所以我已经阅读了关于哈希函数的维基百科页面，因为我目前正在玩一些。在该页面和我读过的其他来源中都提到数据的分布会影响散列函数。
尽管有一些解释，但我仍然不清楚这些影响到底是什么，也许是为什么。所以我的问题：
- 只是为了确保我做对了，当他们提到分布时，这是输入数据集中每个单词的频率吗？
- 输入数据的分布对散列函数有什么影响？特别令人感兴趣的是散列函数的性能，在散列算法产生的输出的速度和均匀性方面。
编辑 1： 我正在特别考虑维基百科英语语料库与来自更动态来源的数据，例如 Twitter 的推文。
问问题
263 次
1 回答
2
通常你没有尽可能多的输入数据集。因此，分布更多的是一种概率，即会选择具有某些特征的某个输入。（基本上与您所说的相同，但每个单词的 p<1 而不是某些计数 n>1）例如，如果您知道输入的第一位将始终为 1，则数据不是均匀分布的。
如果您的哈希非常简单，例如。如果只将第一个字节作为“哈希”，那么这种不均匀的分布将导致比预期更多的冲突。（即使您希望获得 256 个不同的值，也只有 128 个值是可能的）
您可能通过名称知道的大多数（加密）哈希函数都足够好，因此您不必关心这一点。对于密码学来说，它甚至是一个明确的条件：您不能仅通过查看哈希值的差异来判断输入中有多少位发生了变化。但这并不意味着这是不可能的。我隐约记得一篇论文指出，当只对 ascii 字母和数字进行哈希处理时，md5 的冲突率会增加。我现在找不到它，所以请小心地享受这条信息——但即使我混淆了一些东西，这种情况也很容易发生。而且不管是md5还是其他算法，如果你真的有这样的关系，那么你输入数据集的分布肯定又是相关的。
于 2013-02-14T16:31:25.870 回答