使用 rabin karp 算法对文件进行切片

Question

我编写了一个 c 程序，它应该使用 Rabin Karp algorithm 将文件切成块。这是一个 c# 程序的改编版本，您可以找到 Here。

它似乎有效，但问题仍然存在。平均块大小不是预期的。

用法如下：

rabin Prime WindowSize BoundaryMarker 文件

在哪里：

Rabin 是可执行文件的名称。

素数是一个高素数。例如 100007

WindowSize 是滚动窗口的大小。比如48

BoundaryMarker 是指纹中设置为 0 的位数

File 是要处理的文件

如果我将 BoundaryMarker 设置为 13，我希望平均块大小为 8K。 事实上，它们都不在 8K 左右。

我很难弄清楚我的程序出了什么问题？ 你能帮帮我吗？

谢谢

#include <stdio.h>
#include <stdlib.h>
#include <unistd.h>
#include <fcntl.h>

unsigned char* buffer;
int windowSize;
int writePointer = 0;
int readPointer = 0;
int dataSize = 0;

unsigned char PushChar(unsigned char c)

{ if (++writePointer >= windowSize) writePointer=0;
  buffer[writePointer]=c;
  dataSize++;
  return(c);
}

unsigned char PopChar(void)

{ if (++readPointer >= windowSize) readPointer=0;
  dataSize--;
  return(buffer[readPointer]);
}


int main(int argc, char *argv[])

{ int fd;
  unsigned char c;

  unsigned long Q;
  unsigned long D=256;
  unsigned long pow=1;
  int i,k,boundary,boundaryMarker,index;
  unsigned char s; 

  if (argc != 5) 
  { printf("\nUsage : rabin Prime WindowSize BoundaryMarker File\n\nwhere :\n");
    printf("Prime is a high prime number. For instance 100007\n\n");
    printf("WindowSize is the size of rolling window. For instance 48\n\n");
    printf("BoundaryMarker is the number of bits set to 0 in a fingerprint\n\n");
    printf("File is the file to process\n\n");
    return(1);
  }

  sscanf(argv[1],"%lu",&Q);
  sscanf(argv[2],"%d",&windowSize);
  sscanf(argv[3],"%d",&boundaryMarker);

  for(i=1,boundary=1;i<=boundaryMarker;i++) boundary=boundary*2;
  boundary --;

  //printf("Q = %lu windowSize = %d boundary = %d\n",Q,windowSize,boundary);

  if ((buffer=(unsigned char*) malloc (sizeof(unsigned char)*windowSize))==NULL) return(1);

  for (k=1; k < windowSize; k++) pow=(pow*D)%Q;
  //printf("pow value %lu\n",pow);

  unsigned long sig=0;
  int lastIndex=0;

  if ((fd=open(argv[4],O_RDONLY))<0) exit(1);

  for (i=0; i <windowSize; i++)
  { read(fd,&c,1);
    PushChar(c);
    sig=(sig*D + (unsigned long)c) %Q;
  }

  //printf("sig value = %lu\n",sig);

  index=0; lastIndex=0;

  while (read(fd,&c,1))
  { 
    s=PopChar();
    //printf("sig = ( %lu + %lu - %lu * %lu %% %lu ) %lu",sig,Q,pow,(unsigned long) s,Q,Q);
    sig = (sig + Q - pow*(unsigned long)s%Q)%Q;
    //printf(" = %lu\n",sig);
    s=PushChar(c);
    //printf("sig2 = ( %lu * %lu + %lu ) %% %lu",sig,D,(unsigned long) s,Q);
    sig = (sig*D + (unsigned long)s)%Q;
    //printf(" = %lu\n",sig);
    index++;
    if ((sig & boundary )==0)
       { if (index - lastIndex >= 2048)
         { printf("sig & boundary = %lu & %lu Index=%d chunk size=%d\n",sig,boundary,index,index-lastIndex);
           lastIndex=index;
     }
       }
    else if (index -lastIndex >=65536)
            { printf("sig & boundary = %lu & %lu Index=%d chunk size=%d\n",sig,boundary,index,index-lastIndex);
              lastIndex=index;
            }
  }
  printf("Index=%d chunk size=%d\n",index,index-lastIndex);

  close(fd);
  return 1;
}

Answer 1

在 BoundaryMarker = 13 的情况下，在 1 兆字节的随机数据上运行代码给了我 104 个块，平均块大小为 10082 字节。这与预期的 8192 相差不远。

但是，较小的 BoundaryMarker 值显示出更明显的偏差；例如，将其设置为 10，平均块大小为 3049 字节，与预期的 1024 相去甚远。设置 BoundaryMarker = 5 产生的平均块大小为 2077 字节，甚至 near预期大小为 32 字节。

仔细查看您的代码，这种偏差的明显原因在于以下代码（为清晰起见重新格式化）：

if ((sig & boundary ) == 0)
{ if (index - lastIndex >= 2048)
  { printf("sig & boundary = %lu & %lu Index=%d chunk size=%d\n",sig,boundary,index,index-lastIndex);
    lastIndex=index;
  }
}
else if (index - lastIndex >= 65536)
{ printf("sig & boundary = %lu & %lu Index=%d chunk size=%d\n",sig,boundary,index,index-lastIndex);
  lastIndex=index;
}

if (index - lastIndex >= 2048) 抑制距前一个边界小于 2048 字节的块边界，有效地将小于 2048 字节的块与下一个块合并。同时，else if (index - lastIndex >= 65536) 检查强制人为的块边界，以防止任何块增长超过 65536 字节。

如果这种行为（强制所有块的长度至少为 2048 且最多为 65536 字节）不是您想要的，您可以简单地删除这些检查，将代码简化为：

if ((sig & boundary ) == 0)
{ printf("sig & boundary = %lu & %lu Index=%d chunk size=%d\n",sig,boundary,index,index-lastIndex);
  lastIndex=index;
}

确实，对于 BoundaryMarker = n，进行此更改会产生非常接近 2ⁿ 个字节的平均块大小，至少对于 n ≤ 12 左右。

对于 n = 13，似乎确实存在明显的向下偏差，我怀疑这是由于素数 100007 仅约为边界模数 2^{13 的 12.2 倍造成的}。由于签名值或多或少地以素数为模随机分布，因此当进一步减少模 2¹³ 时，额外的 0.2 会导致它们略微偏向较小的值（包括零）。

这种偏差可以通过使用更大的素数轻松解决，例如 2³¹-1 = 2147483647。事实上，切换到这个素数会使平均块大小更接近 8192。

Answer 2

你可以尝试更新BoundaryMarker的值，可以得到不同的长度。我以这种方式使用RB：github link。而且我认为长度实际上取决于内容。