关键词排名优化-信息指纹特征及其原理

　　今天咱们讲讲关键词排名优化-信息指纹特征及其原理，任何一段信息文字，都可以对应一个不太长的随机数，作为差别它和其它信息的指纹（Fingerprint)。只需算法设计的好，任何两段信息的指纹都很难重复，就仿佛人类的指纹一样。信息指纹在加密、信息压缩和处理中有着遍及的应用。

　　我们在图论和收集爬虫一文中提到，为了防止重复下载统一个网页，我们需求在哈希表中记载曾经访问过的网址（URL)。然则在哈希表中以字符串的方法直接存储网址，既费内存空间，又糜费查找时间。现在的网址通俗都较长，比如，假设在 Google 或许百度在查找数学之美，对应的网址长度在一百个字符以上。下面是百度的链接

　　如许每个网址只需求占用 16 个字节而不是本来的一百个。这就可以把存储网址的内存需求量降低到本来的 1/6。这个16 个字节的随机数，就称做该网址的信息指纹（Fingerprint)。可以证实，只需发生随机数的算法足够好，可以保证简直不能够有两个字符串的指纹相反，就仿佛不能够有两团体的指纹相反一样。因为指纹是固定的 128 位整数，因此查找的计算量比字符串比拟小很多。收集爬虫不才载网页时，它将访问过的网页的网址都酿成一个个信息指纹，存到哈希表中，每当碰到一个新网址时，计算机就计算出它的指纹，然后比拟该指纹可否曾经在哈希表中，来决定可否下载这个网页。这类整数的查找比本来字符串查找,可以快几倍到几十倍。

　　发生信息指纹的关键算法是伪随机数发生器算法（prng)。最早的 prng 算法是由计算机之父冯诺伊曼提出来的。他的方法十分复杂，就是将一个数的平方掐头去尾，取中间的几位数。比如一个四位的二进制数 1001（相当于十进制的9），其平方为 01010001 (十进制的 81）掐头去尾剩下中间的四位 0100。固然这类方法发生的数字其实不很随机，也就是说两个分歧信息很有能够有统一指纹。现在经常使用的 MersenneTwister 算法要好很多。

　　信息指纹的用途远不止网址的消重，信息指纹的的孪生兄弟是暗码。信息指纹的一个特点是其不成逆性, 也就是说,没法依据信息指纹推出原有信息，这类性质， 正是收集加密传输所需求的。比如说，一个网站可以依据用户的Cookie 识别分歧用户，这个 cookie 就是信息指纹。然则网站没法依据信息指纹了解用户的身份，如许便可以保护用户的隐私。在互联网上，加密的牢靠性，取决于可否很难报答地找到具有统一指纹的信息， 比如一个黑客可否能随便发生用户的 cookie。从加密的角度讲 MersenneTwister，算法并欠好，，因为它发生的随机数有相干性。

　　互联网上加密要用基于加密伪随机数发生器（csprng)。经常使用的算法有 MD5 或许 SHA1 等规范，它们可以将不定长的信息酿成定长的 128 二进位或许 160 二进位随机数。值得一提的事，SHA1 之前被认为是没有破绽的，现在曾经被中国的王小云传授证实存在破绽。然则大年夜家不用惊恐， 因为这和黑客能真正攻破你的注册信息是还两回事。