古代中国人用蓍草占卜，预测人们的未来命运。自那时以来，人类一直对可靠随机数来源进行探寻。如今，随机数是用编程方式来生成的，要么通过测量自然随机性的来源，要么通过生成伪随机数的数学算法。尽管相比人类祖先的原始技术而言我们有了巨大进展，但是，距离新一代的随机数生成方式，仍需更进一步。区块链应用程序，如模拟技术，博彩类dApp以及敏感数据加密等，需要既高效又去中心化的随机数生成器(RNG, random number generator)。
TRNGs 和 PRNGs
1951年，阿兰·图灵(Alan Turing) 为Ferranti Mark 1 设计随机数特性时，他收集了电子噪音用于产生20位的长随机数。作为真随机数生成器(TRNG)的例子之一，Ferranti Mark 1 的内置随机数生成器也能够通过测量其他的物理现象来产生随机数，如大气噪声，热力学噪声或放射衰减等。然而，如果开发者所得到随机数的方式若想能够得到其他人的验证，就需要通过可以重复且具备一致性的系统来实现。伪随机数生成器(PRNG) 是基于具体数学的函数来产生一系列随机数字的系统，在相同的初始条件或者说”种子”条件下运行时，能够得到相同的结果。开发者能够以具有高度一致性的方式进行模拟再现。
随机数是必不可少的
虽然古代文化会把偶然性与个人和国家的命运相关联，但现代随机数生成器的应用领域更为广泛。在数字化博彩、数据加密和计算机模拟等领域，随机数生成器(RNG)都是必不可少的。
博彩： 21点(blackjack)、扑克和轮盘赌(roulette)等数字博彩游戏需要依赖可靠稳定的随机数来源，以确保每一轮或每一手的结果的公平，确保没有玩家能够通过提前预测结果而获得不公平的优势。
数据加密：如果不首先加密，医疗和财务记录等敏感数据就无法保存在透明的区块链上。成功的加密方法需要一个安全的随机源，以便生成密钥，使用该密钥，具有正确权限的用户可以对数据进行初始加密，然后解密。
计算机模拟：今天的科学家利用模拟的方法，得到关于所有可能结果集的统计结论。蒙特卡罗实验(Monte Carlo experiments)是一套应用广泛的方法，依赖于对数据点的重复随机抽样，这些方法用于对金融衍生品建模、预测天气和预测风力发电场的能源产量等。
链上随机数 — — 为何如此困难？
无论是用于在医疗应用中加密患者数据，还是作为赌博应用程序的基础，有效的随机数必须具有某些特定的属性，以确保生成过程的质量。
首先，生成的数字必须是不可预测的，并且必须包含不相关的序列，这样就不能使用给定长度的数字来预测任何后续的数字。
此外，基于区块链的RNG (随机数生成器)不应该损害它们所在应用程序的去中心化特性。中心化的RNG，无论是依赖于自然现象的真随机数生成器，还是利用数学算法的伪随机数生成器，都依赖于单一的实体，这会给去信任的系统中引入依赖信任的因素。随机数生成时将多个实体参与其中，这样的多方参与的RNG 方案对于维护去中心化应用的特性而言至关重要。
最古老的一对骰子发现于中东的某处洞穴中，可以追溯到公元前24 世纪。自那时以来，人类的随机数生成方案得到了跨跃式发展。计算机使我们能够捕捉自然过程中固有的不可预测性，从而推导出真实的随机数，并通过种子数学算法(seeding mathematical algorithms)来模拟随机性，从而生成伪随机数。
然而，为了让随机数生成器(RNG)能够进入区块链时代，必须通过去中心化方式来增强现有技术，以确保dApps的完整性不受损害。在TRNG（真随机数生成器）和PRNG(伪随机数生成器)中所生成的随机数中加入去信任化的特性，将提升游戏中的信任度，赋能去信任化的计算机模拟方案，并首次允许私有加密数据存储于区块链之上。
DAPP网络利用DAPP 服务提供商所提供的分布式生态系统，为开发EOS 应用程序的开发者提供重要的实用工具。
加入【LiquidApps中文电报群】（https://t.me/LiquidApps_community_China），看看DSP是如何赋能下一代随机数生成器(RNG)。
