java - Java中的快速增量哈希

Question

我正在寻找一个散列函数来散列字符串。出于我的目的(在导入过程中识别更改的对象)，它应该具有以下属性:

1. 快

2. 可以增量使用，即我可以这样使用它:

   Hasher h = new Hasher();
   h.add("somestring");
   h.add("another part");
   h.add("eveno more");
   Long hash = h.create();
   

   在整个过程中不会影响其他属性或将字符串保留在内存中。

3. 防止碰撞。如果我余生每天比较不同字符串的两个哈希值 100 万次，那么发生冲突的风险应该可以忽略不计。

它不必能够防止恶意尝试制造冲突。

我可以使用什么算法？优先考虑在 Java 中已有免费实现的算法。

澄清

1. 哈希值不必很长。例如，一个字符串就可以了。

2. 要哈希的数据将来自文件或数据库，其中包含许多 10MB 或最多几 GB 的数据，这些数据将分布到不同的哈希中。因此，将完整的字符串保留在内存中并不是一个真正的选择。

Answer 1

哈希是一个明智的主题，很难根据您的问题推荐任何此类哈希。您可能想在 https://security.stackexchange.com/ 上问这个问题获取有关哈希在某些用例中的可用性的专家意见。

到目前为止我的理解是，大多数哈希都是在核心中增量实现的；另一方面，执行时间并不那么容易预测。

我向您展示了两个 Hasher 实现，它们依赖于“Java 中现有的自由实现”。这两种实现的构造方式都是您可以在调用 add() 之前任意拆分 String 并获得相同的结果，只要您不更改字符串的顺序即可其中的字符:

import java.math.BigInteger;
import java.nio.charset.Charset;
import java.security.MessageDigest;
import java.security.NoSuchAlgorithmException;
import java.util.Arrays;

/**
 * Created for https://stackoverflow.com/q/26928529/1266906.
 */
public class Hashs {

    public static class JavaHasher {
        private int hashCode;

        public JavaHasher() {
            hashCode = 0;
        }

        public void add(String value) {
            hashCode = 31 * hashCode + value.hashCode();
        }

        public int create() {
            return hashCode;
        }
    }

    public static class ShaHasher {
        public static final Charset UTF_8 = Charset.forName("UTF-8");
        private final MessageDigest messageDigest;

        public ShaHasher() throws NoSuchAlgorithmException {
            messageDigest = MessageDigest.getInstance("SHA-256");
        }

        public void add(String value) {
            messageDigest.update(value.getBytes(UTF_8));
        }

        public byte[] create() {
            return messageDigest.digest();
        }
    }

    public static void main(String[] args) {
        javaHash();

        try {
            shaHash();
        } catch (NoSuchAlgorithmException e) {
            e.printStackTrace();  // TODO: implement catch
        }
    }

    private static void javaHash() {
        JavaHasher h = new JavaHasher();
        h.add("somestring");
        h.add("another part");
        h.add("eveno more");
        int hash = h.create();
        System.out.println(hash);
    }

    private static void shaHash() throws NoSuchAlgorithmException {
        ShaHasher h = new ShaHasher();
        h.add("somestring");
        h.add("another part");
        h.add("eveno more");
        byte[] hash = h.create();
        System.out.println(Arrays.toString(hash));
        System.out.println(new BigInteger(1, hash));
    }
}

这里显然“SHA-256”可以替换为其他常见的哈希算法； Java 提供了相当多的此类工具。

现在您调用 Long 作为返回值，这意味着您正在寻找 64 位哈希。如果这确实是故意的，请查看 What is a good 64bit hash function in Java for textual strings? 的答案。接受的答案是 JavaHasher 的一个轻微变体，因为 String.hashCode() 执行基本相同的计算，但溢出边界较低:

    public static class Java64Hasher {
        private long hashCode;

        public Java64Hasher() {
            hashCode = 1125899906842597L;
        }

        public void add(CharSequence value) {
            final int len = value.length();

            for(int i = 0; i < len; i++) {
                hashCode = 31*hashCode + value.charAt(i);
            }
        }

        public long create() {
            return hashCode;
        }
    }

表达你的观点:

1. 快

   由于 SHA-256 比其他两种方法慢，我仍然认为所有三种提出的方​​法都很快。

2. 可以增量使用，而不会影响其他属性或在整个过程中将字符串保留在内存中。

   我不能保证 ShaHasher 的该属性，因为我知道它是基于 block 的，并且我缺少源代码。不过我建议最多一个 block 、哈希和一些内部状态被存管。另外两个显然只存储调用 add()

之间的部分哈希值

3. 防止碰撞。如果我余生每天比较不同字符串的两个哈希值 100 万次，那么发生冲突的风险应该可以忽略不计。

   每个哈希值都存在冲突。考虑到良好的分布，散列的位大小是冲突发生频率的主要因素。 JavaHasher 用于例如HashMap 似乎“无冲突”，足以将相似的键分布在彼此相距很远的地方。至于任何更深入的分析:请自行测试或询问本地的安全工程师 - 抱歉。

我希望这提供了一个良好的起点，细节可能主要基于意见。