Rabin Karp 算法实战

关键字 Rabin karp 算法, C++, ubuntu 14.04, linux, big integer, gmp

使用 Rabin Karp 算法为一个数据包的负载部分计算哈希序列

void HandleAMission(const char *srcFileName, FILE *output, int blockSize, int samplingRate, int cacheSize)  {
	
	const int MAGICNUM = 33;	// hash for more, refer to 
	const int MAXINTEGER = 4294967295; // biggest unsigned int

	struct IP_hdr *ip_hdr;
	struct TCP_hdr *tcp_hdr;
	struct UDP_hdr *udp_hdr;

	char *payLoad;
	char src_ip_char[STRSIZE], dst_ip_char[STRSIZE];

	int proto;	// udp for 0, tcp for 1
	int payLoadLen;	

	PcapParser pcaparser(srcFileName);	// init pcapparser	

	// init FIFOCache
	FIFOCache fifocache(cacheSize);

	// statistic
	unsigned long totalByte = 0;
	unsigned long savingByte = 0;

	unsigned int localMax;
	unsigned int candiMax;

	// init big integer
	mpz_class product(0);	// current product of char array of blocksize
	mpz_class part(1);		// used as temp
	mpz_class head(0);		// leftmost 
	

	for(int i = 1; i < blockSize; i ++)  {
		head *= MAGICNUM;
	}

	while(pcaparser.NextPacket(&ip_hdr, &tcp_hdr, &udp_hdr, proto, &payLoad, payLoadLen) == 0)  {
		if(payLoadLen < 128) continue;

		// init product for new packet
		product = 0;

		totalByte += payLoadLen;

		// init a key
		for(int i = 0; i < blockSize; i ++)  {
			product =  product * MAGICNUM + (unsigned int)(payLoad[i]); 
		}	

		// Rabin Karp algorithm

		for(int cursor = 1; cursor+samplingRate < payLoadLen; cursor += samplingRate)  {
			for(int offset = cursor; offset < cursor + samplingRate; offset ++)  {
				product = product - head * (unsigned int)(payLoad[offset-1]);
				product = product * MAGICNUM;
				product = product + (unsigned int)(payLoad[offset+blockSize-1]);
				
				part = product % MAXINTEGER;
				candiMax = part.get_ui();

				if(candiMax > localMax)  {
					localMax = (unsigned int)candiMax;
				}
			}

			if(fifocache.HasKey(localMax))  {
				savingByte += blockSize;
			}  else  {
				fifocache.AddKey(localMax);
			}

		}

	}

	printf("Saving byte is %ld byte
", savingByte);
	printf("Total byte is %ld
", totalByte);
	printf("Redundancy rate is %lf
", 1.0*savingByte/totalByte);
}

　　

注意, 上面的代码中, Rabin Karp 部分我没有设计成接口, 实际上我写了一个 RabinKarp 类, 但经验告诉我, 处理计算密集型任务时, 不要搞什么花哨的接口, 继承, 重用, 越 dirty（代码都写到一个函数内） 效率越高, 当然即便如此， 我还是设计了个 PcapParse 类用于处理 pcap 文件, 经不住诱惑. 

然后我运行了十个 testcase, 结果却不令我满意, 平均 1MB 一秒， 相当于 1GB 要处理 1000s, 对于 T 级别的计算任务来看, 这显然是不可接受的.

我有两条路可以走， 一个是自己设计大整数类， 弃用 gmp big integer， 二是弃用 Rabin Karp, 对输入字符串暴力哈希。

回想自己使用 Rabin Karp 的原因， 是前人的 paper 说 rabin karp 能有效的减少计算时间， 或许 rabin karp 本身足够快， 但因使用 rk 算法引入的 gmp 却太慢， 导致 rk 算法的优势尽失。 我本来就怀疑 gmp 的性能， 而事实的确验证了我的怀疑， gmp 太慢了。

最后选择 murmurhash 暴力哈希，速度翻了一番。