ac自动机匹配最长前缀_多模匹配のAC自动机-CSDN博客

本文链接：https://blog.csdn.net/weixin_39557813/article/details/111736478

精确的字符串匹配算法有单模匹配算法，比如，KMP、BM算法等；和多模匹配算法，比如，Wu-Manber、AC算法等。

AC算法(Aho-Corasick)是KMP算法向多模式串情形的扩展，该算法使用一种特殊的自动机，即AC自动机。AC自动机由一组模式串P生成，是trie的扩展。

先回顾一下KMP算法。

每读入一个字符，KMP算法更新既是模式串的前缀、同时也是已读入文本的后缀的最长字符串的长度。设字符串vβ是下一个既是模式串p的前缀、同时也是已读入文本t1…ti+1的后缀的最长字符串。可以看出：对模式串当前已匹配前缀u来说，v既是u的一个后缀、也是u的一个前缀，并且字符β一定与ti+1(即σ)相等。这里，称v是u的一个边界。

KMP算法：

首先，预处理得到模式串p的每个前缀u的最长边界b(u)=max(v)，即得到所谓的next数组。

然后，设当前文本位置为i，对新读入的字符σ=ti+1，按照如下步骤计算新的最长前缀：

如果σ=p|u|+1=α，那么新的最长前缀是up|u|+1，计算结束；

如果σ≠α，设置u为最长边界b(u)，跳转到步骤1；如果u为空字符，计算结束。

最终，当uσ=p的时候，即匹配完成。

AC算法

AC算法中类似next数组的是一颗改造过的trie树。用q表示模式P对应的trie状态，用L(q)表示从初始状态到q的路径上的标号组成的字符串。SAC(q)定义为自动机中的另一个状态q’，使得L(q’)是L(q)的最长后缀，这是将“边界”的概念扩展到一组字符串。SAC(q)称为q的供给状态，称q到SAC(q)的连线为供给链，称由供给链连接而成的路径为供给路径。初始状态的供给状态为θ。

下图为模式集合P={ATATATA, TATAT, ACGATAT}的AC自动机，虚线为SAC，双圆圈为终结状态。例如，L(15)=ACGATA，既是它的后缀，同时也是某个模式串(这里是ATATATA)的前缀的最长字符串是ATA，对应状态7，因此SAC(15)=7。终结状态是那些对应于整个模式串的状态，此外，如果从状态q到根节点的路径上存在终结状态，那么q也是终结状态。例如，由于SAC(16)是终结状态，所以16也是终结状态。

假设已经读入文本t1…ti，而既是其后缀、同时也是某个模式串的前缀的最长字符串对应AC自动机的Current状态，记该字符串为v=L(Current)。当读入下一个字符ti+1并计算t1…titi+1的新的最长后缀u时，有两种情况：

如果状态Current存在标号为ti+1的转移，目的状态为f，即δAC(Current, ti+1)=f，那么f将成为新的Current状态。并且，u=L(f)=uti+1是t1…titi+1的最长后缀，同时也是某个模式串的前缀；

如果状态Current不存在标号为ti+1的转移，那么沿着Current的供给路径回溯，直到：

找到一个状态q，它存在标号为ti+1的转移。那么q的ti+1转移的目的状态f成为新的Current状态，并且u=L(f)；

如果到达空状态θ，那么说明要寻找的最大后缀u是空字符串ε，于是从Current跳转到初始状态。

算法伪代码如下，F(Current)表示Current节点所对应的模式P中的相应字符串：

Aho-Corasick(P={p1,...,pr}, T=t1...tn)

预处理

AC ← Build_AC(P)

匹配

Current ← AC自动机的初始状态

For pos ∈ 1...n Do

While δAC(Current, tpos) = θ And SAC(Current) ≠ θ Do

Current ← SAC(Current)

End While

If δAC(Current, tpos) ≠ θ Then

Current ← AC自动机的初始状态

End If

If Current是终结状态 Then

找到模式串F(Current)

End If

End For

预处理阶段，先根据模式串构造trie，然后BFS顺序遍历trie构造SAC。

假设已经计算出Current之前所有状态的供给函数，现在考虑Current父节点Parent。假设Parent到Current的字符为σ，即Current=δAC(Parent, σ)。SAC(Parent)已经计算出来了，要搜索v=L(Current)的最长后缀u，它同时也对应trie中的一条路径。v可以写成v’σ 的形式，如果u不是空串，那么u一定能写成u’σ 的形式，并且u’一定是v’的后缀。

如果SAC(Parent)有字符为σ的转移，并且目的状态为h，则w=L(SAC(Parent))是v’的最长后缀，并且wσ对应trie中的一条路径。wσ就是最长路径u，SAC(Current)指向h。

如果SAC(Parent)没有字符为σ的转移，或者抵达空状态θ为止。如果抵达了空状态θ，说明u是空字符串ε，这时将SAC(Current)置为初始状态。

算法伪代码如下：

Build_AC(P={p1,...,pr})

AC-trie ← Trie(P)

δAC是转移函数

初始节点 ← AC-trie的根节点

SAC(初始状态) ← θ

For BFS的Current节点 Do

Parent ← Current的父节点

σ ← 从Parent到Current的输入字符

Down ← SAC(Parent)