作者：Arm 工程部資深軟件工程師 Kevin Mooney

OpenRNG 是一個開源隨機數生成器 (RNG) 庫，最初隨 Arm Performance Libraries 24.04 一同發布。OpenRNG 旨在提升人工智能 (AI) 框架性能，有助于科學應用及金融軟件的開發，因而廣受歡迎。而在去年晚些時候，Arm 推出了 OpenRNG 的首個開源版本。

OpenRNG 可直接替代英特爾矢量統計庫 (Vector Statistics Library, VSL) 的隨機數生成組件，開發者從而能夠更輕松地將應用移植到 Arm 平臺。VSL 是 OneMKL 的一部分，專為 x86 架構處理器而設計。OpenRNG 有助于提升性能，例如與 Arm 平臺上已有實現相比，OpenRNG 僅需很少的代碼改動，就使 PyTorch 的 Dropout 層的性能提高了 44 倍。OpenRNG 的性能也較 C++ 標準庫提高了 2.7 倍。

雖然起初的優化是針對基于 Arm 架構的系統，但我們的目標是將 OpenRNG 發展成為跨平臺項目，因此我們歡迎針對任何架構的補丁。

英特爾按照知識共享許可協議向我們開放了這個接口。該許可協議使我們能夠為基于 Arm 架構系統的用戶實現這一功能，從而在不修改代碼的情況下實現不同架構之間軟件的可移植性。

源代碼現已公開在 Arm 的 GitLab 上，可查閱 Arm Performance Libraries 參考指南獲取相關信息。

隨機數為什么實用？

隨機數在各種應用中都非常重要，可用于模擬本質上不可預測的自然過程。例如，在物理學中，隨機數常用于建立隨機模型，模擬確定性模型無法解決的問題；在金融領域，隨機數常用于模擬金融市場；在游戲中則常用于實現 AI。

物理過程和金融市場錯綜復雜，涉及很多輸入，不可能進行完全的理解、建模和預測。而一些輸入被視為隨機變量，需要快速、可重復地生成；銀行在計算風險敞口時，不應該因為重新運行相同的模型得到不同的隨機數而發生變化。

為游戲開發 AI 時，行為動作應是不可預測的，因此要引入隨機性。隨機數生成的速度越快，同時生成的 AI 就越多。同樣，多人游戲需要在多臺設備上生成相同的隨機數。不同玩家應該在同一個位置看到敵人，隨機性很重要。

庫里有什么？

OpenRNG 實現了多種生成器和分布方式。生成器算法可生成“看似隨機”并具有某些統計特性的序列，我們將在下文進行討論。分布方式會將序列映射到常見的概率分布概念，如高斯分布或二項分布。

OpenRNG 還提供復制和保存序列的工具，以及在不同線程間分發序列的工具。這些工具可實現高效的多線程處理和檢查點等功能。

隨機數生成器

OpenRNG 實現了三種類型的隨機數生成器：偽隨機數生成器、準隨機數生成器、非確定性隨機數生成器。

偽隨機數生成器 (PRNG) 算法生成的數字序列在統計學上看似隨機，但卻能重復生成。PRNG 通常能通過很多隨機性統計測試，但一旦知道當前序列中的位置，就能確定下一個數字；這就是我們說它看似隨機的原因。OpenRNG 采用了多種類型的 PRNG，如線性同余生成器 (LCG)、多重遞歸生成器 (MRG)、梅森旋轉算法（如 MT19937）和基于計數器的生成器（如 Philox）。

準隨機數生成器 (QRNG) 的算法可生成低差異序列。該類工具無法通過隨機性統計測試，但能生成在 n 維超立方體上均勻分布的 n 維向量，從而均勻地填充空間。OpenRNG 提供用于生成低差異序列的 SOBOL 生成器。

大多數現代硬件都配備了非確定性隨機數生成器，也稱真隨機數生成器 (TRNG)，OpenRNG 為這些生成器提供了一個接口，以便開發者訪問。TRNG 可以提供高質量隨機數，其序列來自于外部。TRNG 通常比 PRNG 速度慢，且序列不可再現。

我們盡力確保使用的生成器和初始化方式與 oneMKL 文檔中定義的相同。這意味著，在可能的情況下，OpenRNG 和 oneMKL 之間的序列可以按位替換。

概率分布

除了實現 RNG 之外，OpenRNG 還提供了將隨機序列轉換為常見概率分布的便捷方法。OpenRNG 可以生成具有常見概率分布（離散和連續）的隨機數。

連續分布是實數的概率分布，例如 0 和 1 之間的可表示小數。連續分布可以請求為單精度或雙精度浮點數。OpenRNG 支持多種連續分布，包括均勻分布、高斯分布和指數分布。

離散分布是僅限于整數的概率分布。OpenRNG 采用了常見的離散分布，如均勻分布、泊松分布、二項分布和伯努利分布。

OpenRNG 分布生成的確切值可能與 oneMKL 的值略有不同，因為兩個庫之間各種操作的精度不同。

高效多線程

很多應用都需要生成長序列的隨機數。多線程運行時，擁有不同的獨立序列非常重要。OpenRNG 有兩種不同的方法可供選擇：跳過和跳躍。

跳過法讓序列跳過一定數量的元素。此時效率至關重要，這種方法可以跳過很多元素，例如 2 的 32 次方的倍數，單獨生成這些元素會產生大量不必要的開銷。

跳躍法適用于線程交錯消耗元素的情況。例如，在有 n 個線程的情況下，第 k 個線程從“全局”序列的第 k 個元素開始，則該線程序列中的第 i 個元素就是“全局”序列的第 (k + i*n) 個元素。

性能

C++ 標準庫

C++ 標準庫提供三種類型的生成器：線性同余生成器、梅森旋轉算法生成器和帶進位減法生成器。OpenRNG 未采用帶進位減法生成器，而是采用了線性同余生成器和梅森旋轉算法，只需稍加配置，我們就能比較 OpenRNG 和 C++ 標準庫中的 MCG31 和 MT19937 實現情況。C++ 標準庫和 OpenRNG 包含多種常見分布，我們選擇了兩種廣泛使用的分布，即均勻分布和高斯分布（也稱正態分布）。

下圖展示了 AWS Graviton3 上使用 GCC 14 和 -O3 的基準數據?；鶞蕼y試包括重復填充一個包含 5,000 個元素的緩沖區，并計算每個庫在熱點循環中花費的總時間的比例。我們對所選生成器和分布的所有組合重復執行了基準測試。

對于均勻分布，大部分運行時間都用于生成隨機序列。組合使用 MCG31 生成器與均勻分布實現了更大地提速比，比率高達 2.73。

對于高斯分布，大部分運行時間都用于將隨機序列轉換為高斯分布。與 libstdc++ 相比，使用 MT19937 生成器的最大提速比為 1.88。

柱狀圖展示了 OpenRNG 相較于 C++ 標準庫的性能優勢。每個柱形的高度是使用兩個庫生成隨機數所花時間的比率。大于 1 表示 OpenRNG 的速度更快。

PyTorch

下圖顯示了在 Arm 平臺上使用 VSL RNG 進行 PyTorch 機器學習 (ML) 獲得的優勢。PyTorch 可以配置為在 Dropout 層使用 OpenRNG 的 VSL RNG，從伯努利分布中提取隨機值。例如，當批次大小為 16，輸入張量為 [16, 128, 3072] 時，與使用 PyTorch 中的默認 RNG 相比，順序執行時性能提高了四倍。此外，當啟用 VSL 接口時，PyTorch 會使用跳過法來并行生成隨機值。如果不使用 VSL，隨機值始終是按順序生成的，沒有并行。使用 16 個線程為輸入張量 [16, 128, 3072] 實現并行處理可以進一步提高性能，在 Dropout 層中使用 OpenRNG 的速度比默認的速度快 44 倍左右。

柱狀圖展示了結合 OpenRNG 與 PyTorch 的性能優勢。每個柱形的高度表示平均耗時。配置速度越快，高度越低。

歡迎提供補丁

我們很高興能發布 OpenRNG 并涵蓋了 VSL 的大部分功能，但仍有一些領域需進一步開發。目前某些功能還未實現。此外，目前所有的優化都專門針對基于 Arm 架構的系統。我們希望 OpenRNG 能成為一個跨平臺項目，因此我們歡迎針對任何架構的新參考實現和性能優化補丁。如果你想提交自己的開發工作、報告錯誤、提交功能請求或其他任何事項，請在 GitLab 上提出問題并與我們聯系。

Arm Performance Libraries 未來將繼續包含 OpenRNG，并在 GitLab 中標記發布的代碼。OpenRNG 倉庫將保持開放，以供開發者使用。GitLab 上有貢獻指南。我們已盡力確保 OpenRNG 采用 MIT 和 Apache-2.0 技術授權許可，讓用戶可以將源代碼添加到自己的項目中，而不會受到繁瑣的限制。

相關鏈接：

[1]Arm GitLab:https://gitlab.arm.com/libraries/openrng

[2] Arm Performance Libraries 參考指南：

https://developer.arm.com/documentation/101004/2404/Open-Random-Number-Generation--OpenRNG--Reference-Guide

[3] Arm GitLab 提問頁面：

https://gitlab.arm.com/libraries/openrng/issues

[4]貢獻指南：

https://gitlab.arm.com/libraries/openrng/-/blob/main/CONTRIBUTING.md

* Arm 原創文章