卡普·拉宾的素数和块长度

Prime Number and Block Length in Karp Rabin

本文关键字:卡普      更新时间:2023-10-16

我从那个站点找到了一个rabin karp代码,并更改为尝试。更改后的代码如下。您可以在hashtable.txt中看到单词及其散列值。对于下面的示例,hashtable.txt似乎是正确的。

但是当我将M(块长度)更改为150时,我得到了错误的结果。例如,在hashtable.txt中,第一行和第6行必须相同,但它们的哈希值不同。

或者当我将q(素数)更改为683303时,它也会得到错误的结果。

rabin karp算法中质数与块长度的关系是什么,产生错误结果的原因是什么?

#include<stdio.h>
#include<string.h>
#include <fstream>
#include <iostream>
// d is the number of characters in input alphabet
#define d 256 
int M = 80;
/*  
txt  -> text
q    -> A prime number
*/
using namespace std;
void writeTable(char *txt, int q)
{
ofstream myfile;
myfile.open ("hashtable.txt");
int N = strlen(txt);
int i, j;
int t = 0; // hash value for txt
int h = 1;
// The value of h would be "pow(d, M-1)%q"
for (i = 0; i < M-1; i++)
    h = (h*d)%q;
// Calculate the hash value of pattern and first window of text
for (i = 0; i < M; i++)
{
    t = (d*t + txt[i])%q;
}
// Slide the pattern over text one by one 
for (i = 0; i <= N - M; i++)
{
    myfile << t <<" ";
    for (long z = i; z < M+i; z++){myfile<<txt[z];}myfile<<"n";
    // Calulate hash value for next window of text: Remove leading digit, 
    // add trailing digit           
    if ( i < N-M )
    {
        t = (d*(t - txt[i]*h) + txt[i+M])%q;
        // We might get negative value of t, converting it to positive
        if(t < 0) 
          t = (t + q); 
    }
}
myfile.close();
}
/* Driver program to test above function */
int main()
{
    char *txt ="abcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcdeabcde";
int q = 683303;  // A prime number
writeTable(txt, q);
printf("finish");
getchar();
return 0;
}

计算

t = (d*(t - txt[i]*h) + txt[i+M])%q;

可以溢出。txt[i]的最大值为d-1, h的最大值可达q-1。所以如果(q-1)*(d-1)*d > INT_MAX,有整数溢出的可能性。这就限制了可以安全地选择的素数的大小为INT_MAX/(d*(d-1)) + 1

如果q大于此值,则对M的可接受值提出了限制,即M必须满足

h <= INT_MAX/(d*(d-1))

安全地防止溢出。

q = 683303M = 80,你得到h = 182084,和

h*d*(d-1) = 182084 * 256 * 255 = 11886443520
如果int是32位宽,

就比INT_MAX大。

如果你的int s是32位宽,你从一开始就有溢出的例子,因为h*256*97 = 4521509888 > 2147483647 .

"块长度"是图案的长度。因为你的代码中没有任何模式,所以数字150是没有意义的,除非这是你打算使用的模式的实际长度。

哈希值必须取决于被哈希的数据和它的数量。因此,"abcde", "abcd", "abc"的哈希值很可能都不相同。

在此算法中,通过首先比较两者的哈希值,可以避免将模式与文本的相同长度部分进行不必要的比较。

如果哈希值不同,则知道两个字符序列不同,没有匹配,因此可以移动到文本中的下一个位置并重复此过程。

如果哈希值匹配,则有两个字符序列的潜在匹配,然后比较它们以查看是否存在真正的匹配。

这是该算法的主要思想,也是它比naïve实现子字符串搜索更快的原因。

在计算哈希值时,除以一个素数的目的是试图得到一个更均匀的哈希值分布。如果你选择一个很大的质数,它不会有太大的影响。如果您选择一个非常小的素数,您将减少哈希值的总数,并增加哈希匹配的几率,从而增加进行不必要的子字符串比较的几率。