Random与ThreadLocalRandom：基础与性能考量
在Ja va中，生成随机数最直接的类是ja va.util.Random。它通过一个48位的种子，使用线性同余公式来生成伪随机序列。这意味着只要种子相同，生成的随机数序列就是确定的，这一特性在需要重现结果的场景（如测试）中非常有用。基本使用方式包括生成指定范围内的整数（nextInt(bound)）、浮点数（nextDouble()）以及布尔值（nextBoolean()）。然而，Random实例在多线程环境下共享时，会因内部原子种子更新而导致竞争，进而可能造成性能瓶颈。
为解决多线程性能问题，Ja va 7引入了ThreadLocalRandom。它是Random的一个变体，但每个线程都持有自己独立的随机数生成器实例，从而彻底消除了竞争。在并发程序中，使用ThreadLocalRandom.current().nextInt(bound)能显著提升吞吐量。对于大多数非加密用途的通用随机数生成，如游戏逻辑、随机采样或模拟，ThreadLocalRandom已成为首选推荐。
SecureRandom：安全敏感的随机源
当随机数应用于密码学、会话密钥生成或安全令牌创建等对不可预测性要求极高的领域时，必须使用ja va.security.SecureRandom。它与Random的本质区别在于其设计目标是密码学意义上的强随机数，尽可能接近真正的随机性。SecureRandom的随机性可能来源于操作系统提供的熵源，如/dev/random（Linux）或CryptGenRandom（Windows），这些熵源收集了硬件中断、用户输入时间等难以预测的系统噪声。
使用SecureRandom时，开发者需要注意其性能通常低于Random，因为收集熵是一个相对耗时的过程。此外，可以通过getInstance()方法选择不同的算法实现，例如“SHA1PRNG”或“NativePRNG”。在生成密钥、盐值或初始化向量时，务必使用SecureRandom，以确保系统的安全基石牢固可靠。忽略这一点，使用普通伪随机数生成器，可能导致严重的安全漏洞。
项目实战：模拟抽奖系统
在一个线上抽奖活动中，随机数的公平性与效率至关重要。假设我们需要从十万名用户中随机抽取一百名获奖者。直接使用Random.nextInt(100000)并记录一百个结果可能导致重复中奖，不符合“一人最多一奖”的常见规则。更优的解决方案是采用“洗牌算法”或“蓄水池抽样”思想。
我们可以将所有用户的ID列表（或索引）加载到内存中，使用Collections.shuffle(list, random)进行随机打乱，然后取前一百个作为中奖者。shuffle方法内部使用Fisher-Yates算法，能保证每个排列等概率出现。如果用户列表过大无法全部加载，则可以采用蓄水池抽样算法，仅遍历一次数据流即可等概率地完成抽样。在这个过程中，选择ThreadLocalRandom来提供随机源，既能保证线程安全，又能获得最佳性能。
项目实战：生成模拟测试数据
在软件开发与测试中，经常需要批量生成结构化的模拟数据，例如用户信息、订单记录或日志数据。利用随机数生成器可以高效地完成此任务。我们可以预先定义好数据模板和取值范围，例如姓名池、城市列表、产品类别等，然后通过随机索引来组合生成记录。
例如，生成一万条模拟用户记录，可以循环调用随机方法：从姓氏列表和名字列表中随机选取组合成姓名；生成一个随机的18到60岁之间的年龄；从预设的几十个城市中随机分配一个地址。为了增加数据的真实性，还可以使某些字段的分布符合特定规律，如年龄呈正态分布，这可以通过生成多个随机数进行数学变换来实现。使用Random或ThreadLocalRandom能快速完成这类任务，为性能测试、压力测试或功能演示提供丰富且不重复的数据集。
种子、重现性与最佳实践
随机数生成器的种子决定了整个序列的起点。在调试或测试时，固定种子（如new Random(12345L)）可以确保每次运行都产生完全相同的随机序列，这对于定位和复现问题极有帮助。但在生产环境，通常应使用默认构造函数，其种子来源于当前时间（纳秒级），以增加随机性。
在实际项目中，最佳实践包括：第一，根据场景选择正确的类——通用并发用ThreadLocalRandom，安全相关用SecureRandom，简单单线程或需固定种子用Random。第二，避免在循环中重复创建Random实例，这可能导致种子过于接近而产生相关性。第三，对于数值范围，优先使用nextInt(bound)而非nextInt() % bound，因为取模运算可能引入轻微的非均匀分布偏差。遵循这些原则，能让随机数生成既高效又符合预期，稳健地服务于各类业务逻辑。
