GD32 MCU的真随机数发生器（TRNG）

真随机数（True Random Numbers）是指 完全基于物理世界中的不可预测过程生成的随机数序列，具有 本质上的不可重复性、不可预测性和统计独立性。其核心特征和应用原理如下：

---

一、定义与核心特征

1. 不可预测性
   • 真随机数的生成依赖于物理系统的固有随机性（内禀随机性），例如量子叠加态的坍缩、热噪声或光子行为。即使完全知晓物理系统的初始状态和生成机制，也无法预测下一个输出结果。
   • 对比伪随机数：伪随机数由确定性算法（如线性同余法）生成，一旦知道种子值和算法，整个序列可完全复现。
2. 无周期性与不可重复性
   • 真随机数序列没有周期性，且无法重现相同的序列。例如，基于量子测量的随机数，每次观测结果都是独立的随机事件。
3. 统计独立性
   • 序列中的每个数不仅服从均匀分布，且与其他数及外部变量（如环境温度、设备状态）完全无关，满足密码学安全的“独立性”要求。

---

二、物理机制：量子与经典随机性

1. 量子随机性（内禀随机性）
   • 量子过程：如单光子通过分束器时，透射或反射的概率各为50%，结果由量子力学的不确定性决定，与测量精度无关。
   • 设备无关随机数扩展：通过量子纠缠和贝尔不等式检验（如CHSH值>2），确保生成的随机数与设备缺陷或供应商恶意操作无关。
2. 经典物理过程的局限性
   • 抛硬币、电子噪声等宏观过程看似随机，但本质是表面随机性。若精确控制初始条件（如抛掷角度、风速），结果可预测。
   • 此类方法生成的随机数属于伪随机或弱随机，仅适用于低安全场景（如游戏随机化）。

---

三、生成方法

1. 硬件随机数发生器（HRNG/TRNG）
   • 物理源：利用热噪声、放射性衰变、光量子效应等物理现象，通过传感器和模数转换器输出随机比特。
   • 改进技术：因原始物理信号可能存在偏差，常结合算法（如哈希函数）优化统计分布，通过国家密码管理局的随机性检测。
2. 量子随机数发生器（QRNG）
   • 基于量子态测量（如单光子路径选择），是目前唯一被严格证明具备真随机性的方法。

---

四、应用场景

• 密码学：会话密钥生成、数字签名、加密算法初始化，依赖真随机数防止密钥被推测。
• 安全认证：智能卡与读卡器之间的双向认证，需真随机数抵御重放攻击。
• 高精度模拟：蒙特卡罗仿真、金融风险评估，要求输入完全独立。

---

五、与伪随机数的对比

特性	真随机数	伪随机数
来源	物理过程（量子噪声、热噪声）	数学算法（如梅森旋转器）
可预测性	完全不可预测	已知种子和算法即可预测
周期性	无周期	有长周期（如梅森旋转器为2^19937-1）
生成速度	较慢（依赖物理过程）	极快（纯计算）
适用场景	密码学、安全密钥	游戏、仿真、一般随机抽样

---

六、局限性

• 生成效率低：物理过程需采样和转换，速率低于伪随机数生成器。
• 成本高：需专用硬件（如量子光学设备），难以集成到普通计算机。
• 需后处理：原始物理信号可能含偏差，需算法优化分布均匀性。

GD32 MCU的真随机数发生器（TRNG）通过物理噪声源生成不可预测的随机数，其核心原理和实现流程如下：

---

⚙️ 七、物理熵源原理

1. 模拟噪声采集
   TRNG依赖硬件电路中的​​连续模拟噪声​​（如半导体热噪声、时钟抖动）作为随机性来源。这些噪声源于量子级别的物理现象（电子热运动），具有天然不可预测性。
2. 熵源特性
   • 真随机 vs 伪随机：相同输入条件下，真随机数输出必然不同；伪随机数依赖算法和种子，输入相同时输出固定。
   • 不可重复性：噪声的量子特性确保每次生成的随机数独立且无规律。

---

🔧 八、硬件实现流程（以GD32F450 GD32L233为例）

GD MCU真随机数发生器模块（TRNG）能够通过连续模拟噪声生成一个32位的随机数值。

8.1. 初始化与时钟使能

• GD32F450：直接使能TRNG时钟：

  rcu_periph_clock_enable(RCU_TRNG); // 开启TRNG时钟
  trng_enable();                     // 激活TRNG模块
  

• GD32L233：需额外启动高频时钟源（IRC48M）支持噪声采样：

  rcu_osci_on(RCU_IRC48M);              // 启动IRC48M时钟
  rcu_