最小完美哈希函数简介

转载 2015年07月09日 15:19:25

http://www.yankay.com/introduction-to-opmphf/

什么是保序最小完美哈希函数

我曾经花了很多脑筋来找一个很好很完美的哈希算法,但都没有想到,最近看到了,掩不住一阵激动分享下。最小完美哈希函数是什么,要从定义说起,这个名字很长,一步步解释。

  1. 哈希函数 任意函数h(x)都可以说哈希函数,一般来说,一个良好的哈希函数可以尽量避免重复。x的集合是参数域,h(x)的集合是值域。
  2. 完美哈希函数  完美哈希函数,就是完全不会冲突的哈希函数,这要求函数的值域至少比参数域要大
  3. 最小完美哈希函数 最小完美哈希函数,就是指函数的值域和参数域的大小完全相等,一个也不多
  4. 保序最小完美哈希函数 保序的意思就是指这个哈希之后顺序是不变的,同时还能满足其他两个条件。
这个函数的优点就是形式上很完美,就像给一个排好序的文档编上的序号一般紧凑可靠。但是这个函数有两个缺点,一是必须事前必须知道原数据集,二是需要花一定的CPU来生成这个函数。我认为,对于数据仓库类的线下搜索应用,这个算法是有用武之地的。但对于强调实时的数据业务,这个算法是不适合的。

算法实现

该算法的实现方法是这样的。先构造两个普通的哈希函数h1(x)和h2(x),还有一个用数组实现的函数g(x)。使得 h(x)=g(h1(x))+g(h2(x))modn ,其中n是参数的总个数,H(x)就是最终的有序最小完美哈希函数了。

以上是定义,说不清楚,举个例子就明白了。取一个n为12的数据集。

首先构造这三个函数:
函数h1和h2:

x h1函数 h2函数
jezebel 5 9
jezer 5 7
... ... ...

函数g:

x g函数
5 0
7 1
9 0
... ...
根据上文的公式 h(x)=g(h1(x))+g(h2(x))modn ,可以得出:
x h计算步骤 h值
jezebel g(5)+g(9) 0
jezer g(5)+g(7) 1
... ... ...

这里的h就可以最小完美哈希函数算出的值了,很神奇,不是吗?

大致的流程走了一遍,现在最最关键的是h1(x),h2(x)和g(x)是怎么得来的。

h1(x)和h2(x)比较简单,可以使用一个很简便的方法获得:先定义一个权重数组w[i],这个数据是一系列随机的数。 h1=(t[1]w[1]+t[2]w[2]+...+t[i]w[i])modm 。其中t[i]指得的字符串x的第i个字符,m值得的函数的值域。只要更换一个权重数组,就可以重新构造一个新函数。有很多方法可以构造这两个函数。

g(x)的获得就比较复杂。可以是凑出来的。就如同上面的例子,因为 g(5)+g(9)mod12=0 , g(5)+g(7)mod12=1 。所以我们可以凑出 g(5)=0,g(7)=1,g(9)=0 这样就可以满足上面的两个条件了。需要一个数组来存储函数g的结果,当然凑也不能瞎凑,是有方法的,下面专门讲凑的步骤。

算法函数生成

首先随意设定一个数,比如是7,设为 g(7)=1 ,因为我们已知 g(5)+g(7)mod12=1 ,所以可以推论出 g(5)=0。因为 g(5)+g(9)mod12=0 ,所以可以推出 g(9)=0 ,以此类推就可以了。但要注意的是千万不能重复设定一个数两次,这样就会形成一个环,永远也推不完。所以遇到已经推算过的数的时候,要检测环的存在。这样下去,就可以猜出全部的值了。

现在需要的就是分析这个凑的过程的运行效率问题。这个就要涉及到h1,h2这两个函数的值域大小,如果越大,越容易凑出一个g函数,但是g函数的参数域就会比较大,存储这个g函数的数据就需要占用更多的空间。相反如果值域越小,在凑的时候就非常容易出现环,需要更长的时间才能凑出这个g函数。

怎么办呢?

我们可以使用3个的h函数来降低形成环的可能,就是这样 h(x)=g(h1(x))+g(h2(x))+g(h3(x))modn ,这样虽然推理g函数的过程会复杂一些,但是很有效,有实验分析表明,当h函数的值域大约参数域的1.23倍的时候,这个g函数的创建尝试次数是常数。

至此,这个算法介绍完了。这个方法是从《Managing Gigabytes》这本书看到的,这里的讲述更浅显一些。

结语

这个哈希函数是一个静态Hash函数,可以非常有效的缩减索引所需要的空间。《Managing Gigabytes》一书中有一个对比,如果直接使用字符串数组,100万个术语需要28MB的空间,而是要这样的哈希函数,可以缩减到12MB。要知道索引小一点,磁盘就能读得快一点,查询就能快一点。所以这个哈希函数对于提高性能是非常给力的。

但是他是静态的,就意味着事前必须知道需要哈希哪些数据。同时生成的算法比较复杂,需要很长的时间来建立索引。没有办法实时添加更新。给他的应用范围提了个极大的限制。窃以为输入法的词库,数据仓库的查询索引,还有一些不需要更新且对性能有要求的场景,这个算法是适用的。



相关文章推荐

数据结构-最小完美哈希和保序最小完美哈希函数

1.什么是最小完美哈希函数? 在满足完美哈希(不会产生冲突(单射))的前提下,key值数量(假设为n)和哈希表中槽的数量(假设为m)相等,即 m = n,此种哈希函数被称为最小完美哈希函数(其实相当于...

MinHash (最小哈希)

本文转自:http://1.cool.sinaapp.com/?p=893 minhash是判断文档相似的一种方法。这里结合一个具体的示例来简单过一下: 一、全集 {a,b,c,d,e},...
  • yeruby
  • yeruby
  • 2014年12月09日 19:41
  • 3441

完美哈希函数(Perfect Hash Function)

  什么是完美哈希函数 完美哈希函数(Perfect Hash Function,简称PHF)就是没有冲突的哈希函数,也就是,函数 H 将 N 个 KEY 值映射到 M 个整数上,这里 M>=N ,而...

散列表之完美散列

散列表之完美散列 完美散列perfect hashing 两级散列法 gperf工具来自动生成完美散列函数 gperf的安装 gperf关键字文件的书写格式 gperf应用举例 注意本文中的所有代码你...

bzr 工具的介绍与使用

Bazaar(bzr)是另一个开源的 DVCS(Distributed Version Control System,即分布式版本控制系统),它试图给 SCM(Source Code Manageme...

Java缓存服务器调优

搜索降级方案中xmn开始使用bizer默认的128M,非常慢。 偶然改成1G,效果立马上来,但是xmx调大并没有明显效果。                  100并发             2...

最小完美哈希函数

什么是保序最小完美哈希函数 我曾经花了很多脑筋来找一个很好很完美的哈希算法,但都没有想到,最近看到了,掩不住一阵激动分享下。最小完美哈希函数是什么,要从定义说起,这个名字很长,一步步解释。 哈...
  • ibundy
  • ibundy
  • 2012年06月28日 13:43
  • 151

GNU工具-gperf详解(完美哈希函数生成器)

1.

哈希函数简介

一、散列表相关概念 散列技术是在记录的存储位置和它的关键字之间建立一个确定的对应关系f,使得每个关键字key对应一个存储位置f(key)。 这里把这种对应关系f称为散列函数,又称为哈希(Hash)函数...

哈希函数与数据完整性

  • 2014年09月14日 17:09
  • 230KB
  • 下载
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:最小完美哈希函数简介
举报原因:
原因补充:

(最多只允许输入30个字)