随机数在科研领域和工程技术领域的许多方面都有非常广泛的应用,比如科学模拟、统计抽样、深度学习、光纤传感、雷达测距、数字扩频通信等。尤其在信息安全方面,随机数在密钥生成、数字签名及各种密码协议中发挥着至关重要的作用。随机数设计方案包括伪随机数发生器和物理(真)随机数发生器。伪随机数发生器主要由数学算法和种子构成,一旦获取该种子值和算法,就能完全复制输出序列。物理随机数发生器则利用自然界真实存在的随机现象,但是受到外界干扰或人为攻击,所产生的随机数仍可能被预测。在保密通信中,如果攻击者预测并获取所使用的随机数,就可能导致整个系统被破解,从而导致严重的信息泄露。所以无论采用何种方式产生随机数,都应该经过严格的随机性检测,它是对随机数的质量或随机数发生器的可靠性进行验证的关键环节,如果能对实际应用中的随机数进行高速甚至实时测试,就能及时发现由于随机数质量下降而带来的安全隐患,所以对其测试效率提出高效、实时的要求。随机性测试利用统计学原理直观地评估随机序列的质量,也是评判一个随机数发生器是否合格的手段。美国标准技术研究院(NIST)发布的SP800-22随机数测试标准是目前被各国广泛认可的测试标准,由于其严格性和算法的复杂性,导致测试过程非常耗时。本论文评估了各项测试的耗时情况,深入分析了最耗时的非重叠模板匹配测试和次耗时的线性复杂度测试,通过设计并行算法并利用多核CPU和GPU硬件提升了这两项测试的性能,论文主要工作包括以下两个方面:1、研究随机数测试标准NIST SP 800-22的统计学原理及各项测试的涵义。通过耗时分析,选取耗时多的非重叠模板匹配测试和线性复杂度测试作为研究对象。研究CPU多线程处理技术和CUDA的编程模型、硬件结构,了解并行程序的设计思想。2、分析以上两项测试的算法原理和测试流程,设计并行计算方法,使用CPU多线程处理技术及CUDA架构实现并行计算程序。分别在不同参数及计算规模下评估改进测试的加速效果,实验结果表明两项测试的并行实现都具有良好的加速比,且GPU计算方案的加速效果更好。