Diehard 测试套件接近于测试随机数生成器的黄金标准。它包括许多测试，其中一个好的随机数生成器应该产生根据一些已知分布分布的结果，然后可以比较使用测试生成器的结果。

编辑

我必须更新这个，因为我不完全正确：Diehard 可能仍然被大量使用，但它不再被维护并且不再是最先进的。自那以后，NIST 提出了一组改进的测试。

只是为了给 honk 的答案添加一点，Diehard Test Suite（由 George Marsaglia 开发）是 PRNG 的标准测试。

有一个不错的Diehard C 库可以让您访问这些测试。除了标准的 Diehard 测试，它还为其他一些 PRNG 测试提供了功能，这些测试包括（除其他外）检查位顺序。还有一个测试RNG速度和编写自己的测试的工具。

Dieharder 库有一个 R 接口，称为RDieHarder：

library(RDieHarder)
dhtest = dieharder(rng="randu", test=10, psamples=100, seed=12345)
print(dhtest)

Diehard Count the 1s Test (byte)

       data:  Created by RNG `randu' with seed=12345, 
              sample of size 100 p-value < 2.2e-16

这表明RANDU RNG 生成器未通过最小距离/2dsphere 测试。

为了测试随机数生成器产生的数字，Diehard 测试是一种实用的方法。但是这些测试似乎有点武断，人们可能会想知道是否应该包括更多测试，或者是否有任何方法可以真正检查随机性。

定义随机序列的最佳候选者似乎是Martin-Löf 随机性。这种随机性的主要思想在Knuth 的第 3.5 节中得到了很好的发展，它是测试随机数序列的所有类型的子序列的一致性。即使使用可计算性的概念，要正确定义所有类型的子序列也是非常困难的。

Diehard 检验只是人们可能考虑的一些可能的子序列，它们的失败将排除 Martin-Löf 随机性。

你无法证明，因为这是不可能的；你只能检查是否没有任何令人尴尬的自相关或分布扰动，而Diehard确实是它的标准。这是用于统计/物理的，密码学家还将主要检查（除其他外）将生成器拟合到数据以获得未来值的难度。