Хеш-таблица | |||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Тип | Неупорядоченный ассоциативный массив | ||||||||||||||||||||
Изобретено | 1953 | ||||||||||||||||||||
Сложность времени в нотации большого O | |||||||||||||||||||||
|
В вычислениях, a хэш-таблица (хэш-карта ) - это структура данных, которая реализует ассоциативный массив абстрактный тип данных, структуру, которая может отображать ключи в значения. В хэш-таблице используется хэш-функция для вычисления индекса, также называемого хэш-кодом, в массиве сегментов или ячеек, из которого можно найти желаемое значение. Во время поиска ключ хешируется, и полученный хеш указывает, где хранится соответствующее значение.
В идеале хеш-функция будет назначать каждый ключ уникальному сегменту, но в большинстве конструкций хеш-таблиц используется несовершенная хеш-функция, которая может вызвать хэш-коллизии , когда хеш-функция генерирует тот же индекс для более чем одного ключа. Такие столкновения обычно каким-то образом компенсируются.
В хеш-таблице с хорошими размерами средняя стоимость (количество инструкций ) для каждого поиска не зависит от количества элементов, хранящихся в таблице. Многие конструкции хеш-таблиц также допускают произвольные вставки и удаления пар ключ-значение при (амортизированной ) постоянной средней стоимости одной операции.
Во многих ситуациях хеш-таблицы оказываются в среднем более эффективен, чем деревья поиска или любая другая таблица структура поиска. По этой причине они широко используются во многих видах компьютерного программного обеспечения, особенно для ассоциативных массивов, индексации баз данных, кешей и устанавливает.
Идея хеширования состоит в том, чтобы распределить записи (пары ключ / значение) по массиву сегментов. По заданному ключу алгоритм вычисляет индекс, который предлагает, где можно найти запись:
index = f (key, array_size)
Часто это делается в два этапа:
hash = hashfunc (key) index = hash% array_size
В этом методе хэш не зависит от размера массива, а затем уменьшается до индекса (число между 0
и размер_массива - 1
) с использованием оператора по модулю (%
).
В случае, если размер массива равен степени двойки, остальная операция сокращается до маскирования, что улучшает скорость, но может увеличить проблемы с плохим хеш-функция.
Основное требование - функция должна обеспечивать равномерное распределение хеш-значений. Неравномерное распределение увеличивает количество коллизий и стоимость их разрешения. Однородность иногда сложно обеспечить с помощью дизайна, но ее можно оценить эмпирически с помощью статистических тестов, например, критерий хи-квадрат Пирсона для дискретных однородных распределений.
Распределение должно быть только равномерным. для размеров таблиц, которые встречаются в приложении. В частности, если используется динамическое изменение размера с точным удвоением и уменьшением вдвое размера таблицы, то хеш-функция должна быть однородной только тогда, когда размер равен степени двойки. Здесь индекс может быть вычислен как некоторый диапазон бит хеш-функции. С другой стороны, некоторые алгоритмы хеширования предпочитают, чтобы размер был простым числом. Операция по модулю может обеспечить некоторое дополнительное перемешивание; это особенно полезно при плохой хэш-функции.
Для схем открытой адресации хэш-функция также должна избегать кластеризации, отображения двух или более ключей в последовательные слоты. Такая кластеризация может привести к резкому увеличению стоимости поиска, даже если коэффициент загрузки низкий и коллизии нечасты. Утверждается, что популярный мультипликативный хеш имеет особенно плохое поведение при кластеризации.
Считается, что криптографические хеш-функции обеспечивают хорошие хеш-функции для любого размера таблицы, либо за счет уменьшения по модулю, либо на бит маскировка. Они также могут быть уместны, если есть риск того, что злоумышленники попытаются саботировать сетевую службу, отправив запросы, предназначенные для создания большого количества конфликтов в хеш-таблицах сервера. Однако риска саботажа можно избежать с помощью более дешевых методов (таких как применение секретной соли к данным или использование универсальной хеш-функции ). Недостатком криптографических хеш-функций является то, что они часто медленнее вычисляются, что означает, что в случаях, когда единообразие для любого размера не требуется, некриптографическая хеш-функция может быть предпочтительнее.
Если все ключи известны заранее, идеальная хеш-функция может использоваться для создания идеальной хеш-таблицы, не имеющей коллизий. Если используется минимальное совершенное хеширование, можно также использовать любое место в хеш-таблице.
Идеальное хеширование позволяет выполнять поиск с постоянным временем во всех случаях. Это контрастирует с большинством методов цепочки и открытой адресации, где время поиска в среднем невелико, но может быть очень большим, O (n), например, когда все ключи хэшируются до нескольких значений.
Критическая статистика для хеш-таблицы - это коэффициент загрузки, определяемый как
где
По мере увеличения коэффициента загрузки, хеш-таблица становится медленнее и может даже не работать (в зависимости от используемого метода). Ожидаемое свойство постоянного времени хеш-таблицы предполагает, что коэффициент загрузки не превышает некоторого предела. Для фиксированного количества сегментов время поиска растет с количеством записей, и поэтому желаемое постоянное время не достигается. В некоторых реализациях решение состоит в том, чтобы автоматически увеличивать (обычно вдвое) размер таблицы при достижении ограничения коэффициента загрузки, что вынуждает повторно хешировать все записи. В качестве реального примера, коэффициент загрузки по умолчанию для HashMap в Java 10 составляет 0,75, что «предлагает хороший компромисс между затратами времени и пространства».
Во-вторых, после коэффициента загрузки, можно проверить отклонение количества записей в ведре. Например, две таблицы содержат 1000 записей и 1000 сегментов; один имеет ровно одну запись в каждой корзине, другой - все записи в одной и той же корзине. Очевидно, что во втором хеширование не работает.
Низкий коэффициент нагрузки не особенно полезен. По мере приближения коэффициента загрузки к 0 доля неиспользуемых областей в хеш-таблице увеличивается, но не обязательно снижение стоимости поиска. Это приводит к потере памяти.
Хэш Коллизии практически неизбежны при хешировании случайного подмножества большого набора возможных ключей. Например, если 2450 ключей хешируются в миллион сегментов, даже с совершенно равномерным случайным распределением, согласно задаче дня рождения существует примерно 95% вероятность того, что по крайней мере два ключа будут хешированы в тот же слот.
Следовательно, почти все реализации хэш-таблиц имеют некоторую стратегию разрешения конфликтов для обработки таких событий. Некоторые общие стратегии описаны ниже. Все эти методы требуют, чтобы ключи (или указатели на них) хранились в таблице вместе со связанными значениями.
В методе, известном как раздельное связывание, каждый сегмент независим и имеет своего рода список записей с тот же индекс. Время для операций с хеш-таблицей - это время на поиск сегмента (которое постоянно) плюс время для операции со списком.
В большинстве реализаций сегменты будут иметь несколько записей, если хеш-функция работает правильно. Следовательно, в этих случаях предпочтительны структуры, эффективные во времени и пространстве. Структуры, которые эффективны для довольно большого количества записей в ведре, не нужны или нежелательны. Если такие случаи случаются часто, необходимо исправить функцию хеширования.
Есть несколько реализаций, которые обеспечивают отличную производительность как для времени, так и для пространства, со средним числом элементов в ведре от 5 до 100.
Связанные хеш-таблицы с связными списками популярны, потому что они требуют только базовых структур данных с простыми алгоритмами и могут использовать простые хеш-функции, которые не подходят для другие методы.
Стоимость операции с таблицей - это сканирование записей выбранной корзины для желаемого ключа. Если распределение ключей достаточно равномерно, средняя стоимость поиска зависит только от среднего количества ключей в сегменте, то есть примерно пропорциональна коэффициенту загрузки.
По этой причине связанные хеш-таблицы остаются эффективными, даже когда количество записей таблицы n намного превышает количество слотов. Например, связанная хеш-таблица с 1000 слотами и 10 000 сохраненных ключей (коэффициент загрузки 10) в пять-десять раз медленнее, чем таблица с 10 000 слотами (коэффициент загрузки 1); но все же в 1000 раз быстрее, чем простой последовательный список.
Для раздельного связывания наихудший сценарий - это когда все записи вставляются в один и тот же сегмент, и в этом случае хеш-таблица неэффективна, а затраты на поиск в структуре данных корзины. Если последний является линейным списком, процедура поиска может сканировать все его записи, поэтому стоимость наихудшего случая пропорциональна количеству n записей в таблице.
Цепочки сегментов часто просматриваются последовательно с использованием порядка, в котором записи были добавлены в сегмент. Если коэффициент загрузки велик и некоторые ключи с большей вероятностью подойдут, чем другие, то переупорядочение цепочки с помощью эвристики перехода вперед может быть эффективным. Более сложные структуры данных, такие как сбалансированные деревья поиска, заслуживают рассмотрения только в том случае, если коэффициент загрузки велик (около 10 или более), или если распределение хэшей, вероятно, будет очень неравномерным, или если нужно даже гарантировать хорошую производительность. в худшем случае. Однако использование более крупной таблицы и / или лучшей хэш-функции может быть даже более эффективным в этих случаях.
Связанные хеш-таблицы также наследуют недостатки связанных списков. При хранении небольших ключей и значений служебные данные о пространстве для указателя следующий
в каждой записи входа могут быть значительными. Дополнительным недостатком является то, что просмотр связанного списка имеет низкую производительность кэша, что делает кэш процессора неэффективным.
Некоторые реализации цепочки сохраняют первую запись каждой цепочки в самом массиве слотов. В большинстве случаев количество обходов указателя уменьшается на единицу. Цель состоит в том, чтобы повысить эффективность кеширования доступа к хеш-таблице.
Недостатком является то, что пустая корзина занимает то же место, что и корзина с одной записью. Для экономии места в таких хэш-таблицах часто бывает столько же слотов, сколько хранимых записей, а это означает, что многие слоты имеют две или более записей.
Вместо списка одна может использовать любую другую структуру данных, которая поддерживает необходимые операции. Например, используя самобалансирующееся двоичное дерево поиска , теоретическое время наихудшего случая общих операций с хеш-таблицей (вставка, удаление, поиск) может быть уменьшено до O (log n), а не O (n). Однако это вносит дополнительную сложность в реализацию и может привести к еще худшей производительности для небольших хэш-таблиц, где время, затрачиваемое на вставку и балансировку дерева, больше, чем время, необходимое для выполнения линейного поиска на всех элементов списка. Реальным примером хэш-таблицы, в которой используется самобалансирующееся двоичное дерево поиска для сегментов, является класс HashMap
в Java версии 8.
Вариант, называемый хешем массива table использует динамический массив для хранения всех хешированных записей в одном слоте. Каждая вновь вставленная запись добавляется в конец динамического массива, назначенного слоту. Размер динамического массива изменяется точно по размеру, то есть он увеличивается только на необходимое количество байтов. Было обнаружено, что альтернативные методы, такие как увеличение массива по размеру блока или страниц, улучшают производительность вставки, но за счет экономии места. Этот вариант позволяет более эффективно использовать кэширование ЦП и резервный буфер трансляции (TLB), поскольку записи слотов сохраняются в последовательных позициях памяти. Также не используются указатели next
, которые требуются для связанных списков, что экономит место. Несмотря на частое изменение размера массива, накладные расходы на пространство, понесенные операционной системой, такие как фрагментация памяти, оказались небольшими.
Развитием этого подхода является так называемое динамическое идеальное хеширование, где ведро, содержащее k записей, организовано как идеальная хеш-таблица с k слотами. Хотя он использует больше памяти (n слотов для n записей в худшем случае и n × k слотов в среднем), этот вариант гарантирует постоянное время поиска наихудшего случая и низкое амортизированное время для вставки. Также можно использовать дерево слияния для каждого сегмента, обеспечивая постоянное время для всех операций с высокой вероятностью.
В другой стратегии, называемой открытой адресацией, все записи записей хранятся в массиве корзины сам. Когда должна быть вставлена новая запись, сегменты исследуются, начиная с хешированного слота и продолжая некоторую последовательность тестов, пока не будет найден незанятый слот. При поиске записи сегменты сканируются в той же последовательности, пока не будет найдена целевая запись или не будет найден неиспользуемый слот массива, что указывает на отсутствие такого ключа в таблице. Название «открытая адресация» относится к тому факту, что местоположение («адрес») элемента не определяется его хеш-значением. (Этот метод также называется закрытым хешированием ; его не следует путать с "открытым хешированием" или "закрытой адресацией", которые обычно означают раздельное объединение в цепочку.)
Хорошо известные последовательности зондов включают:
Недостатком всех этих схем открытой адресации является что количество сохраненных записей не может превышать количество слотов в массиве корзины. Фактически, даже с хорошими хэш-функциями их производительность резко ухудшается, когда коэффициент загрузки превышает 0,7 или около того. Для многих приложений эти ограничения требуют использования динамического изменения размера с соответствующими затратами.
Схемы открытой адресации также предъявляют более строгие требования к хэш-функции: помимо более равномерного распределения ключей по сегментам, функция должна также минимизируйте кластеризацию хеш-значений, следующих друг за другом в порядке проверки. Единственное беспокойство при использовании отдельной цепочки заключается в том, что слишком много объектов отображаются на одно и то же значение хеш-функции; находятся ли они рядом или рядом - совершенно неважно.
Открытая адресация экономит память только в том случае, если записи малы (меньше четырехкратного размера указателя) и коэффициент загрузки не слишком мал. Если коэффициент загрузки близок к нулю (т. Е. Сегментов гораздо больше, чем хранимых записей), открытая адресация является расточительной, даже если каждая запись состоит всего из двух слов.
На этом графике сравнивается среднее количество промахов кэша ЦП требуется для поиска элементов в больших хеш-таблицах (намного превышающих размер кеша) с помощью цепочки и линейного зондирования. Линейное зондирование работает лучше из-за лучшей локальности ссылки, хотя по мере заполнения таблицы ее производительность резко ухудшается.Открытая адресация позволяет избежать временных затрат на выделение каждой новой записи записи и может быть реализована даже при отсутствии распределителя памяти. Это также позволяет избежать дополнительного косвенного обращения, необходимого для доступа к первой записи каждой корзины (то есть, как правило, единственной). Он также имеет лучшую локальность ссылки, особенно при линейном зондировании. При небольших размерах записи эти факторы могут дать лучшую производительность, чем цепочка, особенно при поиске. Хеш-таблицы с открытой адресацией также легче сериализовать, потому что они не используют указатели.
С другой стороны, обычная открытая адресация - плохой выбор для больших элементов, потому что эти элементы заполняют целые строки кэша ЦП (отрицая преимущество кеша), и большой объем пространства тратится впустую на большие пустые слоты таблицы. Если открытая таблица адресации хранит только ссылки на элементы (внешнее хранилище), она использует пространство, сопоставимое с цепочкой, даже для больших записей, но теряет преимущество в скорости.
В общем, открытая адресация лучше используется для хеш-таблиц с небольшими записи, которые могут храниться в таблице (внутреннее хранилище) и помещаться в строку кэша. Они особенно подходят для элементов из одного слова или меньше. Если ожидается, что таблица будет иметь высокий коэффициент загрузки, записи большие или данные переменного размера, сцепленные хеш-таблицы часто работают так же или лучше.
A гибрид цепочки и открытой адресации, объединенное хеширование связывает вместе цепочки узлов внутри самой таблицы. Подобно открытой адресации, он обеспечивает использование пространства и (несколько уменьшенное) преимущество кеширования по сравнению с цепочкой. Как и цепочка, он не проявляет эффектов кластеризации; Фактически, стол может быть эффективно заполнен до высокой плотности. В отличие от цепочки, в нем не может быть больше элементов, чем слотов стола.
Другим альтернативным решением с открытой адресацией является хеширование с кукушкой, которое обеспечивает постоянное время поиска и удаления в худшем случае, а также постоянное амортизированное время для вставок (с низкая вероятность того, что произойдет худший случай). Он использует две или более хэш-функций, что означает, что любая пара ключ / значение может находиться в двух или более местах. Для поиска используется первая хеш-функция; если ключ / значение не найден, то используется вторая хеш-функция и так далее. Если во время вставки происходит коллизия, то ключ повторно хешируется с помощью второй хеш-функции, чтобы сопоставить его с другой корзиной. Если все хеш-функции используются, а коллизия все еще существует, то ключ, с которым он столкнулся, удаляется, чтобы освободить место для нового ключа, а старый ключ повторно хешируется с одной из других хеш-функций, которая сопоставляет его с другой. ведро. Если это место также приводит к конфликту, то процесс повторяется до тех пор, пока не исчезнет конфликт или процесс не пройдет все сегменты, после чего размер таблицы изменится. Комбинируя несколько хеш-функций с несколькими ячейками в ведре, можно достичь очень высокого использования пространства.
Другим альтернативным решением с открытой адресацией является хеширование в режиме классического типа, которое сочетает в себе подходы хеширования с кукушкой и линейного зондирования, но, кажется, в целом избегает их ограничений. В частности, он хорошо работает, даже когда коэффициент загрузки превышает 0,9. Алгоритм хорошо подходит для реализации параллельной хеш-таблицы с изменяемым размером.
. Алгоритм классического хеширования работает, определяя соседство сегментов рядом с исходным хешированным сегментом, в котором всегда находится данная запись. Таким образом, поиск ограничен числом записей в этой окрестности, которое в худшем случае является логарифмическим, в среднем постоянным, а при правильном выравнивании окрестности обычно требуется один промах в кэше. При вставке записи сначала пытаются добавить ее в ведро по соседству. Однако, если все сегменты в этой окрестности заняты, алгоритм просматривает сегменты последовательно, пока не будет найден открытый слот (незанятый сегмент) (как при линейном зондировании). В этот момент, поскольку пустое ведро находится за пределами соседства, элементы многократно перемещаются в последовательности переходов. (Это похоже на хеширование с кукушкой, но с той разницей, что в этом случае пустой слот перемещается в соседство, а не элементы, перемещаемые с надеждой в конечном итоге найти пустой слот.) Каждый переход приближает открытый слот. в исходную окрестность, не аннулируя свойство соседства любого из ведер на этом пути. В конце концов, открытый слот был перемещен в соседство, и вставляемая запись может быть добавлена к нему.
Вариантом разрешения конфликтов двойного хеширования является Робин Худое хеширование. Идея состоит в том, что новый ключ может заменить уже вставленный ключ, если его счетчик проб больше, чем у ключа в текущей позиции. В результате сокращается время поиска в таблице в худшем случае. Это похоже на упорядоченные хеш-таблицы, за исключением того, что критерий включения ключа не зависит от прямой связи между ключами. Поскольку как наихудший случай, так и вариация в количестве зондов резко сокращаются, интересным вариантом является зондирование таблицы, начиная с ожидаемого успешного значения зондирования, а затем расширяется из этой позиции в обоих направлениях. Внешнее хеширование Робин Гуда является расширением этого алгоритма, в котором таблица хранится во внешнем файле, и каждая позиция таблицы соответствует странице или корзине фиксированного размера с записями B.
2 -choice hashing использует две разные хэш-функции, h 1 (x) и h 2 (x), для хеш-таблицы. Обе хеш-функции используются для вычисления двух положений таблицы. Когда объект вставляется в таблицу, он помещается в то место таблицы, которое содержит меньшее количество объектов (по умолчанию это местоположение таблицы h 1 (x), если есть равенство в размере корзины). Хеширование с двумя вариантами выбора использует принцип мощности двух вариантов.
Когда вставка выполняется так, что количество записей в хеш-таблице превышает произведение коэффициента загрузки и текущую емкость, тогда хеш-таблицу необходимо будет повторно хешировать. Повторное хеширование включает увеличение размера базовой структуры данных и сопоставление существующих элементов с новыми местоположениями сегментов. В некоторых реализациях, если начальная емкость больше, чем максимальное количество записей, разделенное на коэффициент загрузки, никакие операции повторного хеширования никогда не будут выполняться.
Чтобы ограничить долю памяти, потраченную впустую из-за пустых сегментов, некоторые реализации также уменьшить размер таблицы - с последующим повторным хешированием - при удалении элементов. С точки зрения компромисса между пространством и временем эта операция похожа на освобождение динамических массивов.
Обычным подходом является автоматический запуск полного изменения размера, когда коэффициент нагрузки превышает некоторый порог r max. Затем новой более крупной таблице выделяется , каждая запись удаляется из старой таблицы и вставляется в новую таблицу. Когда все записи удалены из старой таблицы, старая таблица возвращается в свободный пул хранения. Аналогичным образом, когда коэффициент загрузки падает ниже второго порогового значения r min, все записи перемещаются в новую меньшую таблицу.
Для хеш-таблиц, которые часто сжимаются и растут, уменьшение размера можно полностью пропустить. В этом случае размер таблицы пропорционален максимальному количеству записей, которые когда-либо были в хэш-таблице за один раз, а не текущему количеству. Недостатком является то, что использование памяти будет выше, и, следовательно, поведение кеша может быть хуже. Для лучшего контроля может быть предусмотрена операция «усадки до посадки», которая выполняется только по запросу.
Если размер таблицы увеличивается или уменьшается на фиксированный процент при каждом расширении, общая стоимость этих изменений размера, амортизированная по всем операциям вставки и удаления, по-прежнему остается постоянной, независимо от количество записей n и количество m выполненных операций.
Например, рассмотрим таблицу, которая была создана с минимально возможным размером и удваивается каждый раз, когда коэффициент загрузки превышает некоторый порог. Если в эту таблицу вставлено m элементов, общее количество дополнительных повторных вставок, которые происходят во всех динамических изменениях размера таблицы, не превышает m - 1. Другими словами, динамическое изменение размера примерно вдвое увеличивает стоимость каждой операции вставки или удаления.
Некоторые реализации хеш-таблиц, особенно в системах реального времени, не могут расплатиться за одновременное увеличение хеш-таблицы, потому что это может прервать критические по времени операции. Если невозможно избежать динамического изменения размера, решение заключается в постепенном изменении размера.
Дисковые хэш-таблицы почти всегда используют некоторую альтернативу повторному хешированию «все сразу», поскольку стоимость восстановления всей таблицы на диске будет слишком высокой.
Альтернативой одновременному увеличению таблицы является постепенное повторное хеширование:
Чтобы гарантировать, что старая таблица будет полностью скопирована до того, как потребуется расширить новую таблицу, необходимо увеличьте размер таблицы как минимум в (r + 1) / r во время изменения размера.
Если известно, что ключи будут храниться в монотонно возрастающем (или убывающем) порядке, тогда вариант согласованного хеширования может быть достигнут.
Учитывая некоторый начальный ключ k 1, последующий ключ k iразделяет ключевой домен [k 1, ∞) на множество {[ k 1, k i), [k i, ∞)}. В общем, повторение этого процесса дает более точное разделение {[k 1, k i0), [k i0, k i1),..., [k i n - 1, k in), [k in, ∞)} для некоторой последовательности монотонно возрастающих ключей (k i0,..., k in), где n - количество уточнений. Тот же процесс применяется, mutatis mutandis, к монотонно уменьшающимся ключам. Присваивая каждому подынтервалу этого раздела другую хеш-функцию или хеш-таблицу (или и то, и другое) и уточняя раздел всякий раз, когда размер хеш-таблицы изменяется, этот подход гарантирует, что любой хеш-код ключа, однажды выданный, будет никогда не меняются, даже если хеш-таблица увеличена.
Так как общее количество записей обычно увеличивается за счет удвоения, останется только O (log (N)) подинтервалов для проверки, а время двоичного поиска для перенаправления будет O (журнал (журнал (N))).
Линейное хеширование - это алгоритм хеш-таблицы, который разрешает инкрементное расширение хеш-таблицы. Он реализован с использованием одной хэш-таблицы, но с двумя возможными функциями поиска.
Другой способ снизить стоимость изменения размера таблицы - выбрать хеш-функцию таким образом, чтобы хеши большинства значений не менялись при изменении размера таблицы. Такие хеш-функции распространены в дисковых и распределенных хэш-таблицах, где повторное хеширование обходится непомерно дорого. Проблема разработки хеш-функции, при которой большинство значений не меняется при изменении размера таблицы, известна как проблема распределенной хеш-таблицы . Четыре наиболее популярных подхода: рандеву-хеширование, согласованное хеширование, алгоритм адресуемой сети и расстояние Кадемлия.
В простейшей модели хеш-функция полностью не указана, и размер таблицы не изменяется. При идеальной хеш-функции таблица размера с открытой адресацией не имеет коллизий и содержит до элементов с одним сравнением для успешного поиска, в то время как таблица размером с цепочкой и имеет ключи минимум коллизий и сравнения для поиска. При наихудшей хэш-функции каждая вставка вызывает коллизию, и хеш-таблицы вырождаются до линейного поиска с амортизируемых сравнений на каждую вставку и выше. на сравнений для успешного поиска.
Добавить перефразирование к этой модели несложно. Как и в динамическом массиве, изменение геометрического размера с коэффициентом означает, что только ключи вставляются или более раз, так что общее количество вставок ограничено выше , что равно . Используя повторное хеширование для поддержания
В более реалистичных моделях хеш-функция является случайной величиной по распределению вероятностей хэш-функций, а производительность вычисляется в среднем по выбору хеш-функции. Когда это распределение равномерное, допущение называется «простым равномерным хешированием», и можно показать, что хеширование с цепочкой требует в среднем сравнений при неудачном поиске, а хеширование с открытой адресацией требует . Обе эти границы являются постоянными, если мы поддерживаем '
Два фактора существенно влияют на задержку операций с хеш-таблицей:
В программах, чувствительных к задержкам, время, необходимое для операций как в среднем, так и в худшем случае, должно быть небольшим, стабильным и даже предсказуемым. Хэш-таблица K предназначена для общего сценария приложений с малой задержкой, чтобы обеспечить стабильные по стоимости операции с растущей таблицей огромных размеров.
Иногда необходимо минимизировать требования к памяти для таблицы. Один из способов уменьшить использование памяти в методах связывания - исключить некоторые из указателей связывания или заменить их некоторой формой сокращенных указателей.
Дональд Кнут ввел еще один метод, который называется факторным. Для этого обсуждения предположим, что ключ или версия этого ключа с обратимым хешированием представляет собой целое число m из {0, 1, 2,..., M-1}, а количество сегментов равно N. m делится на N, чтобы произвести частное q и остаток r. Остаток r используется для выбора ковша; в ведре нужно сохранить только частное q. Это экономит log 2 (N) бит на элемент, что может быть очень значительным в некоторых приложениях.
Quotienting легко работает с цепочкой хеш-таблиц или с простыми хеш-таблицами кукушки. Чтобы применить эту технику к обычным хеш-таблицам с открытой адресацией, Джон Г. Клири представил метод, в котором два бита (чистый бит и бит изменения) включаются в каждую корзину, чтобы разрешить исходный индекс корзины (r) для реконструкции.
В только что описанной схеме log 2 (M / N) + 2 бита используются для хранения каждого ключа. Интересно отметить, что теоретическая минимальная память будет составлять log 2 (M / N) + 1,4427 бит, где 1,4427 = log 2 (e).
Хеш-таблицы обычно используются для реализации многих типов таблиц в памяти. Они используются для реализации ассоциативных массивов (массивов, индексы которых являются произвольными строками или другими сложными объектами), особенно в интерпретируемых языках программирования, например Ruby, Python и PHP.
При сохранении нового элемента в multimap и возникает коллизия хешей, multimap безусловно сохраняет оба элемента.
При сохранении нового элемента в типичном ассоциативном массиве и возникает конфликт хэша, но сами ключи отличаются, ассоциативный массив также сохраняет оба элемента. Однако, если ключ нового элемента точно совпадает с ключом старого элемента, ассоциативный массив обычно стирает старый элемент и перезаписывает его новым элементом, поэтому каждый элемент в таблице имеет уникальный ключ.
Хеш-таблицы также могут использоваться как дисковые -содержащие структуры данных и индексы базы данных (например, в dbm ), хотя B-деревья более популярны в этих приложениях. В многоузловых системах баз данных хеш-таблицы обычно используются для распределения строк между узлами, что снижает сетевой трафик для хэш-соединений.
Хеш-таблицы могут использоваться для реализации кешей, вспомогательные таблицы данных, которые используются для ускорения доступа к данным, которые в основном хранятся на более медленных носителях. В этом приложении конфликты хэшей можно обрабатывать, отбрасывая одну из двух конфликтующих записей - обычно стирая старый элемент, который в настоящее время хранится в таблице, и перезаписывая его новым элементом, чтобы каждый элемент в таблице имел уникальное значение хеш-функции.
Помимо восстановления записи, имеющей данный ключ, многие реализации хеш-таблиц также могут определить, существует ли такая запись или нет.
Эти структуры могут поэтому использоваться для реализации структуры данных, которая просто фиксирует, принадлежит ли данный ключ указанному набору ключей. В этом случае структуру можно упростить, исключив все части, которые имеют отношение к входным значениям. Хеширование можно использовать для реализации как статических, так и динамических наборов.
Несколько динамических языков, таких как Perl, Python, JavaScript, Lua и Ruby, используйте хеш-таблицы для реализации объектов. В этом представлении ключи - это имена членов и методов объекта, а значения - указатели на соответствующий член или метод.
Хеш-таблицы могут использоваться некоторыми программами, чтобы избежать создания нескольких символьных строк с одинаковым содержимым. Для этого все строки, используемые программой, хранятся в едином пуле строк, реализованном в виде хеш-таблицы, которая проверяется всякий раз, когда должна быть создана новая строка. Этот метод был представлен в интерпретаторах Лиспа под именем , состоящий из хэша, и может использоваться со многими другими видами данных (деревьями выражений в системе символьной алгебры, записи в базе данных, файлы в файловой системе, двоичные диаграммы решений и т. д.).
A таблица преобразования в сложную хеш-таблицу, в которой хранится информация о каждом найденном разделе.
Многие языки программирования предоставляют функции хеш-таблиц либо в виде встроенных ассоциативных массивов, либо в виде стандартных модулей библиотеки. В C ++ 11, например, класс unordered_map
предоставляет хеш-таблицы для ключей и значений произвольного типа.
Язык программирования Java (включая вариант, который используется на Android ) включает HashSet
, HashMap
, LinkedHashSet
и LinkedHashMap
общие коллекции.
В PHP 5 и 7 движок Zend 2 и Zend 3 (соответственно) используют одну из хэш-функций из Daniel J. Bernstein для генерации хеш-значений, используемых при управлении отображениями указателей данных, хранящихся в хэш-таблице. В исходном коде PHP он помечен как DJBX33A
(Daniel J. Bernstein, Times 33 с дополнением).
Реализация встроенной хеш-таблицы Python в виде типа dict
, а также хеш-тип Perl (%) используются внутри компании. для реализации пространств имен и, следовательно, необходимо уделять больше внимания безопасности, то есть атакам с коллизиями. Python устанавливает также внутренне использует хеши для быстрого поиска (хотя они хранят только ключи, а не значения). CPython 3.6+ использует вариант хэш-таблицы с упорядоченной вставкой, реализованный путем разделения хранилища значений на массив и наличия в ванильной хеш-таблице только набора индексов.
В .NET Framework, поддержка хэш-таблиц обеспечивается через неуниверсальные классы Hashtable
и универсальные Dictionary
, которые хранят пары ключ-значение, а также общий HashSet
класс, в котором хранятся только значения.
В Ruby хеш-таблица использует модель открытой адресации, начиная с Ruby 2.4.
В стандартной библиотеке Rust общая Структуры HashMap
и HashSet
используют линейное зондирование с кражей ведра Робин Гуда.
ANSI Smalltalk определяет классы Set
/ IdentitySet
и Dictionary
/ IdentityDictionary
. Все реализации Smalltalk предоставляют дополнительные (еще не стандартизованные) версии WeakSet
, WeakKeyDictionary
и WeakValueDictionary
.
Переменные массива Tcl являются хэш-таблицами, а словари Tcl неизменяемы. значения на основе хешей. Функциональность также доступна в виде функций библиотеки C Tcl_InitHashTable и др. (для общих хеш-таблиц) и Tcl_NewDictObj и др. (для значений словаря). Производительность была оценена независимо как чрезвычайно конкурентоспособная.
В языке Wolfram поддерживаются хэш-таблицы, начиная с версии 10. Они реализованы под названием Association
.
Common Lisp предоставляет класс хэш-таблицы для эффективных сопоставлений. Несмотря на свое название, языковой стандарт не требует фактического соблюдения какой-либо техники хеширования для реализаций.
Идея хеширования возникла независимо в разных местах. В январе 1953 года Ханс Питер Лун написал внутренний меморандум IBM, в котором использовалось хеширование с цепочкой. Джин Амдал, Элейн М. МакГро, Натаниэль Рочестер и Артур Сэмюэл реализовал программу, использующую хеширование, примерно в то же время. Открытая адресация с линейным зондированием (относительно простой шаг) приписывается Амдалу, но Ершов (в России) придерживался той же идеи.
Есть несколько структур данных, которые используют хэш-функции, но не могут считаться частными случаями хеш-таблиц:
На Викискладе есть материалы, связанные с Хеш-таблицами. |
В Викиучебниках есть книга по теме: Структуры данных / хеш-таблицы |