个目标，那就是通过抹除一半的生命来维持宇宙的平衡。

并且，灭霸还说，这个抹除过程是：随机性的、不夹私情、绝对公平、无论贵贱。

那么，到底什么是随机？他所谓的随机真的如他所说是不夹私情、绝对公平以及无论贵贱的吗？

随机性

随机性这个词是用来表达目的、动机、规则或一些非科学用法的可预测性的缺失。一个随机的过程是一个不定因子不断产生的重复过程。

提到随机性，不得不提的就是随机数，随机数在计算机应用中使用的比较广泛，最为熟知的便是在通信安全和现代密码学等领域中的应用。

随机数分为真随机数和伪随机数，我们程序中使用的基本都是伪随机数。

真随机数，通过物理实验得出，比如掷钱币、骰子、转轮、使用电子元件的噪音、核裂变等。需要满足随机性、不可预测性、不可重现性。
伪随机数，通过一定算法和种子得出。软件实现的是伪随机数。

只要这个随机数是由确定算法生成的，那就是伪随机。只能通过不断算法优化，使你的随机数更接近随机。

有限状态机不能产生真正的随机数的。所以，现代计算机中，无法通过一个纯算法来生成真正的随机数。无论是哪种语言，单纯的算法生成的数字都是伪随机数，都是由可确定的函数通过一个种子，产生的伪随机数。

为啥灭霸并不公平？

前面我们提到过，真随机数要满足随机性、不可预测性、不可重现性。

我们按照这三个性质逐一分析下，看看灭霸到底是不是公平的。

随机性

随机性，指的是不存在统计学偏差，是完全杂乱的数列。

复联3中，灭霸打了指响之后，复仇者联盟中存活和死亡的名单其实并不是随机的。其中很多对CP都是杀1留1的。如钢铁侠——蜘蛛侠、美队——冬兵、火箭浣熊——格鲁特、蚁人——黄蜂女等。

而且，还有一点就是，如果真的是随机性的话，那么灭霸自己也是有一定的概率会被抹除的，但是，他早就知道自己不会被抹除，并且已经制定好了退休计划。

并且，在复联3中，奇异博士用时间宝石和灭霸换了钢铁侠的生命，说明灭霸其实是选择性的进行抹除的。

可见，灭霸的指响抹除过程并不是随机的。

不可预测性

不可预测性，指的是不能从过去的数列推测出下一个出现的数。

这一点了解电影的朋友应该都知道，奇异博士曾经利用时间宝石穿越了时空，预测了未来，并看到了14000605种可能。

可见，灭霸的指响抹除过程并不是不可预测的。

不可重现性

不可重现性，除非将数列本身保存下来，否则不能重现相同的数列。

在复联3中，钢铁侠问奇异博士，14000605种可能中，胜利的有多少种。奇异博士回答：1种。

在复联4中，最后奇异博士对钢铁侠比了下面这样一个手势。说明，他看到的那唯一一种胜利的可能要复现了。

可见，灭霸的指响抹除过程并不是不可复现的。

综上，灭霸的指响抹除过程不符合随机性、不可预测性以及不可复现性。所以，灭霸的指响抹除过程并不是真正的随机的。

通过现象来看，灭霸的抹除操作很可能只是通过简单的分层抽样实现的。简单操作过程如下：

1、把需要特殊处理，不做抹除的人的DNA单独从所有物种的DNA库中识别出来，并保存到缓存中。
2、根据不同的条件把DNA库中的所有生命体划分成若干区块，如地球人、阿斯加德人等。把他们的DNA信息保存到不同的数据库中。在遍历的过程中，如果遇到缓存中已有的数据，则跳过。
3、再根据物种多样性，如性别、年龄段、职业等把同一个分库中的数据分别划分到不同的表中，保证每一张分表中都包含了完整的物种多样性。
4、遍历所有数据库，按顺序的删除每个数据库中一半的分表。如地球人的数据库中共有1024张表，只保留512张即可。
5、再把缓存中的数据同步到数据库中。

这样，在后面需要复活这些人的时候，只需要找到数据库的Binlog，把数据重新写入数据库就行了。

真随机数生成器

真正的随机数是使用物理现象产生而不是计算机程序产生的。生成随机数的设备我们称之为真随机数生成器。

这样的设备通常是基于一些能生成低等级、统计学随机的“噪声”信号的微观现象，如热力学噪声、光电效应和量子现象。

从某种程度上来说，基于经典热噪声的随机数芯片读取当前物理环境中的噪声，并据此获得随机数。这类装置相对于基于软件算法的实现，由于环境中的变量更多，因此更难预测。

然而在牛顿力学的框架下，即使影响随机数产生的变量非常多，但在每个变量的初始状态确定后，整个系统的运行状态及输出在原理上是可以预测的，因此这一类装置也是基于确定性的过程，只是某种更难预测的伪随机数。

但是，量子力学的发现从根本上改变了这一局面，因为其基本物理过程具有经典物理中所不具有的内禀随机性，从而可以制造出真正的随机数产生器。

据美国国家标准与技术研究院（NIST）官网消息，该机构研究人员在2018年4月出版的《自然》杂志上撰文指出，他们开发出一种新方法，可生成由量子力学保证的随机数字。新技术超越了此前获得随机数字的所有方法，得到了“真正的随机数字”，有助增强密码系统的安全性。（原文地址：https://www.nature.com/articles/s41586-018-0019-0.epdf ）

NIST数学家彼特·比尔霍斯特进一步解释说：“诸如翻转硬币之类的情况似乎是随机的，但如果能看到硬币确切的下落路径，最终结果也是可以预测的。因此，很难保证给定经典来源真正不可预测。量子力学在产生随机性方面表现更好，量子随机是真正的随机，因为对处于‘叠加’状态的量子粒子进行测量，得到的结果基本上是不可预测的。”

在复联4中，也有很多和量子物理有关的知识，甚至最终可以扭转乾坤也是依靠的量子领域。漫威电影的宗旨可以高度概括成以下四句话：遇事不决，量子力学。解释不通，穿越时空。篇幅不够，平行宇宙。定律不足，高维人族。

Java中的随机数生成器

Java中生成随机数还是比较简单的，Java提供了很多种API可以供开发者使用。

通过时间获取

在Java中，可以通过System.currentTimeMillis()来获取当前时间毫秒数：

final long l = System.currentTimeMillis();

若要获取指定范围的数字，只需要对数字进行取模就行了，如下方法可以获得0-99的随机数：

final long l = System.currentTimeMillis();
final int i = (int)( l % 100 );

Math.random()

通过Math.random()可以返回0(包含)到1(不包含)之间的double值。使用方法如下：

final double d = Math.random();

若要获取int类型的整数，只需要将上面的结果转行成int类型即可。比如，获取[0, 100)之间的int整数。方法如下：

final double d = Math.random();
final int i = (int)(d*100);

Random类

Java提供的伪随机数发生器有java.util.Random类和java.util.concurrent.ThreadLocalRandom类。

Random类采用AtomicLong实现，保证多线程的线程安全性，但正如该类注释上说明的，多线程并发获取随机数时性能较差。

多线程环境中可以使用ThreadLocalRandom作为随机数发生器，ThreadLocalRandom采用了线程局部变量来改善性能，这样就可以使用long而不是AtomicLong，此外，ThreadLocalRandom还进行了字节填充，以避免伪共享。

如使用Random获取[0, 100)之间的int整数，方法如下：

Random random = new Random();
int i2 = random.nextInt(100);

强随机数发生器

强随机数发生器依赖于操作系统底层提供的随机事件。强随机数生成器的初始化速度和生成速度都较慢，而且由于需要一定的熵累积才能生成足够强度的随机数，所以可能会造成阻塞。熵累积通常来源于多个随机事件源，如敲击键盘的时间间隔，移动鼠标的距离与间隔，特定中断的时间间隔等。所以，只有在需要生成加密性强的随机数据的时候才用它。

Java提供的强随机数发生器是java.security.SecureRandom类，该类也是一个线程安全类，使用synchronize方法保证线程安全，但jdk并没有做出承诺在将来改变SecureRandom的线程安全性。因此，同Random一样，在高并发的多线程环境中可能会有性能问题。