也就是：
long epoch = System.currentTimeMillis()/1000
方法：
1、获取当前系统的UNIX时间戳
System.out.println("获取系统毫秒数方法1："+Long.toString(new Date().getTime()))
System.out.println("获取系统毫秒数方法2："+Long.toString(System.currentTimeMillis()))
注意：以上代码获取的都是系统毫秒数，在实际的操作中我们一般都是记录毫秒说以求记录的精度，当处理UNIX时间戳的时候需要把数据进行处理。
2、将UNIX时间戳转换成系统可以处理的时间
System.out.println(""+new java.text.SimpleDateFormat("yyyy MM-dd HH:mm:ss").format(new java.util.Date (1215782027390L)))
输出：2008 07-11 21:13:47
注意：此时处理的数据为系统毫秒不是UNIX时间戳
3、讲时间转换成UNIX时间戳
long epoch = new java.text.SimpleDateFormat ("dd/MM/yyyy HH:mm:ss").parse("09/22/2008 16:33:00").getTime()
注意：
请注意！对与不同的时区处理上有差异，首先要清楚自己所在的时区。
String timezone_info = System.getProperty("user.timezone")
System.out.println("当前的时区:"+timezone_info)
System.out.println("时区信息:"+TimeZone.getDefault())
输出：
当前的时区:Asia/Shanghai
时区信息:sun.util.calendar.ZoneInfo[id="Asia/Shanghai",offset=28800000,dstSavings=0,useDaylight=false,transitions=19,lastRule=null]
处理不同的时区的方法：
SimpleDateFormat sd = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss")
sd.setTimeZone(TimeZone.getTimeZone("GMT+8"))
String strDate = sd.format(new Date(1215782027390L))
System.out.println("正八区当前时间:"+strDate)
输出：
正八区当前时间:2008-07-11 21:13:47
TOP(N)排序算法，在一组数据中，找到最小的N个数，并排序，最大的N个数与此类似。
样例算法采用java语言实现，对100000000个整数执行topN排序，样例算法分为两种，第一种方法算法适用于N较大的时候，第二种算法适用于N较小的时候，样例中count就是N
第一种方法：N较大的时候用
import java.util.Random
public class Demo {
static int count = 100000//N值
public static void main(String[] args) {
System.out.println("test")
int[] smpls = samples(100000000)
long start = System.currentTimeMillis()
for(int i=0i<counti++){
System.out.println(smpls[i])
}
quickSort(smpls,0,smpls.length-1)
oriQuickSort(smpls,0,count-1)
System.out.println("--------------------------------")
for(int i=0i<counti++){
System.out.println(smpls[i])
}
System.out.println("time:"+(System.currentTimeMillis() - start))
}
public static void oriQuickSort(int[] items,int p,int r){
if(p<r){
int q = partition(items,p,r)
oriQuickSort(items, p, q - 1)
oriQuickSort(items, q + 1, r)
}
}
public static void quickSort(int[] items,int p,int r){
if(p<r){
int q = partition(items,p,r)
if(q>count-1) {
quickSort(items, p, q - 1)
}else if(q<count-1) {
quickSort(items, q + 1, r)
}
}
}
public static int partition(int[] items,int p,int r){
int q = p-1
int x =items[r]
for(int i=pi<=r-1i++){
if(items[i] <= x ){
q++
int temp = items[q]
items[q] = items[i]
items[i] = temp
}
}
items[r] = items[q+1]
items[q+1] = x
return q+1
}
//生成一个排序数组
public static int[] samples(int num){
int[] smpls = new int[num]
for(int i=0i<numi++){
smpls[i] = i
}
for(int j=0j<num*3j++){
int index1 = new Random().nextInt(num)
int index2 = new Random().nextInt(num)
int temp = smpls[index1]
smpls[index1] = smpls[index2]
smpls[index2] =temp
}
return smpls
}
}
第二种方法，N较小的时候用
import java.util.Random
public class Demo2 {
public static void main(String[] args) {
int count = 10//N值
System.out.println("test")
int[] smpls = samples(100000000)
long start = System.currentTimeMillis()
for(int i=0i<counti++){
System.out.println(smpls[i])
}
System.out.println("--------------------------------")
oriQuickSort(smpls,0,count - 1)
for(int i=0i<counti++){
System.out.println(smpls[i])
}
for(int i = counti <smpls.lengthi++){
smpls[count] = smpls[i]
for(int j = count-1j >=0j--){
if(smpls[j+1] <smpls[j]){
int tmp = smpls[j]
smpls[j] = smpls[j+1]
smpls[j+1] = tmp
}else if(smpls[j+1]>=smpls[j]){
break
}
}
}
System.out.println("--------------------------------")
for(int i=0i<counti++){
System.out.println(smpls[i])
}
System.out.println("time:"+(System.currentTimeMillis() - start))
}
public static void oriQuickSort(int[] items,int p,int r){
if(p<r){
int q = partition(items,p,r)
oriQuickSort(items, p, q - 1)
oriQuickSort(items, q + 1, r)
}
}
public static int partition(int[] items,int p,int r){
int q = p-1
int x =items[r]
for(int i=pi<=r-1i++){
if(items[i] <= x ){
q++
int temp = items[q]
items[q] = items[i]
items[i] = temp
}
}
items[r] = items[q+1]
items[q+1] = x
return q+1
}
//生成一个排序数组
public static int[] samples(int num){
int[] smpls = new int[num]
for(int i=0i<numi++){
smpls[i] = i
}
for(int j=0j<num*3j++){
int index1 = new Random().nextInt(num)
int index2 = new Random().nextInt(num)
int temp = smpls[index1]
smpls[index1] = smpls[index2]
smpls[index2] =temp
}
return smpls
}
}
之前在工作中经常用密钥，但是不知道其中的原因，现在闲下来就来看下，再看的过程发现这个随机数概念很模糊，于是就查了下，现总结如下：
0x01 随机数
概述
随机数在计算机应用中使用的比较广泛，最为熟知的便是在密码学中的应用。本文主要是讲解随机数使用导致的一些Web安全风。
我们先简单了解一下随机数
分类
随机数分为真随机数和伪随机数，我们程序使用的基本都是伪随机数，其中伪随机又分为强伪随机数和弱伪随机数。
真随机数，通过物理实验得出，比如掷钱币、骰子、转轮、使用电子元件的噪音、核裂变等
伪随机数，通过一定算法和种子得出。软件实现的是伪随机数
强伪随机数，难以预测的随机数
弱伪随机数，易于预测的随机数
特性
随机数有3个特性，具体如下：
随机性：不存在统计学偏差，是完全杂乱的数列
不可预测性：不能从过去的数列推测出下一个出现的数
不可重现性：除非将数列本身保存下来，否则不能重现相同的数列
随机数的特性和随机数的分类有一定的关系，比如，弱伪随机数只需要满足随机性即可，而强位随机数需要满足随机性和不可预测性，真随机数则需要同时满足3个特性。
引发安全问题的关键点在于不可预测性。
伪随机数的生成
我们平常软件和应用实现的都是伪随机数，所以本文的重点也就是伪随机数。
伪随机数的生成实现一般是算法+种子。
具体的伪随机数生成器PRNG一般有：
线性同余法
单向散列函数法
密码法
ANSI X9.17
比较常用的一般是线性同余法，比如我们熟知的C语言的rand库和Java的java.util.Random类，都采用了线性同余法生成随机数。
应用场景
随机数的应用场景比较广泛，以下是随机数常见的应用场景：
验证码生成
抽奖活动
UUID生成
SessionID生成
Token生成
CSRF Token
找回密码Token
游 戏 (随机元素的生成)
洗牌
俄罗斯方块出现特定形状的序列
游戏爆装备
密码应用场景
生成密钥：对称密码，消息认证
生成密钥对：公钥密码，数字签名
生成IV： 用于分组密码的CBC，CFB和OFB模式
生成nonce: 用于防御重放攻击分组密码的CTR模式
生成盐：用于基于口令的密码PBE等
0x02 随机数的安全性
相比其他密码技术，随机数很少受到关注，但随机数在密码技术和计算机应用中是非常重要的，不正确的使用随机数会导致一系列的安全问题。
随机数的安全风险
随机数导致的安全问题一般有两种
应该使用随机数，开发者并没有使用随机数
应该使用强伪随机数，开发者使用了弱伪随机数。
第一种情况，简单来讲，就是我们需要一个随机数，但是开发者没有使用随机数，而是指定了一个常量。当然，很多人会义愤填膺的说，sb才会不用随机数。但是，请不要忽略我朝还是有很多的。主要有两个场景：
开发者缺乏基础常识不知道要用随机数
一些应用场景和框架，接口文档不完善或者开发者没有仔细阅读等原因。
比如找回密码的token，需要一个伪随机数，很多业务直接根据用户名生成token
比如OAuth2.0中需要第三方传递一个state参数作为CSRF Token防止CSRF攻击，很多开发者根本不使用这个参数，或者是传入一个固定的值。由于认证方无法对这个值进行业务层面有效性的校验，导致了 OAuth 的CSRF攻击。
第二种情况，主要区别就在于伪随机数的强弱了，大部分(所有?)语言的API文档中的基础库(常用库)中的random库都是弱伪随机，很多开发自然就直接使用。但是，最重要也最致命的是，弱伪随机数是不能用于密码技术的。
还是第一种情况中的找回密码场景，关于token的生成， 很多开发使用了时间戳作为随机数(md5(时间戳)，md5(时间戳+用户名))，但是由于时间戳是可以预测的，很容易就被猜解。不可预测性是区分弱伪随机数和强伪随机数的关键指标。
当然，除了以上两种情况，还有一些比较特别的情况，通常情况下比较少见，但是也不排除：
种子的泄露，算法很多时候是公开的，如果种子泄露了，相当于随机数已经泄露了
随机数池不足。这个严格来说也属于弱伪随机数，因为随机数池不足其实也导致了随机数是可预测的，攻击者可以直接暴力破解。
漏洞实例
wooyun上有很多漏洞，还蛮有意思的，都是和随机数有关的。
1.应该使用随机数而未使用随机数
Oauth2.0的这个问题特别经典，除了wooyun实例列出来的，其实很多厂商都有这个问题。
Oauth2.0中state参数要求第三方应用的开发者传入一个CSRF Token(随机数)，如果没有传入或者传入的不是随机数，会导致CSRF登陆任意帐号：
唯品会账号相关漏洞可通过csrf登录任意账号
人人网 - 百度 OAuth 2.0 redirect_uir CSRF 漏洞
2.使用弱伪随机数
1) 密码取回
很多密码找回的场景，会发 送给 用户邮件一个url，中间包含一个token，这个token如果猜测，那么就可以找回其他用户的密码。
1. Shopex 4.8.5密码取回处新生成密码可预测漏洞
直接使用了时间函数microtime()作为随机数，然后获取MD5的前6位。
1. substr(md5(print_r(microtime(),true)),0,6)
PHP 中microtime()的值除了当前 服务器 的秒数外，还有微秒数，微妙数的变化范围在0.000000 -- 0.999999 之间，一般来说，服务器的时间可以通过HTTP返回头的DATE字段来获取，因此我们只需要遍历这1000000可能值即可。但我们要使用暴力破解的方式发起1000000次请求的话，网络请求数也会非常之大。可是shopex非常贴心的在生成密码前再次将microtime() 输出了一次：
1. $messenger = &$this->system->loadModel('system/messenger')echo microtime()."
"
2.奇虎360任意用户密码修改
直接是MD5( unix 时间戳)
3.涂鸦王国弱随机数导致任意用户劫持漏洞，附测试POC
关于找回密码随机数的问题强烈建议大家参考拓哥的11年的文章《利用系统时间可预测破解java随机数| 空虚浪子心的灵魂》
2) 其他随机数验证场景
CmsEasy最新版暴力注入(加解密缺陷/绕过防注入)
弱伪随机数被绕过
Espcms v5.6 暴力注入
Espcms中一处SQL注入漏洞的利用，利用时发现espcms对传值有加密并且随机key,但是这是一个随机数池固定的弱伪随机数，可以被攻击者遍历绕过
Destoon B2B 2014-05-21最新版绕过全局防御暴力注入(官方Demo可重现)
使用了microtime()作为随机数，可以被预测暴力破解
Android 4.4之前版本的Java加密架构(JCA)中使用的Apache Harmony 6.0M3及其之前版本的SecureRandom实现存在安全漏洞，具体位于classlib/modules/security/src/main/java/common/org/apache/harmony/security/provider/crypto/SHA1PRNG_SecureRandomImpl.java
类的engineNextBytes函数里，当用户没有提供用于产生随机数的种子时，程序不能正确调整偏移量，导致PRNG生成随机序列的过程可被预测。
Android SecureRandom漏洞详解
安全建议
上面讲的随机数基础和漏洞实例更偏重是给攻击者一些思路，这里更多的是一些防御和预防的建议。
业务场景需要使用随机数，一定要使用随机数，比如Token的生成
随机数要足够长，避免暴力破解
保证不同用处的随机数使用不同的种子
对安全性要求高的随机数(如密码技术相关)禁止使用的弱伪随机数：
不要使用时间函数作为随机数(很多程序员喜欢用时间戳) Java：system.currenttimemillis() php：microtime()
不要使用弱伪随机数生成器 Java: java.util.Random PHP: rand() 范围很小，32767 PHP: mt_rand() 存在缺陷
强伪随机数CSPRNG(安全可靠的伪随机数生成器(Cryptographically Secure Pseudo-Random Number Generator)的各种参考
6.强伪随机数生成(不建议开发自己实现)
产生高强度的随机数，有两个重要的因素：种子和算法。算法是可以有很多的，通常如何选择种子是非常关键的因素。 如Random，它的种子是System.currentTimeMillis()，所以它的随机数都是可预测的， 是弱伪随机数。
强伪随机数的生成思路：收集计算机的各种，键盘输入时间，内存使用状态，硬盘空闲空间，IO延时，进程数量，线程数量等信息，CPU时钟，来得到一个近似随机的种子，主要是达到不可预测性。
暂时先写到这里
