La curiosa razón por la que a los ordenadores les cuesta generar números aleatorios

Cámara dentro de un cuarto lleno de servidores captando los movimientos de lámparas de lava para entrenar a algoritmos deterministas

En una oficina de Cloudflare en San Francisco, una cámara apunta a una pared de lámparas de lava. Graba las formas que dibuja el líquido al moverse, y esas imágenes acaban aportando datos a los servidores. La decoración participa así en una tarea de seguridad informática.

La escena tiene su explicación. Los ordenadores ejecutan instrucciones con precisión: un algoritmo determinista produce el mismo resultado si parte del mismo estado y recibe las mismas entradas. Esa repetibilidad resulta muy útil al calcular, pero obtener números impredecibles requiere incorporar información del mundo físico.

Tabla de contenido
  1. La semilla que decide por dónde empezar
  2. De dónde sale la incertidumbre
  3. Qué aportan las lámparas de lava
  4. El problema de una clave que se puede adivinar
  5. De las tarjetas perforadas a la luz

La semilla que decide por dónde empezar

Muchos programas generan números mediante una serie de operaciones matemáticas. Son los llamados generadores pseudoaleatorios, capaces de producir secuencias con propiedades estadísticas útiles. Para arrancar necesitan un estado inicial, que se establece a partir de una semilla.

Sus aplicaciones abarcan simulaciones científicas, videojuegos y también juegos de azar regulados como las slots, donde participan en la determinación de resultados. En España, estos juegos solo pueden ofrecerlos operadores con licencia de la DGOJ, están prohibidos a menores y conllevan riesgo de pérdidas, y las personas mayores de edad pueden solicitar su inscripción en el RGIAJ para impedir su acceso al juego online y a los juegos presenciales sujetos a esa comprobación.

Conservar la semilla permite repetir la secuencia con el mismo generador y las mismas operaciones. Para quien prueba un programa, esto supone una ventaja: puede reproducir una ejecución y estudiar qué ocurre al cambiar otra variable.

Las secuencias pueden tener ciclos enormes. Mersenne Twister, utilizado por el generador principal del módulo random de Python, tiene un período de 2¹⁹⁹³⁷ − 1. En seguridad, además de las propiedades estadísticas, importa que resulte difícil anticipar los siguientes valores.

De dónde sale la incertidumbre

Para alimentar un generador destinado a proteger información hace falta suficiente entropía: incertidumbre aprovechable presente en los datos. Las mediciones físicas proporcionan esa materia de partida.

Linux recoge entropía de controladores de dispositivos y otras fuentes de ruido del entorno. Con ella inicializa un generador pseudoaleatorio criptográficamente seguro, diseñado para entregar valores difíciles de predecir a los programas que los solicitan.

El reparto de tareas permite trabajar con rapidez. Primero se obtiene información del entorno; después, el algoritmo produce una secuencia extensa. Así se atienden muchas peticiones sin hacer una medición independiente por cada número.

El sistema también incorpora datos nuevos para renovar el estado del generador. A las fuentes habituales pueden sumarse otras entradas, como las imágenes captadas por una cámara.

Qué aportan las lámparas de lava

Cloudflare detalló el funcionamiento de LavaRand el 6 de noviembre de 2017. La cámara registraba el movimiento de las lámparas, con sus formas cambiantes. Cada imagen, almacenada digitalmente como números, servía de entrada para un generador criptográficamente seguro.

Los servidores podían utilizar su salida como una fuente adicional de aleatoriedad. Era una protección complementaria, añadida a los mecanismos que ya empleaban para obtenerla.

El interés estaba en la dificultad de anticipar los cambios que recogería la cámara. El procesamiento informático permitía aprovechar esos datos dentro de un sistema preparado para atender las necesidades de los servidores.

Las lámparas hacían visible una tarea que suele pasar inadvertida: conseguir información impredecible antes de usarla en operaciones de seguridad. Un fallo en ese paso puede afectar a las claves creadas después.

El problema de una clave que se puede adivinar

Un generador criptográfico debe dificultar que alguien anticipe sus próximas salidas, incluso tras observar resultados anteriores. De ello dependen usos como la creación de claves de cifrado o identificadores para recuperar contraseñas.

Python distingue estas necesidades en sus herramientas. El módulo random está orientado a modelización y simulación; secrets utiliza las fuentes del sistema operativo para generar valores destinados a contraseñas y otros secretos.

El 13 de mayo de 2008, Debian publicó una alerta que mostró las consecuencias de una aleatoriedad deficiente. Luciano Bello había descubierto que el generador de su paquete de OpenSSL era predecible debido a una modificación específica de ese paquete.

La primera versión vulnerable se había incorporado en septiembre de 2006. Como el problema afectaba al material criptográfico empleado en comunicaciones y autenticación, Debian recomendó volver a generar las claves afectadas.

De las tarjetas perforadas a la luz

La búsqueda de números aleatorios había dado lugar a soluciones singulares mucho antes. En 1955, RAND publicó un libro con un millón de dígitos. La tabla básica se había producido en 1947 con un dispositivo electrónico de pulsos y tarjetas perforadas.

En septiembre de 2016, el Institut de Ciències Fotòniques presentó un generador cuántico integrado en un chip fotónico de 6 × 2 milímetros. Aprovechaba variaciones cuánticas de la luz de dos láseres y digitalizaba las señales para producir secuencias a velocidades del orden de gigabits por segundo.

Del líquido de una lámpara a la luz de un láser, las mediciones físicas aportan la incertidumbre que los algoritmos necesitan para trabajar con el azar.