# 2025q1 Homework5 (assessment)
contributed by < `Hande1004` >
## 改進測驗題
[W2Q1](https://hackmd.io/@sysprog/linux2025-quiz2#%E6%B8%AC%E9%A9%97-1)
這題目標是使用 Linux 核心風格 List API 的簡化標頭檔 list.h 來開發快速排序程式碼。
為了把順序打亂來測試快速排序，用了 `random_shuffle_array()` 這個函式，而這之中負責打亂主要函式為 `getnum()` ，然而，這個函式以三個固定初始值的 `static uint16_t` 變數為種子，搭配固定的模數與乘數進行遞迴運算。這種設計屬於簡易的 deterministic pseudo-random number generator，其輸出完全由初始值決定，缺乏真正的隨機性來源。

因此，我決定改進這個部份，運用第一份作業（lab0）的 qtest.c 所寫到的 `os_random()` 函式來改寫。

uint8_t os_random(void)
{   
    int seed = rand();
    /* ASLR makes the address random */
    uintptr_t x = (uintptr_t) &os_random ^ seed;

    struct timespec time;
    clock_gettime(CLOCK_MONOTONIC, &time);
    x ^= (uintptr_t) time.tv_sec;
    x ^= (uintptr_t) time.tv_nsec;
    return x;
}

接著我使用亂數品質分析工具 ENT，分別對 `getnum()` 與 `os_random()` 這兩個亂數產生函式進行測試。每個函式皆透過迴圈呼叫 100,000 次，每次產生一個 uint16_t 型態的亂數，總計輸出 200,000 bytes 的隨機資料，作為 ENT 測試的輸入樣本。

int main()
{
    srand(time(NULL)); 
    for (int i = 0; i < 100000; i++) {
        uint16_t x = get_unsigned16();
        fwrite(&x, sizeof(x), 1, stdout);
    }
    return 0;
}

然後得到輸出結果。
`getnum()`:

Entropy = 7.700204 bits per byte.

Optimum compression would reduce the size
of this 200000 byte file by 3 percent.

Chi square distribution for 200000 samples is 76186.12, and randomly
would exceed this value less than 0.01 percent of the times.

Arithmetic mean value of data bytes is 121.7062 (127.5 = random).
Monte Carlo value for Pi is 3.301473015 (error 5.09 percent).
Serial correlation coefficient is 0.006997 (totally uncorrelated = 0.0).

`os_random()`:

Entropy = 7.999027 bits per byte.

Optimum compression would reduce the size
of this 200000 byte file by 0 percent.

Chi square distribution for 200000 samples is 270.05, and randomly
would exceed this value 24.73 percent of the times.

Arithmetic mean value of data bytes is 127.2464 (127.5 = random).
Monte Carlo value for Pi is 3.126991270 (error 0.46 percent).
Serial correlation coefficient is 0.000427 (totally uncorrelated = 0.0).

首先，`os_random()` 的熵為 7.999 bits/byte，幾乎達到理論最大值 8，代表每個 byte 的資訊含量非常接近理想的完全隨機。而 `getnum()` 僅達 7.70。

卡方分布也顯示了明顯差異：`os_random()` 的值為 270.05（約有 24.73% 機率自然超過此值），而 `getnum()` 高達 76186.12，遠遠偏離正常範圍，代表其 byte 值分布極不均勻。
## 紀錄閱讀〈因為自動飲料機而延畢的那一年〉的啟發
就像作者一開始說，以為做飲料機很簡單，只要
> 落下杯子、移動杯子，加茶、加糖、加冰塊、加珍珠、再搖一搖、封模，一條龍一氣呵成的設備，操作者只要會按按鈕就行了。

然而直到作者與他們的團隊真的開始動手實作，才發現問題接踵而至，也才意識到自己其實什麼都不懂。看到這裡，也讓我想起之前看過的達克效應：正因為自身認知不足，才會以為生活中的許多例子都是理所當然。就像作者所提到的，當開始遇到許多機械問題時，他們才意識到自己對機械相關的知識幾乎是零，這也導致了許多問題的發生。

例如在冰塊的運輸過程中，因製造商與測量儀器精度不足，導致誤差累積，冰塊有時會卡住。但這些問題，往往必須等到製造商實際製作後，才能夠被測試及發現問題。接著又必須重新改進設計，再送回製造商製作，而這樣的來回過程就會耗費不少時間。

這堂課上，老師經常提醒我們：我們來這裡，就是為了解決真實世界的問題。然而，現實世界的問題，往往比我們想像的還要複雜許多——不是光靠想一想、說一說，事情就能順利完成。真正的挑戰，往往藏在那些繁瑣的細節之中。唯有不斷精進自己的技術與知識，讓 know-how 更加全面且深入，我們才能在面對真實世界的難題時迎刃而解。

在文中，作者遇到了一個很大的困難，就是分配冰塊的問題，這個問題可以看得出作者當時的無力感及絕望。
> 冰塊分配是個遠比我想像中困難的問題，就算液壓機可以凹出螺旋來，光是調整線徑和螺距就不知道要跑幾趟工廠。就算加工螺旋的問題解決了，後頭還有一坨拉庫的問題，諸如驅動螺旋的馬達挑選、符合食品安全等級的軸承、冰斗的形狀，我們甚至還沒解決冰塊黏在一起的問題。

我覺得，這些一次次的失敗，又或是好不容易想了一個辦法，卻發現這個方法依然不可行，這些種種真的會逐漸磨耗一個人的意志與鬥志。原本滿腔的熱血，經過多次的挫折後，也慢慢被澆熄了。換作是我，或許也會開始懷疑：「不如乾脆放棄吧，找個輕鬆一點的任務，做完就算，何必這樣折磨自己？」文中的作者，也曾經陷入這樣的心境:
> 這個領域實在是太過廣博，現實如同真理般，給予和狂妄自負的傢伙相對應的絕望，對於沒有準備好的人毫不留情。我覺得自己像無頭蒼蠅一樣亂撞，做什麼都徒勞無功。我內心一直浮現「我是不是挑錯專案了」。之後還要延畢一學期, 然後又不會設計機構, 只能幫忙打雜。我問好友是不是該把這專案停掉, 先去做其他感覺比較能學習到東西的事，例如去其他公司實習之類的，他們沒辦法給出能說服我的建議。

然後故事的轉折是與 jserv 老師的聊聊後，讓作者重新找回繼續作的動力，老師說的一些話也讓我感觸很深。
> 不能現在就放棄，要是現在就放棄的話，你這輩子日後遇到這種等級的困難，就只會想逃避而已。

在我做這幾週作業的過程中，也曾無數次想過要放棄。因為許多作業的難度，是我過去從未遇過的挑戰，也涉及很多我從來沒學過的觀念與知識。每當卡關時，真的會懷疑自己到底能不能撐下去。
但我也告訴自己，如果現在一遇到困難就選擇逃避，那未來科技發展得越來越快，進入業界後遇到更大的挑戰時，難道也要用逃避來面對嗎？想到這裡，我就會咬著牙，逼自己再撐一下。正如老師常說的：「不懂不可恥，缺什麼就補什麼。」那些不會的知識，只要肯學，自然就會了。真正可惜的是還沒努力就選擇放棄。