多线程环境下优先使用ThreadLocalRandom，因其无锁、吞吐量高3–5倍；但不可重现随机序列，且需在业务逻辑中调用current()，禁用于静态初始化。
多线程环境下优先用 ThreadLocalRandom
如果代码运行在多线程场景（比如 Web 服务、定时任务、并行流），Random 会因内部的 AtomicLong 状态更新产生竞争，导致性能下降甚至热点锁问题；ThreadLocalRandom 每个线程持有一份独立实例，无共享状态，吞吐量通常高 3–5 倍。
常见错误现象：ThreadLocalRandom.current().nextInt() 在静态初始化块或类加载早期调用，可能返回 null 或抛 NullPointerException —— 它依赖线程首次调用才初始化。
- 正确做法：总在业务逻辑中调用
ThreadLocalRandom.current()，不要缓存或跨线程传递该实例 - 不适用场景：需要可重现的随机序列（如测试、算法验证），因为
ThreadLocalRandom不支持设置种子 - 兼容性：JDK 7+，但
ints()/longs()/doubles()流式方法仅 JDK 8+
Random 适合单线程或需控制种子的场景
Random 是传统选择，构造时可传入固定 long 种子，保证每次运行生成相同序列，这对单元测试、模拟数据生成、游戏关卡种子等至关重要。
注意：即使在单线程里，若频繁调用（如每毫秒生成数千个数），Random 的 CAS 更新仍比 ThreadLocalRandom 慢；此时可考虑复用同一个 Random 实例，而非反复新建。
立即学习“Java免费学习笔记（深入）”；
- 别写
new Random().nextInt(100)—— 构造开销 + 时间种子碰撞可能导致重复序列 - 要复现结果？必须用
new Random(12345L)这种带种子的方式，无参构造依赖System.nanoTime()，不可控 -
Random的nextGaussian()和nextDouble()精度与算法实现和ThreadLocalRandom一致，无需为精度换库
并行流中别手动用 Random，改用 ThreadLocalRandom 的流方法
写 IntStream.range(0, 1000).parallel().map(i -> new Random().nextInt(100)) 是典型反模式：每个元素新建 Random，种子高度相似，结果分布偏差大，且性能极差。
正确方式是直接用 ThreadLocalRandom 提供的并行友好接口：
ThreadLocalRandom.current()
.ints(0, 100)
.limit(1000)
.parallel()
.forEach(System.out::println);-
ints()/longs()/doubles()返回的是并行友好的IntStream，底层已按线程分片，无需同步 - 这些流方法不接受自定义种子，所以不适合需要可重现性的批量生成
- 若既要种子又要并行，只能自己分段：用固定种子初始化多个
Random实例（如按线程 ID 偏移种子），但复杂度陡增，慎选
别混淆 Math.random() 和前两者
Math.random() 是静态方法，内部其实用的是一个全局 Random 实例（JDK 8 起是 ThreadLocalRandom），但它只提供 [0.0, 1.0) 的 double，功能最弱。
常见误用：用它做整数随机（(int)(Math.random() * 100)）—— 类型转换截断引入轻微偏差，且无法控制种子；更严重的是，在高并发下它曾是锁竞争点（JDK 7 及以前）。
- 简单脚本或原型代码可容忍，但生产环境请统一替换为
ThreadLocalRandom.current().nextInt(100) - 它不能被 mock，对测试不友好；而
Random可注入、可替换，适合解耦设计 - 没有
Math.random().longs()这种东西，想用流就得切到ThreadLocalRandom
实际选型时，真正卡住人的往往不是“哪个更快”，而是“我能不能接受不可重现”和“这个随机数是不是跑在 ForkJoinPool 里”。一旦涉及并行计算或容器化部署下的线程复用，ThreadLocalRandom 的隔离性就不再是优化项，而是必要项。
