Generadores criptográficos frente a simulación

01 · Punto de partida

El generador correcto para cada trabajo

Un simulador quiere millones de valores por segundo y repetirlos con una semilla. Un sistema de claves quiere lo opuesto: que nadie pueda predecir ni repetir el próximo token aunque haya visto mil anteriores. Usar el generador equivocado sale caro: sorteo predecible o simulación de 10 horas que no se puede depurar.

Los Temas 12 a 17 te dieron velocidad y calidad estadística. Aquí agregamos la tercera dimensión: la imprevisibilidad ante un adversario. Esa es la frontera entre un PRNG de simulación y un CSPRNG.

• ¿Por qué MT/PCG/Philox, aun siendo modernos, no sirven para claves?
• ¿Qué garantiza un CSPRNG que un PRNG no promete?
• ¿Por qué el CSPRNG es más lento y no se siembra a mano?
• ¿Cuándo usar random, numpy y cuándo secrets?

02 · Definición

PRNG frente a CSPRNG

03 · Cómo funciona un CSPRNG

Entropía + cifrado + re-siembra

El SO junta ruido real (tiempos de interrupciones, sensores, jitter) en un pozo de entropía y lo estira con un cifrado (ChaCha20, AES) en modo DRBG. Cada llamada mezcla estado nuevo: aunque roben el estado actual, el pasado y el futuro tras re-seed siguen protegidos.

Entropía

Ruido físico del sistema (/dev/urandom, getrandom(), BCryptGenRandom). No es semilla elegida: es azar del entorno.

DRBG

Generador determinista que estira poca entropía en muchos bytes seguros (Hash_DRBG, HMAC_DRBG, CTR_DRBG según NIST 800-90A).

Reseed

Re-inyección periódica de entropía fresca: limita el daño si el estado se compromete.

04 · Ejemplos

Qué va de cada lado

1. 1
   Simulación Monte Carlo.

   Mil millones de réplicas reproducibles con default_rng(123). Velocidad y spawn mandan (Temas 37–38).

2. 2
   Token de sesión / reset de clave.

   secrets.token_urlsafe(32). Cada llamado es único aunque el atacante vea mil tokens previos.

3. 3
   Sorteo con premio / loot pagado.

   Hay incentivo para predecir: va del lado cripto (secrets.randbelow(n)), auditado y sin semilla fija en producción.

05 · Implementación en Python

secrets frente a random

La librería estándar lo deja claro: random es para modelado y juegos sin adversario; secrets es para claves y tokens. Fijate que secrets ni siquiera acepta semilla.

import random

random.seed(42)
print([round(random.random(), 6) for _ in range(3)])
random.seed(42)
print([round(random.random(), 6) for _ in range(3)])

Misma semilla, misma secuencia: perfecto para depurar, fatal para un token.

Tokens que no se repiten

import secrets

print(secrets.token_hex(8))
print(secrets.token_hex(8))
print(secrets.randbelow(100), secrets.randbelow(100))
print(secrets.choice(["oro", "plata", "bronce"]))

06 · Exploración

Laboratorio: velocidad frente a imprevisibilidad

Compará tres fuentes del navegador: LCG didáctico (predecible y con semilla), Math.random (rápido, no seguro) y crypto.getRandomValues (seguro). Medimos tiempo real para N valores y si la secuencia se repite con la misma semilla.

La forma de la curva no delata seguridad: lo que importa es si conociendo el pasado se puede predecir el futuro y de dónde sale la semilla.

Preguntas para explorar

1. Generá dos veces con LCG y semilla 42: ¿cambia el primer valor? Repetí con crypto: ¿qué pasa?
2. Subí N a 500 y compará tiempos: ¿cuál es más lento? ¿Lo usarías para mil millones de réplicas?
3. Si publicás la semilla de un sorteo con LCG, ¿puede un participante calcular el ganador antes del sorteo?

07 · Comprensión

Confusiones frecuentes

08 · Práctica guiada

Ejercicios con Python

Ejercicio 1: token de sesión

Generá dos tokens URL-safe de 32 bytes y verificá que son distintos. ¿Por qué no fijarías semilla aquí?

import secrets

a = secrets.token_urlsafe(32)
b = secrets.token_urlsafe(32)
print(a)
print(b)
print(a != b)

Ejercicio 2: el sorteo justo

Sorteá un ganador entre 1000 participantes sin sesgo módulo. Repetilo 3 veces.

import secrets

for _ in range(3):
    print(secrets.randbelow(1000))

Ejercicio 3: clonar un LCG con 3 datos

Observá 3 salidas de un LCG conocido (a=1103515245, c=12345, m=2**31) y predecí la cuarta resolviendo el estado. ¿Qué prueba esto sobre random para claves?

a, c, m = 1103515245, 12345, 2**31
x = 42
obs = []
for _ in range(3):
    x = (a * x + c) % m
    obs.append(x / m)
print([round(v, 6) for v in obs])
# atacante que ve obs y conoce a, c, m recupera x y predice:
x_next = (a * round(obs[-1] * m) + c) % m
print("predicho:", round(x_next / m, 6))

09 · Síntesis

Ideas para recordar

En el próximo tema volvemos al cauce de simulación: generación de números uniformes, de enteros del generador a U(0,1).