Создайте уникальные человекочитаемые идентификаторы (hash?) Для строк в R

Question

У меня есть набор строк, которые мне нужно преобразовать в уникальные короткие идентификаторы.

Идентификаторы должны быть:

• уникальным; это должно быть очень маловероятно, что разные строки приводят к одинаковым идентификаторам
• automatic; Я не хочу создавать/hardcode ручные идентификаторы (как в: Id212).
• как можно короче; эти идентификаторы должны быть как можно короче, потому что они должны вводиться людьми.
• они не должны быть шестигранными, все буквы и цифры будут работать
• должны быть легко обработаны людьми, но не быть читаемым человеком (они должны не делать какие-либо смысл).
• криптографической защиты, помимо уникальности, не является проблемой

Я думал об этом:

string <- c("this is obviously an amateur") 
library(digest) 
hash <- digest(object = string, algo = "crc32", serialize = FALSE) 

в результате "ac32ed9d".

Мои вопросы:

• я могу сделать эту строку еще короче, используя весь алфавит?
• , похоже, вызывает озабоченность по поводу crc32, вызывающего столкновения - будет ли это проблемой, скажем, 500 довольно длинных предложений?
• Это, как правило, хороший способ решить проблему?

Answer 1

Я не знаком с R, но постараюсь дать ответ на общую проблему.

В общем случае хэш-код генерирует число из заданной строки или объекта (o) в пределах заданного диапазона [0..R].

N = hash(o,R)

Вы можете использовать этот номер, чтобы произвести короткую строку следующим образом:

1. Выберите диапазон символов (alphabeth), чтобы выбрать, например, [A-Z,a-z,0-9]. Обозначим его размер L (например, L = 62)
2. Вычислить базового L представление N. Мы получаем серию цифр a_1,...,a_k где каждый a_i представляет собой число в [0 .. L-1]
3. Карта каждая цифра его представляющего характера: 0 -> A, 1 -> B, ..., 62 -> 9

Вы можете обрезать полученную последовательность цифр по длине K по вашему выбору.

Существует фундаментальный компромисс между количеством доступных последовательностей и вероятностью столкновения.Когда вы используете хорошую хеш-функцию, вы можете считать число N равномерно распределенным в пределах диапазона. Когда вы выбрали алфавит из L символов и длину последовательности K, вероятность столкновения равна (1/L)^K.