高效的“滚动/移动哈希”计算（如移动平均）答案

【问题标题】：Efficient 'rolling/moving hash' computation (like moving average)高效的“滚动/移动哈希”计算（如移动平均）
【发布时间】：2013-01-11 14:25:15
【问题描述】：

我正在尝试优化一个程序，该程序需要在流的每个位置（字节）处为数据流中的恒定大小窗口计算散列。在比可用 RAM 大得多的磁盘文件中查找重复项是必需的。目前我为每个窗口计算单独的 md5 散列，但它花费大量时间（窗口大小为几千字节，因此每个数据字节被处理几千次）。我想知道是否有一种方法可以在恒定（与窗口大小无关）时间内计算每个后续哈希（例如移动平均线中 1 个元素的加法和减法）？散列函数可以是任何东西，只要它不提供长散列（50-100 位是可以的）并且它的计算速度相当快。它还必须在多达数万亿个不那么随机的窗口（TB 数据）上几乎不产生碰撞——在我的情况下，每次碰撞都意味着磁盘访问（crc32 非常弱，md5 在这方面还可以）。

如果您指出 linux 上可用的现有库函数（如果有的话），我将不胜感激。

这是我在这里的第一个问题，如果我做错了什么，请多多包涵。

问候，巴托斯

【问题讨论】：

良好散列函数的一个属性（导致统计上适当数量的冲突）是它们的最终值取决于混合输入数据的 /all/ 位，即在它们的在下一个数据块的每个处理步骤中进行计算，结果取决于到目前为止已处理的所有位。如果现在您想“仅”省略前 N 位，这意味着所有后续计算步骤所依赖的数据都不同，因此所有步骤都必须重做。所以你至少得放弃今天好的散列函数的这种力量。

标签： c++ hash

【解决方案1】：

rolling hashes 上的维基百科文章有一个指向 ngramhashing 的链接，它在 C++ 中实现了一些不同的技术，包括：

随机化 Karp-Rabin（有时称为 Rabin-Karp）
循环多项式哈希（也称为 Buzhash）
通过不可约多项式进行散列

（也可通过GitHub 获得）

【讨论】：

有用的链接，至少我可以尝试现有的实现。谢谢！

【解决方案2】：

您所描述的与重复数据删除存储中使用的基本方法非常接近。

重复数据删除系统，我们通常使用Rabin's fingerprinting方法作为快速、滚动的哈希函数。然而，虽然 Rabin 指纹是良好且易于理解的碰撞属性，但它在密码学上并不安全，即将发生碰撞。检查例如怎么样Bentley et al. used such a method in their compression method。问题是您是否可以容忍以及可以容忍多少冲突。如果您可以容忍偶尔的碰撞，那么一个好的 Rabin 指纹实现可能是一个好主意。良好的实现每个内核每秒可以处理超过 200 MB。

我不知道有任何几乎没有冲突（又名加密安全）并且同时滚动的方法。作为 PlasmaHH，我非常怀疑这是否真的可行。

想想你是否可以放松你的限制。也许你可以允许错过一些重复。在这些情况下，更快的方法是可能的。

【讨论】：

谢谢。我会尝试 Rabin 指纹方法，希望它足够好。我真的不想错过比我更多的重复项（因为块大小）。但可能发生冲突时磁盘访问的成本会低于哈希性能增益。
Rabin-Karp 方法确实表现良好，并且在 64 位算术中实现时，对于该任务来说很少有冲突。非常感谢！