랜덤 숫자 추첨기 알고리즘: Math.random vs CSPRNG, Fisher-Yates 셔플 가이드

목차
이벤트 당첨자를 뽑거나 경품 및 복권 번호를 추첨할 때 가장 중요한 기준은 결과의 공정성과 예측 불가능성입니다. 화면에 무작위 숫자가 나타나는 것처럼 보여도 내부 구현 방식에 편향이 있거나 다음 값을 예측할 수 있다면 추첨의 신뢰도는 무너집니다. 이 글에서는 자바스크립트의 난수 생성 방식이 왜 문제가 되는지, 그리고 편향 없이 공정하게 추첨하는 방법을 정리합니다.
요약
- ①
Math.random()은 예측 가능한 의사 난수(PRNG)라서 경품·당첨자 추첨처럼 공정성이 중요한 곳에는 적합하지 않습니다.- ②
crypto.getRandomValues()기반 CSPRNG와 Fisher-Yates 셔플, 저수지 샘플링을 함께 쓰면 편향 없이 공정하게 추첨할 수 있습니다.- ③ 직접 구현하기 번거롭다면 저희 도구에서 CSPRNG 기반의 공정 추첨을 바로 이용해 볼 수 있습니다.
왜 난수 생성 방식이 추첨 결과를 좌우하는가
컴퓨터는 정해진 알고리즘을 수행하는 결정론적 시스템입니다. 그래서 순수 소프트웨어만으로는 완전한 무작위 값을 만들 수 없고, 난수처럼 보이는 값을 계산해 내는 의사 난수(Pseudo-Random Number)를 사용합니다. 이 계산 방식에 따라 추첨의 공정성이 달라집니다.
Math.random()의 한계
Math.random()은 의사 난수 생성기(PRNG, Pseudo-Random Number Generator)를 바탕으로 동작합니다. V8 등 자바스크립트 엔진은 내부적으로 xorshift128+ 또는 LCG(Linear Congruential Generator) 계열 알고리즘을 사용합니다.
- 시드(Seed) 기반 결정론: 초기 시드값과 내부 상태가 정해지면 이후 생성되는 수열이 고정됩니다.
- 예측 가능성: 난수 몇 개를 연속으로 관찰하면 이전 상태나 다음 값을 수학적으로 재구성해 예측할 수 있습니다.
- 조작 위험: 경품 추첨이나 이벤트 당첨자 선정에서 다음 패턴을 계산해 당첨률을 높이는 부정행위가 일어날 수 있습니다.
잘못된 셔플 코드가 만드는 편향
명단을 무작위로 섞거나 중복 없이 K개를 추출할 때 흔히 쓰이는 array.sort(() => Math.random() - 0.5) 코드는 짧은 배열에서는 문제없이 동작하는 것처럼 보이지만 통계적 편향을 만듭니다.
N개 요소가 가질 수 있는 모든 순열(Permutation)의 경우의 수는 N!(N 팩토리얼)입니다. 그런데 자바스크립트 정렬 알고리즘(QuickSort, Timsort 등)이 무작위 비교 함수를 호출할 때 발생하는 내부 결정 경우의 수는 N^N 형태에 가깝습니다. N^N은 N!의 정수 배수가 되지 않는 경우가 대부분이라, 특정 순열이 다른 순열보다 더 자주 나오는 확률적 불균형이 생깁니다.
편향 없이 공정하게 추첨하는 방법
편향을 없애려면 (1) 예측 불가능한 난수 소스, (2) 모든 순열이 동일한 확률로 나오는 셔플 알고리즘, (3) 대용량 데이터에서도 안전한 추출 방식, 이 세 가지를 함께 써야 합니다. 아래는 직접 구현할 때 필요한 원리와 코드입니다.
1) crypto.getRandomValues()로 예측 불가능한 난수 만들기
crypto.getRandomValues()는 암호학적으로 안전한 의사 난수 생성기(CSPRNG, Cryptographically Secure PRNG)를 사용합니다.
- 엔트로피 소스: 운영체제 수준에서 마우스 움직임, CPU 인터럽트 타임스탬프, 키보드 입력 노이즈 등 물리적 현상에서 난수 엔트로피를 수집합니다.
- 역산 불가능성: 과거에 생성된 난수를 모두 파악하더라도 다음 값을 예측하거나 내부 시드를 역추적하기가 사실상 불가능합니다.
- 공정성: 현금성 경품, 당첨자 추첨, 암호키 생성처럼 신뢰성이 중요한 곳에는 CSPRNG를 사용해야 합니다.
crypto.getRandomValues()로 얻은 32비트 정수(0 ~ 2^32-1)를 원하는 범위 [0, M-1]로 바꿀 때 단순히 % M(모듈로 연산)만 적용하면 모듈로 편향이 생깁니다. 2^32가 M의 배수가 아닌 이상 앞쪽 숫자가 뽑힐 확률이 미세하게 높아지기 때문입니다. 이를 없애려면 거절 샘플링(Rejection Sampling) 방식으로 한계값을 구합니다.
Rejection Limit = 2^32 − (2^32 mod M)
추출된 난수 R이 이 한계값 이상이면 값을 버리고 다시 뽑습니다. 이렇게 하면 균등한 확률 분포를 만들 수 있습니다.
2) Fisher-Yates 셔플로 모든 순열을 동일 확률로 만들기
Fisher-Yates 셔플(Durstenfeld 변형)은 배열의 뒤쪽(N-1)부터 시작해, 아직 확정되지 않은 앞쪽 영역(0~i)에서 무작위 인덱스 j를 골라 두 위치를 맞바꾸는 방식입니다.
- 시간 복잡도: O(N), 배열을 한 번만 순회합니다.
- 공간 복잡도: O(1), 추가 배열 없이 제자리에서 섞습니다.
특정 요소가 위치 i에 배치될 확률을 계산해보면 이 방식이 균등한 이유를 알 수 있습니다.
- 배열의 마지막 위치(N-1)에 특정 요소가 뽑힐 확률은 1/N입니다.
- 마지막에서 두 번째 위치(N-2)에 특정 요소가 뽑힐 확률은(앞 단계에서 뽑히지 않고, 이번 단계에서 뽑힐 확률이므로) (1 − 1/N) × 1/(N-1) = (N-1)/N × 1/(N-1) = 1/N입니다.
- 일반화하면 k번째 위치에 특정 요소가 뽑힐 확률은 (N-1)/N × (N-2)/(N-1) × … × (k-1)/k × 1/(k-1) = 1/N입니다.
즉 모든 요소가 어떤 위치에 배치될 확률은 정확히 1/N로 같고, 가능한 모든 N!개의 순열이 나올 확률도 각각 1/N!로 균등하다는 것을 알 수 있습니다.
3) 저수지 샘플링(Reservoir Sampling)으로 대용량 데이터 처리하기
1부터 100만까지처럼 큰 범위에서 중복 없이 몇 개만 뽑아야 하거나, 전체 개수를 미리 알 수 없는 스트림 데이터에서 K개를 추첨해야 할 때는 전체 배열을 메모리에 만들어 셔플하는 방식이 비효율적입니다. 이때 저수지 샘플링을 사용합니다.
크기가 K인 저수지(Reservoir) 배열을 준비하고 스트림 데이터를 하나씩 읽으며 다음과 같이 처리합니다. 아래에서 i는 코드와 동일하게 0부터 시작하는 인덱스입니다.
- 첫 K개 요소(인덱스 0~K-1)는 조건 없이 저수지 배열에 채웁니다.
- 인덱스 i(i가 K 이상인 경우)인 요소가 입력되면 0부터 i까지의 무작위 정수 j를 생성합니다.
- j가 K보다 작으면 저수지의 j번째 요소를 현재 인덱스 i의 입력값으로 교체합니다.
전체 데이터 개수가 N개일 때, 최종 단계가 끝난 후 특정 요소가 저수지에 남아있을 확률을 계산해 봅니다. 스트림에서 n번째로(1부터 세는 순번이며, 코드의 0-기반 인덱스로는 i = n − 1에 해당) 들어온 요소가 끝까지 저수지에 남을 확률은 다음과 같습니다.
P(당첨) = K/n × (1 − 1/(n+1)) × (1 − 1/(n+2)) × … × (1 − 1/N) = K/n × n/(n+1) × (n+1)/(n+2) × … × (N-1)/N = K/N
전체 데이터 크기 N을 미리 몰라도 한 번의 순회(O(N))와 O(K) 수준의 메모리만으로 N개 중 K개를 공정하게 비복원 추출할 수 있습니다.
구현 코드: CSPRNG + Fisher-Yates + 저수지 샘플링
아래 코드는 CSPRNG 기반 모듈로 편향 제거, Fisher-Yates 셔플, 저수지 샘플링을 모두 포함한 TypeScript 예제입니다.
/**
* CSPRNG 기반 무작위 정수 생성 (모듈로 편향 제거)
* @param min 최소값 (포함)
* @param max 최대값 (포함)
*/
export function getRandomIntSecure(min: number, max: number): number {
if (min > max) {
throw new Error("min은 max보다 작거나 같아야 합니다.");
}
const range = max - min + 1;
if (range === 1) return min;
const totalValues = 0x100000000; // 2^32
const limit = totalValues - (totalValues % range);
const array = new Uint32Array(1);
let randomValue: number;
do {
crypto.getRandomValues(array);
randomValue = array[0];
} while (randomValue >= limit);
return min + (randomValue % range);
}
/**
* CSPRNG 기반 Fisher-Yates 중복 없는 무작위 추출 (K개)
* @param array 원본 응모자/숫자 배열
* @param k 추출할 당첨자 수 (미지정 시 전체 셔플)
*/
export function pickRandomItems<T>(array: T[], k?: number): T[] {
const result = [...array];
const count = k !== undefined ? Math.min(k, result.length) : result.length;
for (let i = result.length - 1; i > result.length - 1 - count; i--) {
const j = getRandomIntSecure(0, i);
[result[i], result[j]] = [result[j], result[i]];
}
return result.slice(result.length - count);
}
/**
* 대용량 범위/스트림 데이터 저수지 샘플링 (Reservoir Sampling)
* @param min 범위 시작값
* @param max 범위 끝값
* @param k 뽑을 당첨자 수
*/
export function reservoirSampleRange(min: number, max: number, k: number): number[] {
const total = max - min + 1;
const sampleCount = Math.min(k, total);
const reservoir: number[] = [];
// 1. 초기 K개 저수지 채우기
for (let i = 0; i < sampleCount; i++) {
reservoir.push(min + i);
}
// 2. i번째 요소 무작위 교체 판정
for (let i = sampleCount; i < total; i++) {
const currentValue = min + i;
const j = getRandomIntSecure(0, i);
if (j < sampleCount) {
reservoir[j] = currentValue;
}
}
return reservoir;
}
추첨 결과가 공정한지 검증하기: 카이제곱 적합도 검정
추첨 도구가 특정 번호나 참가자에게 편중되지 않는지 확인하려면 통계적 검정을 사용할 수 있습니다. 총 N번의 추첨 실험에서 생성된 K개 범주에 대해 실제 관측 빈도를 Oᵢ, 이론적 기대 빈도를 Eᵢ = N/K라고 하면, 카이제곱 통계량 χ²는 다음과 같이 정의됩니다.
χ² = Σ(i=1부터 K까지) (Oᵢ − Eᵢ)² / Eᵢ
- 귀무가설(H₀): 난수 추출 알고리즘은 편향 없이 균등한 확률 분포를 따른다는 가정입니다.
- 자유도(df): K − 1
- 판정 기준: 계산된 χ² 통계량이 유의수준(α = 0.05) 기준 카이제곱 임계치보다 작으면, 해당 추첨기는 통계적으로 편향이 없는 것으로 판단합니다.
이런 통계 검정을 직접 구현해 매번 확인하는 것은 번거로운 작업입니다. 아래 추첨 도구는 이미 CSPRNG 기반 모듈로 편향 제거와 Fisher-Yates 셔플을 적용해 두었으므로, 별도의 검증 코드를 작성하지 않아도 편향 없는 결과를 바로 얻을 수 있습니다.
무료 · 암호화 난수 기반 · 중복 없는 공정 추첨

Math.random()과 crypto.getRandomValues() 비교
| 항목 | Math.random() | crypto.getRandomValues() |
|---|---|---|
| 생성 방식 | 의사 난수(PRNG) | 암호학적 의사 난수(CSPRNG) |
| 예측 가능성 | 이전 값으로 다음 값 추정 가능 | 역산이 사실상 불가능 |
| 시드 소스 | 내부 알고리즘 상태 | OS 수준 물리적 엔트로피 |
| 적합한 용도 | 게임 연출, 단순 랜덤 효과 | 경품·당첨자 추첨, 암호키 생성 |
실무에서 공정성을 확보하는 방법
알고리즘만큼 운영 프로세스의 투명성도 중요합니다.
- 사전 시드·해시 공지: 추첨 전 참가자 명단의 SHA-256 해시값이나 시드값을 공식 게시판에 공개하면, 추첨 후 누구나 동일한 결과를 재현해 확인할 수 있습니다.
- 화면 녹화와 로그 보존: 명단 입력부터 추첨 버튼 클릭, 결과 화면까지 녹화하고, 추출된 난수 값과 시각 로그를 보존해 필요할 때 제출합니다.
- 중복 데이터 정리: 동일인의 중복 응모(전화번호, 이메일, 계정 ID)를 추첨 전 1건으로 정리합니다.
- 클라이언트 기반 도구 활용: 서버 측 조작 가능성을 줄이기 위해 브라우저에서
crypto.getRandomValues()를 직접 실행하는 클라이언트 추첨 도구를 활용하는 것이 좋습니다.
정리
공정한 추첨을 위해서는 예측 가능한 Math.random() 대신 crypto.getRandomValues() 기반 CSPRNG를 사용하고, array.sort() 방식이 아닌 Fisher-Yates 셔플로 순열을 만들어야 합니다. 대용량 데이터에서는 저수지 샘플링으로 메모리 부담 없이 추출할 수 있고, 카이제곱 검정으로 결과의 균등성을 확인할 수 있습니다. 직접 구현하지 않고 바로 공정한 추첨 결과를 확인하고 싶다면 아래에서 도구를 사용해 보세요.
무료 · 암호화 난수 기반 · 중복 없는 공정 추첨
자주 묻는 질문
Q1. Math.random()으로 뽑은 당첨자는 법적 문제가 생기나요?
소규모 사내 이벤트나 단순 재미용 추첨이라면 Math.random()을 사용해도 문제가 될 가능성은 적습니다. 다만 고가의 현금성 경품이나 공공기관·기업의 공식 이벤트에서는 난수 예측 가능성과 편향 시비를 줄이기 위해 CSPRNG 기반 난수 알고리즘을 사용하는 것이 좋습니다.
Q2. 1등부터 뽑는 것과 5등부터 뽑는 것의 당첨 확률 차이가 있나요?
Fisher-Yates 알고리즘처럼 균등 무작위 셔플을 사용하면 추출 순서와 무관하게 모든 응모자의 당첨 확률은 동일합니다. 다만 이벤트 진행상 낮은 등수부터 발표하는 것이 흥미를 유발하는 데 유리합니다.
Q3. 중복 허용(복원 추출)과 중복 제외(비복원 추출)는 언제 구분해 쓰나요?
로또 번호 생성이나 경품 당첨자 선정처럼 한 번 뽑힌 번호나 사람이 다시 뽑히면 안 되는 경우에는 비복원 추출(중복 제외)을 사용합니다. 주사위 던지기처럼 매번 동일한 확률을 유지해야 하는 경우에는 복원 추출(중복 허용)을 사용합니다.