RNG, qué es y como funciona el generador de números aleatorios

El funcionamiento de un TRNG se basa en medir un proceso físico aleatorio y convertir esa medición en una secuencia de bits que, luego, pueden ser interpretados como números aleatorios. Los pasos básicos son:

1. Fuente de entropía: Identificación y uso de una fuente de ruido físico aleatorio.
2. Conversión a señales eléctricas: La señal física (por ejemplo, ruido térmico) se convierte en una señal eléctrica.
3. Digitalización: La señal eléctrica se convierte en una serie de bits digitales.
4. Postprocesamiento (opcional): Para mejorar la calidad y uniformidad de los bits aleatorios, se puede aplicar un procesamiento adicional para eliminar sesgos.

1. Ruido térmico: Las fluctuaciones aleatorias en la corriente eléctrica debidas al movimiento térmico de los electrones en un resistor.
2. Ruido atmosférico: Variaciones en las señales de radio captadas por una antena, debidas a fenómenos atmosféricos impredecibles.
3. Ruido cuántico: Fenómenos cuánticos como la desintegración radiactiva o las fluctuaciones de vacío cuántico.
4. Ruido fotónico: Variaciones en la intensidad de la luz debido a fenómenos cuánticos.

1. Ruido térmico:
   • Principio: Aprovecha el ruido térmico en un resistor.
   • Uso: Común en hardware de generación de claves criptográficas.
2. Fotones cuánticos:
   • Principio: Utiliza la detección de fotones individuales en un haz de luz cuántica.
   • Ejemplo: Sistemas que emplean fotodetectores sensibles para medir fluctuaciones en la emisión de fotones.
3. Desintegración radiactiva:
   • Principio: Mide los intervalos de tiempo entre eventos de desintegración radiactiva.
   • Ejemplo: Detectores Geiger-Müller utilizados para contar eventos de desintegración.
4. Ruido atmosférico:
   • Principio: Captura y digitaliza el ruido electromagnético presente en la atmósfera.
   • Ejemplo: Sistemas que usan antenas de radio para captar el ruido ambiental.

1. Criptografía: Generación de claves criptográficas verdaderamente aleatorias para cifrado seguro.
2. Seguridad informática: Creación de tokens de autenticación y contraseñas.
3. Simulaciones científicas: Uso en simulaciones de Monte Carlo donde se requiere alta calidad de aleatoriedad.
4. Loterías y juegos de azar: Asegurar que los sorteos y juegos sean justos e impredecibles.

Ventajas

Desventajas

Los PRNG operan a través de fórmulas matemáticas o algoritmos que transforman una semilla (valor inicial) en una secuencia de números pseudoaleatorios. Los pasos básicos son:

1. Inicialización con una semilla: El PRNG comienza con una semilla inicial, que puede ser cualquier valor (como la hora actual del sistema).
2. Generación de la secuencia: Utiliza una fórmula matemática para producir una serie de números a partir de la semilla.
3. Ciclo de repetición: La fórmula se aplica repetidamente para producir más números en la secuencia.

1. Linear Congruential Generator (LCG):
   • Fórmula: 𝑋𝑛+1=(𝑎𝑋𝑛+𝑐) mod  𝑚
   • Descripción: Es uno de los PRNG más simples y antiguos. Utiliza parámetros 𝑎a, 𝑐c, y 𝑚m junto con una semilla 𝑋0X0​ para generar la secuencia.
2. Mersenne Twister: Uno de los PRNG más populares debido a su largo periodo y buena calidad estadística. Es ampliamente utilizado en aplicaciones científicas y en software de simulación.
3. Xorshift: Utiliza operaciones de desplazamiento y XOR para generar números pseudoaleatorios. Es rápido y eficiente en términos de recursos computacionales.
4. Cryptographically Secure PRNG (CSPRNG): Diseñado específicamente para aplicaciones criptográficas. Ejemplos incluyen algoritmos como Fortuna y ChaCha20.

Desventajas

1. Simulaciones científicas: Utilizados en simulaciones de Monte Carlo donde se necesitan grandes cantidades de números aleatorios reproducibles.
2. Videojuegos: Para generar eventos aleatorios, movimientos de personajes, etc.
3. Estadística y muestreo: Para generar muestras aleatorias de datos.
4. Criptografía (con CSPRNG): Para generar claves, vectores de inicialización, y otros elementos donde la seguridad es crítica.

class LCG:
def __init__(self, seed, a=1664525, c=1013904223, m=2**32):
self.seed = seed
self.a = a
self.c = c
self.m = m

def next(self):
self.seed = (self.a * self.seed + self.c) % self.m
return self.seed

# Uso del LCG
lcg = LCG(seed=12345)
random_numbers = [lcg.next() for _ in range(10)] print(random_numbers)

import random

# Inicialización con una semilla
random.seed(12345)

# Generación de números pseudoaleatorios
random_numbers = [random.randint(0, 100) for _ in range(10)] print(random_numbers)