不言而喻，随机数生成的方法应是快速的，占用内存少的，实现简单，可移植，可并发执行，对于不同的参数都应当具有均匀的速度。更加重要的检测内容是对其统计性质的检测。统计检验又分为两类：一类是理论检验，另一类是经验检验。先来说说理论检验。顾名思义，理论检验是先验的检验，能够预先告诉我们这些检验的结果将会是如何。如前所述，理论检验主要是检验随机数的周期，内在结构和关联性。发展这一类型的理论十分困难，至今的得到的结果一般是对整个周期的统计检验。对于线性同余算法得到的随机数，周期长度的平方根是一个比较好的样本大小的上限。因此对于一个好的生成器，必须能够使得对于某些参数能够得到最大的周期长度，并且能够计算出这样的参数。比如对于线性同余算法而言，最好的乘数是,模是.这个观点在很多书籍和论文中都有推荐，但是随着计算机计算能力的提高，这个观点已经不合时宜啦。因为对于现代的计算机而言，这样的周期还是太短了，现在而言m不应小于.生成器的内部结构如栅栏结构和超平面点的分布也很重要。对于不同的生成器有特定的检测方法。结构检测用到最多的就是谱检验，谱检验就是基于相邻平行超平面之间最大距离的检验，该距离越大，生成器越差。
谈到随机性，这大概是一个令人困惑哲学问题吧。随机行为精确地说究竟指的是什么，最好是有定量的定义。Kolmogorov曾提出一种判定随机性的方法： 对于无穷的随机数序列，无法用其子序列描述。J.N.Franklin则认为：如果一个序列具有从一个一致同分布的随机变量中独立抽样获得的每个无限序列 都有的性质，则是随机的。这些定义都不是很精确，有时甚至会导致矛盾。可见数学家在谈到这个问题时是多么的审慎。
随机数生成器只是一种产生符合特 定分布的随机数的算法。这些所谓的随机数序列实际上是周期性的。从实用的角度出发，随机数生成器如果能够在尽可能多的场合中产生正确的结果，那么它就是好 的。但是这个愿望无法完全实现。因为每一个生成器都会在特定的场合失效，比如说可能无法达到随机数的均匀性或者随机数之间隐藏着关联。
已经有大量的随机数生成器，但是找到好的、易移植的、达到工业水准的随机数生成器是一个难以实现的目标。生成非均匀分布的标准方法是先产生均匀分布随机数，然后将其转化为特定分布的随机数。
从我的角度认为，达到设计需求的随机就是优秀的无论它是真或假，是否满足那个k1234其它领域不熟就不说，就游戏领域，我认为游戏领域不需要优秀的真随机，需要的都是优秀的伪随机。酷跑，我需要随机拼接场景，道具，分值，以达到不单调重复的目的。但是我又需要控制游戏节奏，用户的体验节奏，因此我需要根据用户的得分情况，失误操作去设置一堆的阀值，来调整随机规则，让用户不断产生一种错觉，这只是失误，就差一点点，都是因为xxx同理可推，抽奖、掉落、攻击、爆击、合成等。个人以为，在实际应用领域，满足设计需求的伪随机比算法优秀的真随机优秀太多太多，当然一切前提是说明随即需求，很多时候设计者自己都说不清他的随机需求是啥，只是觉得需要随机。
