当前位置:首页 > 文章列表 > Golang > Go教程 > Go crypto/rand 怎样生成固定字节数随机值

Go crypto/rand 怎样生成固定字节数随机值

来源:17golang原创 2026-10-23 00:11:43 0浏览 收藏

如果业务只需要“固定长度的不可预测字节”,Go 标准库的直接答案是 crypto/rand.Read:先按目标长度创建 []byte,再把它交给 rand.Read 填充。官方文档说明,这个函数会填满整个切片,并使用加密安全的随机源。

官方地址:https://pkg.go.dev/crypto/rand

长度由切片决定,不是由 rand.Read 额外传入;需要文本时再做编码。令牌、会话标识、密钥材料等不可预测值不要用 math/rand 代替。
先记住三个结论
  • make([]byte, n) 中的 n 就是随机字节数。
  • crypto/rand.Read 会把目标切片填满,返回的 n 通常等于切片长度。
  • 二进制字节不能直接当作可复制文本;日志、URL 或 JSON 场景要选明确的编码方式。

固定字节数的核心写法

例如要生成 32 字节的随机材料,先创建长度为 32 的切片,再读取。这里的长度是字节数,不是字符数,也不是十六进制字符串的显示长度。

package main

import (
    "crypto/rand"
    "fmt"
    "log"
)

func randomBytes(size int) ([]byte, error) {
    if size 

这段代码的输出长度由 len(value) 决定,调用 randomBytes(16) 就得到 16 字节,调用 randomBytes(32) 就得到 32 字节。不要把随机结果直接打印出来;“随机”不等于“可以公开”。

Go crypto/rand 按切片长度分配并填充固定字节数的静态结构图
图1:固定长度随机字节的结构说明图,查看长度输入、字节缓冲区和 crypto/rand Reader 的关系;这是静态说明图,不是运行截图。

二进制结果如何变成可复制文本

随机字节可能包含不可打印值。需要放进 JSON、URL、Cookie 或配置文件时,应在边界处编码,而不是修改随机源本身。十六进制便于排查,Base64 通常更紧凑。

package main

import (
    "crypto/rand"
    "encoding/base64"
    "encoding/hex"
    "fmt"
)

func main() {
    raw := make([]byte, 24)
    // 24 字节的随机源与后续文本编码分离,长度语义更清楚。
    if _, err := rand.Read(raw); err != nil {
        panic(err)
    }

    hexText := hex.EncodeToString(raw)
    base64Text := base64.RawURLEncoding.EncodeToString(raw)
    // 只演示编码后的长度;生产环境不要记录真实令牌。
    fmt.Println("hex 字符数:", len(hexText))
    fmt.Println("Base64URL 字符数:", len(base64Text))
}

24 字节编码成十六进制后会得到 48 个字符,因为每个字节需要两个十六进制字符。base64.RawURLEncoding 适合 URL 场景,它使用 URL 安全字符集并省略尾部填充;如果协议要求标准 Base64,则改用 base64.StdEncoding,不要混用两种格式。

随机字节在二进制、十六进制和 Base64URL 表示之间转换的静态关系图
图2:编码边界关系说明图,查看随机字节、十六进制、Base64URL 与外部文本接口的分工;这是静态说明图,不是运行截图。

crypto/rand 和 math/rand 怎么选

crypto/rand 面向不可预测的随机值,标准库文档将其定义为加密安全随机数生成器;全局 rand.Reader 可以并发使用。math/rand 更适合模拟、抽样、洗牌等不需要保密性的场景,不能拿来生成密码重置令牌、会话密钥或签名随机数。

需求选择原因
固定长度密钥材料crypto/rand.Read需要不可预测性
URL 或 JSON 令牌crypto/rand.Read + Base64URL随机源和传输编码分开
测试数据、模拟抽样math/rand通常关注可控序列或速度,不要求保密

长度、错误和生命周期的几个边界

零长度切片不会产生有效令牌,应在业务函数入口拒绝。固定长度只说明熵材料的字节数,不代表编码后的文本也保持相同字符数。还要注意,编码后的字符串可以被复制和缓存,敏感值使用完应尽量缩短生命周期,避免进入日志、错误消息和调试输出。

虽然当前标准库的 rand.Read 会填满切片,但保留错误处理仍然有价值:它让函数边界清楚,也便于未来替换测试 Reader 或处理异常环境。不要为了省一行代码而无条件忽略错误。

常见问题

想要 32 个字符,是不是传 32 给 make 就够了?

不一定。传 32 得到的是 32 字节;十六进制编码后是 64 个字符,Base64 编码后的字符数也由编码规则决定。如果需求是“文本长度固定”,应先确定字符集和编码,再反推所需字节数。

可以直接把随机字节转成 string 吗?

不建议把任意随机字节直接当作可读文本。它可能包含控制字节或无效 UTF-8;面向外部接口时使用十六进制或 Base64。

为什么不能用 math/rand 生成令牌?

因为令牌安全性依赖不可预测性。普通伪随机序列的设计目标不是抵抗猜测,哪怕结果看起来“够随机”,也不应承担安全凭据的职责。

实际选择可以压缩成一句话:先用 make([]byte, n) 明确材料长度,再用 crypto/rand.Read 填充,最后根据接口要求选择十六进制或 Base64URL 编码;不要把生成、编码和日志输出混成一步。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Go net.Dialer 怎样配置连接建立超时Go net.Dialer 怎样配置连接建立超时
上一篇
Go net.Dialer 怎样配置连接建立超时
Go net/url.URL.Redacted 怎样隐藏连接信息中的密码
下一篇
Go net/url.URL.Redacted 怎样隐藏连接信息中的密码
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    595次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    635次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    668次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    634次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    451次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码