c - 使用rabin karp算法切片文件

我写了一个c程序，它应该用Rabin Karp algorithm把文件切成块。这是一个c程序的改编，您可以找到Here。
这似乎是可行的，但问题仍然存在平均块大小不是预期的大小。
用法如下：
rabin Prime WindowSize BoundaryMarker文件
在哪里？
rabin是可执行文件的名称。
素数是一个高素数。例如100007
window size是滚动窗口的大小例如48
BoundaryMarker是指纹中设置为0的位数
文件是要处理的文件
如果我将BoundaryMarker设置为13，我希望块的平均大小为8K。
事实上，他们都不在8K左右。
我很难弄清楚我的程序出了什么问题？
你能帮助我吗？
谢谢

#include <stdio.h>
#include <stdlib.h>
#include <unistd.h>
#include <fcntl.h>

unsigned char* buffer;
int windowSize;
int writePointer = 0;
int readPointer = 0;
int dataSize = 0;

unsigned char PushChar(unsigned char c)

{ if (++writePointer >= windowSize) writePointer=0;
  buffer[writePointer]=c;
  dataSize++;
  return(c);
}

unsigned char PopChar(void)

{ if (++readPointer >= windowSize) readPointer=0;
  dataSize--;
  return(buffer[readPointer]);
}


int main(int argc, char *argv[])

{ int fd;
  unsigned char c;

  unsigned long Q;
  unsigned long D=256;
  unsigned long pow=1;
  int i,k,boundary,boundaryMarker,index;
  unsigned char s;

  if (argc != 5)
  { printf("\nUsage : rabin Prime WindowSize BoundaryMarker File\n\nwhere :\n");
    printf("Prime is a high prime number. For instance 100007\n\n");
    printf("WindowSize is the size of rolling window. For instance 48\n\n");
    printf("BoundaryMarker is the number of bits set to 0 in a fingerprint\n\n");
    printf("File is the file to process\n\n");
    return(1);
  }

  sscanf(argv[1],"%lu",&Q);
  sscanf(argv[2],"%d",&windowSize);
  sscanf(argv[3],"%d",&boundaryMarker);

  for(i=1,boundary=1;i<=boundaryMarker;i++) boundary=boundary*2;
  boundary --;

  //printf("Q = %lu windowSize = %d boundary = %d\n",Q,windowSize,boundary);

  if ((buffer=(unsigned char*) malloc (sizeof(unsigned char)*windowSize))==NULL) return(1);

  for (k=1; k < windowSize; k++) pow=(pow*D)%Q;
  //printf("pow value %lu\n",pow);

  unsigned long sig=0;
  int lastIndex=0;

  if ((fd=open(argv[4],O_RDONLY))<0) exit(1);

  for (i=0; i <windowSize; i++)
  { read(fd,&c,1);
    PushChar(c);
    sig=(sig*D + (unsigned long)c) %Q;
  }

  //printf("sig value = %lu\n",sig);

  index=0; lastIndex=0;

  while (read(fd,&c,1))
  {
    s=PopChar();
    //printf("sig = ( %lu + %lu - %lu * %lu %% %lu ) %lu",sig,Q,pow,(unsigned long) s,Q,Q);
    sig = (sig + Q - pow*(unsigned long)s%Q)%Q;
    //printf(" = %lu\n",sig);
    s=PushChar(c);
    //printf("sig2 = ( %lu * %lu + %lu ) %% %lu",sig,D,(unsigned long) s,Q);
    sig = (sig*D + (unsigned long)s)%Q;
    //printf(" = %lu\n",sig);
    index++;
    if ((sig & boundary )==0)
       { if (index - lastIndex >= 2048)
         { printf("sig & boundary = %lu & %lu Index=%d chunk size=%d\n",sig,boundary,index,index-lastIndex);
           lastIndex=index;
     }
       }
    else if (index -lastIndex >=65536)
            { printf("sig & boundary = %lu & %lu Index=%d chunk size=%d\n",sig,boundary,index,index-lastIndex);
              lastIndex=index;
            }
  }
  printf("Index=%d chunk size=%d\n",index,index-lastIndex);

  close(fd);
  return 1;
}

最佳答案

运行boundarymarker=13的代码，在一兆字节的随机数据上得到104个块，平均块大小为10082字节。这与预期的8192不太远。
然而，较小的boundarymarker值显示出更明显的偏差；例如，将其设置为10，就得到了3049字节的平均块大小，与预期的1024字节相去甚远。设置boundarymarker=5得到的平均块大小为2077字节，甚至不接近预期的32字节。
更仔细地看一下您的代码，这种偏见的明显原因在于以下代码（为了清晰起见，重新格式化了）：

if ((sig & boundary ) == 0)
{ if (index - lastIndex >= 2048)
  { printf("sig & boundary = %lu & %lu Index=%d chunk size=%d\n",sig,boundary,index,index-lastIndex);
    lastIndex=index;
  }
}
else if (index - lastIndex >= 65536)
{ printf("sig & boundary = %lu & %lu Index=%d chunk size=%d\n",sig,boundary,index,index-lastIndex);
  lastIndex=index;
}

if (index - lastIndex >= 2048)抑制比上一个边界小于2048字节的块边界，有效地将小于2048字节的块与下一个块合并。同时，else if (index - lastIndex >= 65536)检查强制人工块边界，以防止任何块增长超过65536字节。
如果这种行为（强制所有块至少2048个，最多65536字节长）不是您想要的，您可以简单地删除这些检查，将代码简化为：

if ((sig & boundary ) == 0)
{ printf("sig & boundary = %lu & %lu Index=%d chunk size=%d\n",sig,boundary,index,index-lastIndex);
  lastIndex=index;
}

实际上，对于boundarymarker=n，至少对于n≤12左右的情况，进行此更改会产生非常接近2n字节的平均块大小。
对于n=13，似乎确实存在明显的向下偏移，我怀疑这是由于质数100007仅是边界模213的12.2倍。由于签名值或多或少是随机分布的模素数，当进一步减少模213时，额外的0.2使它们稍微偏向较小的值（包括零）。
通过使用更大的素数，例如231−1=2147483647，可以很容易地固定这种偏差。实际上，切换到这个素数会使块的平均大小更接近8192。

关于c - 使用rabin karp算法切片文件，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/10781832/