为啥新的随机库比 std::rand() 更好?
Posted
技术标签:
【中文标题】为啥新的随机库比 std::rand() 更好?【英文标题】:Why is the new random library better than std::rand()?为什么新的随机库比 std::rand() 更好? 【发布时间】:2019-04-02 02:46:42 【问题描述】:所以我看到一个名为 rand() Considered Harmful 的演讲,它主张使用随机数生成的引擎分布范式,而不是简单的 std::rand()
加模范式。
但是,我想亲眼看看std::rand()
的失败之处,所以我做了一个快速实验:
-
基本上,我编写了 2 个函数
getRandNum_Old()
和 getRandNum_New()
,它们分别使用 std::rand()
和 std::mt19937
+std::uniform_int_distribution
生成一个介于 0 和 5 之间的随机数。
然后我使用“旧”方式生成了 960,000 个(可被 6 整除)随机数,并记录了数字 0-5 的频率。然后我计算了这些频率的标准偏差。我正在寻找的是尽可能低的标准差,因为如果分布真正均匀,就会发生这种情况。
我运行该模拟 1000 次并记录每个模拟的标准偏差。我还记录了它所花费的时间,以毫秒为单位。
之后,我再次执行完全相同的操作,但这次以“新”方式生成随机数。
最后,我计算了旧方法和新方法的标准差列表的均值和标准差,以及旧方法和新方法所用时间列表的均值和标准差。
结果如下:
[OLD WAY]
Spread
mean: 346.554406
std dev: 110.318361
Time Taken (ms)
mean: 6.662910
std dev: 0.366301
[NEW WAY]
Spread
mean: 350.346792
std dev: 110.449190
Time Taken (ms)
mean: 28.053907
std dev: 0.654964
令人惊讶的是,这两种方法的总摊铺量是相同的。即,std::mt19937
+std::uniform_int_distribution
并不比简单的std::rand()
+%
“更统一”。我所做的另一个观察是,新方法比旧方法慢了大约 4 倍。总的来说,我似乎在速度上付出了巨大的代价,而质量几乎没有任何提高。
我的实验在某些方面存在缺陷吗?或者std::rand()
真的没有那么糟糕,甚至可能更好?
作为参考,这是我完整使用的代码:
#include <cstdio>
#include <random>
#include <algorithm>
#include <chrono>
int getRandNum_Old()
static bool init = false;
if (!init)
std::srand(time(nullptr)); // Seed std::rand
init = true;
return std::rand() % 6;
int getRandNum_New()
static bool init = false;
static std::random_device rd;
static std::mt19937 eng;
static std::uniform_int_distribution<int> dist(0,5);
if (!init)
eng.seed(rd()); // Seed random engine
init = true;
return dist(eng);
template <typename T>
double mean(T* data, int n)
double m = 0;
std::for_each(data, data+n, [&](T x) m += x; );
m /= n;
return m;
template <typename T>
double stdDev(T* data, int n)
double m = mean(data, n);
double sd = 0.0;
std::for_each(data, data+n, [&](T x) sd += ((x-m) * (x-m)); );
sd /= n;
sd = sqrt(sd);
return sd;
int main()
const int N = 960000; // Number of trials
const int M = 1000; // Number of simulations
const int D = 6; // Num sides on die
/* Do the things the "old" way (blech) */
int freqList_Old[D];
double stdDevList_Old[M];
double timeTakenList_Old[M];
for (int j = 0; j < M; j++)
auto start = std::chrono::high_resolution_clock::now();
std::fill_n(freqList_Old, D, 0);
for (int i = 0; i < N; i++)
int roll = getRandNum_Old();
freqList_Old[roll] += 1;
stdDevList_Old[j] = stdDev(freqList_Old, D);
auto end = std::chrono::high_resolution_clock::now();
auto dur = std::chrono::duration_cast<std::chrono::microseconds>(end-start);
double timeTaken = dur.count() / 1000.0;
timeTakenList_Old[j] = timeTaken;
/* Do the things the cool new way! */
int freqList_New[D];
double stdDevList_New[M];
double timeTakenList_New[M];
for (int j = 0; j < M; j++)
auto start = std::chrono::high_resolution_clock::now();
std::fill_n(freqList_New, D, 0);
for (int i = 0; i < N; i++)
int roll = getRandNum_New();
freqList_New[roll] += 1;
stdDevList_New[j] = stdDev(freqList_New, D);
auto end = std::chrono::high_resolution_clock::now();
auto dur = std::chrono::duration_cast<std::chrono::microseconds>(end-start);
double timeTaken = dur.count() / 1000.0;
timeTakenList_New[j] = timeTaken;
/* Display Results */
printf("[OLD WAY]\n");
printf("Spread\n");
printf(" mean: %.6f\n", mean(stdDevList_Old, M));
printf(" std dev: %.6f\n", stdDev(stdDevList_Old, M));
printf("Time Taken (ms)\n");
printf(" mean: %.6f\n", mean(timeTakenList_Old, M));
printf(" std dev: %.6f\n", stdDev(timeTakenList_Old, M));
printf("\n");
printf("[NEW WAY]\n");
printf("Spread\n");
printf(" mean: %.6f\n", mean(stdDevList_New, M));
printf(" std dev: %.6f\n", stdDev(stdDevList_New, M));
printf("Time Taken (ms)\n");
printf(" mean: %.6f\n", mean(timeTakenList_New, M));
printf(" std dev: %.6f\n", stdDev(timeTakenList_New, M));
【问题讨论】:
这就是这个建议存在的原因。如果您不知道如何测试 RNG 是否有足够的熵或者它是否对您的程序很重要,那么您应该假设 std::rand() 不够好。 en.wikipedia.org/wiki/Entropy_(computing)rand()
是否足够好的底线很大程度上取决于您使用随机数集合的目的。如果您需要特定类型的随机分布,那么库的实现当然会更好。如果您只需要随机数并且不关心“随机性”或产生什么类型的分布,那么rand()
就可以了。将合适的工具与手头的工作相匹配。
可能被骗:***.com/questions/52869166/… 我只是不想锤这个,所以我避免实际投票。
for (i=0; i<k*n; i++) a[i]=i%n;
产生与最好的 RNG 相同的精确平均值和标准差。如果这对您的应用程序来说足够好,只需使用此序列即可。
“尽可能低的标准偏差” - 不。那是错误的。您期望频率会有所不同 - 关于 sqrt(frequency) 是关于您期望的标准偏差。 n.m.的“递增计数器”。生产的标准差会低得多。 (并且是一个非常糟糕的rng)。
【参考方案1】:
几乎所有“旧”rand()
的实现都使用LCG;虽然它们通常不是最好的生成器,但通常你不会看到它们在这样的基本测试中失败 - 即使是最差的 PRNG,平均偏差和标准偏差通常也是正确的。
“坏”的常见失败 - 但足够常见 - rand()
实现是:
RAND_MAX
;
连续提取之间存在一些相关性(通常,LCG 产生的数字位于有限数量的超平面上,尽管这可以通过某种方式得到缓解)。
不过,这些都不是特定于 rand()
的 API。一个特定的实现可以在srand
/rand
后面放置一个 xorshift-family 生成器,并且从算法上讲,在不更改接口的情况下获得最先进的 PRNG,因此没有像您所做的那样的测试会显示出任何弱点输出。
编辑: @R. 正确指出 rand
/srand
接口受到 srand
采用 @987654335 的事实的限制@,因此任何实现可能放在它们后面的生成器本质上都限于UINT_MAX
可能的起始种子(以及因此生成的序列)。确实如此,尽管 API 可以简单地扩展以使 srand
采用 unsigned long long
,或添加单独的 srand(unsigned char *, size_t)
重载。
确实,rand()
的实际问题并不在于实现原则上,但是:
RAND_MAX
仅为 32767。但是,这不能轻易更改,因为它会破坏与过去的兼容性 - 使用带有固定种子的 srand
进行可重复模拟的人不会太高兴了(事实上,IIRC 上述实现可以追溯到 80 年代中期的 Microsoft C 早期版本——甚至是 Lattice C);
简单的界面; rand()
为整个程序提供了一个具有全局状态的生成器。虽然这对于许多简单的用例来说非常好(实际上非常方便),但它会带来一些问题:
最后,rand
的状态:
time(NULL)
没有,因为它不够精细,而且经常 - 想想没有 RTC 的嵌入式设备 - 甚至不够随机)。李>
因此,新的<random>
标头试图解决这个混乱,提供以下算法:
...还有一个默认的random_device
来播种。
现在,如果你问我,我希望也在此之上构建一个简单的 API,用于“简单”、“猜数字”的情况(类似于 Python 提供的“复杂的”API,但也是琐碎的random.randint
& Co. 为我们那些不想淹没在随机设备/引擎/适配器/任何我们每次想要提取数字的简单的人使用一个全局的、预先播种的 PRNG对于宾果游戏卡),但您确实可以在当前设施上轻松构建它(而在简单的设施上构建“完整” API 是不可能的)。
最后,回到您的性能比较:正如其他人所指出的那样,您将快速 LCG 与较慢(但通常被认为质量更好)的 Mersenne Twister 进行比较;如果你对 LCG 的质量没问题,你可以使用std::minstd_rand
而不是std::mt19937
。
确实,在调整您的函数以使用 std::minstd_rand
并避免用于初始化的无用静态变量之后
int getRandNum_New()
static std::minstd_rand engstd::random_device();
static std::uniform_int_distribution<int> dist0, 5;
return dist(eng);
我得到 9 毫秒(旧)与 21 毫秒(新);最后,如果我摆脱dist
(与经典的模运算符相比,它处理输出范围而不是输入范围的倍数的分布偏斜)并回到你在getRandNum_Old()
中所做的事情
int getRandNum_New()
static std::minstd_rand engstd::random_device();
return eng() % 6;
我把它降低到 6 毫秒(所以,快了 30%),可能是因为与调用 rand()
不同,std::minstd_rand
更容易内联。
顺便说一句,我使用手动(但几乎符合标准库接口)XorShift64*
进行了相同的测试,它比rand()
快 2.3 倍(3.68 毫秒对 8.61 毫秒);鉴于此,与 Mersenne Twister 和各种提供的 LCG 不同,它passes the current randomness test suites with flying colors 并且它的速度非常快,这让你想知道为什么它还没有包含在标准库中。
【讨论】:
这正是srand
和未指定算法的组合,导致std::rand
陷入困境。另见my answer to another question。
rand
在 API 级别基本上受到限制,因为种子(以及因此可以产生的可能序列的数量)受UINT_MAX+1
的限制。
请注意:minstd 是一个糟糕的 PRNG,mt19973 更好但不是很多:pcg-random.org/…(在该图表中,minstd==LCG32/64)。很遗憾,C++ 没有提供任何高质量、快速的 PRNG,例如 PCG 或 xoroshiro128+。
@MatteoItalia 我们没有意见分歧。这也是 Bjarne 的观点。我们真的希望在标准中使用<random>
,但我们也想要一个“只给我一个我现在可以使用的体面的实现”选项。对于 PRNG 和其他东西。
几个注意事项: 1. 用eng() % 6
替换std::uniform_int_distribution<int> dist0, 5(eng);
重新引入了std::rand
代码所遭受的偏斜因素(在这种情况下,诚然是轻微偏斜,其中引擎有2**31 - 1
输出,并且您将它们分配到 6 个存储桶中)。 2. 关于“srand
采用unsigned int
”的注释,它限制了可能的输出,如所写,仅使用std::random_device()
为您的引擎播种有同样的问题; you need a seed_seq
to properly initialize most PRNGs.【参考方案2】:
正确答案是:这取决于您所说的“更好”。
“新”<random>
引擎在 13 年前被引入 C++,因此它们并不是真正的新引擎。 C 库 rand()
是几十年前推出的,在当时对许多事情都非常有用。
C++ 标准库提供三类随机数生成器引擎:线性同余(rand()
是一个示例)、滞后斐波那契和 Mersenne Twister。每个类都有权衡,每个类在某些方面都是“最好的”。例如,LCG 的状态非常小,如果选择正确的参数,在现代桌面处理器上相当快。 LFG 具有更大的状态,仅使用内存获取和加法操作,因此在缺乏专门数学硬件的嵌入式系统和微控制器上速度非常快。 MTG的状态巨大,速度慢,但可以有非常大的非重复序列,具有优异的光谱特性。
如果提供的生成器都不足以满足您的特定用途,C++ 标准库还为硬件生成器或您自己的自定义引擎提供接口。没有一个生成器打算单独使用:它们的预期用途是通过一个分布对象,该对象提供具有特定概率分布函数的随机序列。
<random>
相对于rand()
的另一个优势是rand()
使用全局状态,不是可重入或线程安全的,并且允许每个进程有一个实例。如果您需要细粒度的控制或可预测性(即能够在给定 RNG 种子状态的情况下重现错误),那么rand()
毫无用处。 <random>
生成器是本地实例化的,并且具有可序列化(和可恢复)的状态。
【讨论】:
【参考方案3】:首先,令人惊讶的是,答案会根据您使用随机数的目的而变化。如果要驱动,比如说,一个随机的背景颜色转换器,使用 rand() 是非常好的。如果您使用随机数来创建随机扑克牌或加密安全密钥,那就不行了。
可预测性:序列 012345012345012345012345... 将提供样本中每个数字的均匀分布,但显然不是随机的。对于一个随机的序列,n+1 的值不能通过 n 的值(甚至通过 n、n-1、n-2、n-3 等的值)轻易预测。显然是重复序列相同数字是退化的情况,但任何线性同余生成器生成的序列都可以进行分析;如果您使用公共库中公共 LCG 的默认开箱即用设置,恶意人员可以毫不费力地“破坏序列”。过去,一些在线赌场(和一些实体赌场)因使用不良随机数生成器的机器而遭受损失。就连本该更了解的人也被追上了;来自多家制造商的 TPM 芯片已被证明比密钥的位长预测的更容易破解,因为密钥生成参数选择不当。
分布:正如视频中提到的,取模数 100(或任何不能整除序列长度的值)将保证某些结果的可能性至少比其他结果稍微高一些。在以 100 为模的 32767 个可能的起始值的宇宙中,数字 0 到 66 的出现频率将比值 67 到 99 多 328/327 (0.3%);一个可能为攻击者提供优势的因素。
【讨论】:
“可预测性:序列 012345012345012345012345... 将通过您的“随机性”测试,因为您的样本中的每个数字都会均匀分布“实际上,不是真的;他正在测量的是运行之间的 stddev stddevs,即本质上各种运行直方图是如何展开的。使用 012345012345012345... 生成器,它将始终为零。 好点;恐怕我读过 OP 的代码有点太快了。编辑了我的答案以反映。 呵呵我知道,因为我也想进行那个测试,我注意到我得到了不同的结果?【参考方案4】:如果您以大于 5 的范围重复您的实验,那么您可能会看到不同的结果。当您的范围明显小于 RAND_MAX
时,大多数应用程序都不会出现问题。
例如,如果我们的 RAND_MAX
为 25,那么 rand() % 5
将产生具有以下频率的数字:
0: 6
1: 5
2: 5
3: 5
4: 5
由于RAND_MAX
保证大于 32767,并且最不可能和最可能之间的频率差异仅为 1,因此对于大多数用例而言,对于小数字,分布几乎足够随机。
【讨论】:
这在 STL 的第二张幻灯片中有解释 好的,但是... STL 是谁?什么幻灯片? (严肃的问题) @kebs,Stephan Lavavej,请参阅问题中的 Youtube 参考资料。以上是关于为啥新的随机库比 std::rand() 更好?的主要内容,如果未能解决你的问题,请参考以下文章
`rand()` 的用处 - 或者谁应该调用 `srand()`?