伪随机数生成器（PRNG，亦称确定性随机位生成器DRBG），是一种算法，用以生成与绝对随机数序列相仿的数字序列。这种生成器依赖于一个初始值，即种子，来产出相应的伪随机数序列。一旦种子确定，PRNG所生成的数字序列就变得完全确定，它产生的序列并不具备真正的随机性。
PRNG在众多领域中均扮演着重要的角色。例如在蒙特卡洛模拟、电子竞技以及密码学应用等方面，我们都可以看到PRNG的身影。
对于随机性，理想的随机数应当不含有统计学的偏差，呈现为一种完全杂乱的数列。不可预测性与不可重现性也是评判随机数质量的重要指标。具体而言，随机数不应能被预测，且除非数列被保存下来，否则不应能重现相同的数列。
这三个性质的严格性逐一提升，体现了对随机数更高层次的要求。在随机数的分类中，密码学所使用的随机数属于特定类型。
如前所述，当PRNG所依赖的种子确定后，其生成的随机数序列也就基本确定了。这里我们定义PRNG的周期为其所有可能起始状态下，能产生不重复序列的最长长度。显然，对于一个PRNG而言，其周期不会超过其所有可能的状态数。
需注意的是，即便遇到输出重复的情况，也不应直接认为是PRNG的周期。因为PRNG的状态通常大于其输出的位数。
可参考百科上的详细解释：伪随机数生成器详解。
当前通用的伪随机数生成器种类繁多，包括但不限于线性同余生成器（LCG）、线性回归发生器、Mersenne Twister、xorshift generators、WELL系列的生成器以及线性反馈移位寄存器（LFSR）等。
在实际应用中，伪随机数生成器可能会面临一些问题。例如，由于算法的局限性或特定条件下的不适用性，可能导致生成的随机数序列质量不高或存在偏差。
选择合适的伪随机数生成器并确保其正确使用至关重要。这有助于我们获得满足需求的随机数序列，从而在模拟、游戏、密码学等领域中取得更好的效果。