数据结构与算法Day17----哈希(Hash)算法

一、哈希算法：

1、哈希算法的要求：

 ①、从哈希值不能反向推导出原始数据（所以哈希算法也叫单向哈希算法）；
 ②、对输入数据非常敏感，哪怕原始数据只修改了一个Bit，最后得到的哈希值也大不相同；
 ③、散列冲突的概率要很小，对于不同的原始数据，哈希值相同的概率非常小；
 ④、哈希算法的执行效率要尽量高效，针对较长的文本，也能快速地计算出哈希值。

二、哈希算法的应用：

1、安全加密：

 <1>、分类：

  ①、MD5（MD5 Message-Digest Algorithm， MD5消息摘要算法）。
  ②、SHA（Secure Hash Algorithm，安全散列算法）。
  ③、DES（Data Encryption Standard，数据加密标准）。
  ④、 AES（Advanced Encryption Standard，高级加密标准）。

 <2>、要求：

  ①、很难根据哈希值反向推导出原始数据。
  ②、散列冲突的概率很小。

2、唯一标识：

 <1>、意义：

  如果要查询某个元素是否在元素库中，可以给每个元素的二进制编码文件中取其中的几部分拼接到一起，然后再通过哈希算法（比如MD5），得到一个哈希字符串，用它作为该元素的唯一标识。通过这个唯一标识来判定该元素是否在元素库中，这样就可以减少很多工作量。对大数据做信息摘要，通过一个较短的二进制编码来表示很大的数据。

3、数据校验：

 <1>、意义：

  比如说来校验文件块是否完整，我们可以通过哈希算法，对这些个文件块分别取哈希值，并且保存在种子文件中。只要文件块的内容有改变，最后计算出的哈希值就会完全不同。所以，当文件块下载完成之后，可以通过相同的哈希算法，对下载好的文件块逐一求哈希值，然后跟种子文件中保存的哈希值比对。如果不同，说明这个文件块不完整或者被篡改了，需要再重新从其他宿主机器上下载这个文件块。用于校验数据的完整性和正确性。

4、散列函数：

 <1>、要求：

  ①、散列函数中用到的散列算法，更加关注散列后的值是否能平均分布，也就是，一组数据是否能均匀地散列在各个槽中。
  ②、散列函数执行的速度非常快。

5、负载均衡：

 <1>、方法：

  通过哈希算法，对客户端IP地址或者会话ID计算哈希值，将取得的哈希值与服务器列表的大小进行取模运算，最终得到的值就是应该被路由到的服务器编号。 这样，就可以把同一个IP过来的所有请求，都路由到同一个后端服务器上。实现一个会话粘滞（session sticky）的负载均衡算法。

6、数据分片：

 <1>、统计“搜索关键词”出现的次数：

  (1)、方法：

  为提高处理速度，用n台机器并行处理。从搜索记录的日志文件中，依次读出每个搜索关键词，并且通过哈希函数计算哈希值，然后再跟n取模，最终得到的值，就是应该被分配到的机器编号。这样，哈希值相同的搜索关键词就被分配到了同一个机器上。也就是说，同一个搜索关键词会被分配到同一个机器上。每个机器会分别计算关键词出现的次数，最后合并起来就是最终的结果。

 <2>、快速判断图片是否在图库中：

  (1)、方法：

  当图库很大时，可以先准备n台机器，让每台机器只维护某一部分图片对应的散列表。每次从图库中读取一个图片，计算唯一标识，然后与机器个数n求余取模，得到的值就对应要分配的机器编号，然后将这个图片的唯一标识和图片路径发往对应的机器构建散列表。当要判断一个图片是否在图库中的时候，通过同样的哈希算法，计算这个图片的唯一标识，然后与机器个数n求余取模。假设得到的值是k，那就去编号k的机器构建的散列表中查找。

 <3>、这种分片的思路，可以突破单机内存、 CPU等资源的限制。

7、分布式存储：

 <1>、方法：

  通过哈希算法对数据取哈希值，然后对机器个数取模，这个最终值就是应该存储的缓存机器编号。

 <2>、如果数据增多，原来的n个机器已经无法承受了，我们就需要扩容了，此时出现的问题是“原来的数据是通过与n来取模的。但是新加了一台机器中，我们对数据按照n + 1取模，元素的位置就发生了改变，如何处理？”。

  可以使用一致性哈希算法。假设有k个机器，数据的哈希值的范围是[0, MAX]。将整个范围划分成m个小区间（m远大于k），每个机器负责m/k个小区间。当有新机器加入的时候，就将某几个小区间的数据，从原来的机器中搬移到新的机器中。这样，既不用全部重新哈希、搬移数据，也保持了各个机器上数据数量的均衡。