哈希游戏作为一种新兴的区块链应用，它巧妙地结合了加密技术与娱乐，为玩家提供了全新的体验。万达哈希平台凭借其独特的彩票玩法和创新的哈希算法，公平公正-方便快捷!万达哈希,哈希游戏平台,哈希娱乐,哈希游戏说到散列，一般对应于散列表（哈希表）和散列函数。我们今天不谈哈希表，仅谈下散列函数。定义引一段关于散列函数的定义。Hash，一般翻译做“散列”，也有直接音译为“哈希”的，就是把任意长度的输入，通过散列算法，变换成固定长度的输出，该输出就是散列值。

　　Hash，一般翻译做“散列”，也有直接音译为“哈希”的，就是把任意长度的输入，通过散列算法，变换成固定长度的输出，该输出就是散列值。

　　这种转换是一种压缩映射，也就是，散列值的空间通常远小于输入的空间，不同的输入可能会散列成相同的输出，所以不可能从散列值来确定唯一的输入值。

　　散列函数的输入和输出不是唯一对应关系的，如果两个散列值相同，两个输入值很可能是相同的，但也可能不同；

　　中，很明确地提出“散列函数必须具有不可逆性”，而的表述则模棱两可，相比之下，后者显得太不严谨了。

　　输入一些数据计算出散列值，然后部分改变输入值，一个具有强混淆特性的散列函数会产生一个完全不同的散列值。

　　其精髓在于“严格雪崩准则”：当任何一个输入位被反转时，输出中的每一位均有50%的概率发生变化。

　　两个码字的对应比特取值不同的比特数称为这两个码字的海明距离。举例如下：10101和00110从第一位开始依次有第一位、第四、第五位不同，则海明距离为3。

　　对应于散列，如果“部分改变输入值”, 前后两个两个散列的海明距离为散列长度的一半（也就是有一半的bit不相同），则为“50%的概率发生变化”。

　　定义一个类，如果让IDE自动生成hashCode()函数的话，其实现也是类似的：

　　而知乎上也有很多大神做了分析：hash算法的数学原理是什么，如何保证尽可能少的碰撞

　　从第二个链接给出的评分对比可以看出，BKDRHash虽然实现简单，但是很有效（冲突率低）。

　　这样的用法，最常见的还是MD5，有的网站可能会用文件的MD5作为检索文件的key,

　　MD5生成的消息摘要有128bit, 如果要标识的对象不多，冲突率会很低；

　　当冲突率远远低于硬件损坏的概率，那么可以认为用MD5作为key是可靠的。

　　顺便提一下，UUID其实也是128bit的精度，只是其为了方便阅读多加了几个分割线而已。

　　之所以看到BKDRHash用来索引对象，主要是看到这篇文章（笔者没有研究过Volley源码）：

　　不能说它是散列函数，因为其返回值长度并不固定，按照定义，不能称之为散列函数，虽然思想很接近。

　　笔者编了程序比较其二者的冲突率，前者比后者要高一些（篇幅限制，不贴测试代码了，有兴趣的读者可自行测试）。

　　32bit的散列，无论哪一种，只要数据集（随机数据）上10^6, 基本上每次跑都会有冲突。

　　64bit的散列，只要性能不是太差，如果数据的长度是比较长的（比方说20个字节的随机数组），即使千万级别的数据集也很难出现冲突（笔者没有试过上亿的，机器撑不住）。

　　笔者曾经也是BKDRHash的拥趸，并在项目中使用了一段时间（作为缓存的key）。

　　看了知乎心里一惊，回头修改了下测试用例，构造随机数据时用不定长的数据，比方说1-30个随机字节，

　　之前是知道BKDRHash的混淆性不足的（比方说最后一个字节的值加1，hash值也只是加1而已，如果未溢出的话）；

　　但是由于其实现简单，以及前面那个不合理的测试结果，就用来做缓存的key了，毕竟Volley也这么干了。

　　实际上也没有太大的问题，因为用的地方输入通常比较长，而且要缓存的文件也不是很多（几百上千的级别），所以应该不会有冲突。

　　如截图所示，很多大名鼎鼎的开源组件都用到这个散列，那其究竟是何方神圣呢？让我们来一探究竟。

　　而且C++可以将int64的指针指向char数组，可以一次算8个字节，对于长度较长的数组，运算更快。

　　很神奇的是，CRC64和BKDRHash的冲突率是一样的（测了很多次，都是一样），可能是都存在溢出问题的原因。

　　如果把随机数组的长度调整为1-50，则前者(BKDRHash & CRC64)的冲突率会相对降低，而后者的运算效率会稍胜于前者。

　　我想MurmurHash之所以应用广泛，应该不仅仅是因为其冲突率低，还有一个很重要的特性：

　　构造随机数组，每次改变其中一个bit，计算MurmurHash，码距在31-32之间。

　　或者从另一个角度看，MurmurHash算出的散列值比较“均匀”，这个特点很重要。

　　以一年365天算，23人（及以上），有两人生日相同的概率大约50%；而如果到了60人以上，则概率已经大于99%了。

　　如果随机数是32位，那么可能性有约43亿种，但是只要数量达到50000个，其冲突概率就有25%。

　　我们常看到MD5作为文件索引，SHA，MD5用于文件校验，就是因为其冲突概率很低，想要篡改文件还保持Hash不变，极其困难。

　　不过困难不意味着不可能，例如，Google建议不要使用SHA-1加密了,

　　扯远了，回到前面说的缓存key，64bit的MurmurHash, 当缓存数量在10^4这个级别时，

　　有两个缓存的key冲突的概率是10^-12（万亿份之一）的量级，应该是比较可靠的。

　　如果觉得还不够，可以用128bit的MurmurHash，仅做索引的线要更合适（运算快，低碰撞，高混淆）

　　散列广泛应用于计算机的各个领域，了解散列函数的一些性质，对于解决工程问题或有帮助，

　　k8s 1.24.3版本使用nfs-provisioner4.0.0动态创建PV

　　k8s 1.24.3版本使用nfs-provisioner4.0.0动态创建PV

　　Typora 一款 Markdown 编辑器和阅读器 风格极简 / 多种主题 / 支持 macOS，Windows 及 Linux 实时预览 / 图片与文字 / 代码块 / 数学公式 / 图表 目录大纲 / 文件管理 / 导入与导出 ……

　　Barnes-Hut t-SNE是一种针对大规模数据集的高效降维算法，它是t-SNE的变体，用于高维数据可视化。t-SNE通过保持概率分布相似性将数据从高维降至2D或3D。Barnes-Hut算法采用天体物理中的方法，将时间复杂度从O(N²)降低到O(NlogN)，通过构建空间索引树和近似远距离交互来加速计算。在scikit-learn中可用，代码示例展示了如何使用该算法进行聚类可视化，成功分离出不同簇并获得高轮廓分数，证明其在大數據集上的有效性。

　　【2月更文挑战第30天】 在机器学习的实践中，构建一个高效且准确的预测模型是每个数据科学家的核心任务。本文将深入探讨如何通过一系列策略性步骤来提升模型的性能，包括数据预处理、特征选择、模型训练以及超参数调优。我们将讨论各种技术方法，并通过实例展示这些策略是如何在实际问题中应用的。目标是为读者提供一套实用的工具和思路，以应对机器学习项目中遇到的挑战。

　　今天学习了几个命令，是创建、删除文件和文件夹的，在linux里，文件夹是目录，下面说下我学习的命令。 创建文件夹【mkdir】   一、mkdir命令使用权限     所有用户都可以在终端使用 mkdir 命令在拥有权限的文件夹创建文件夹或目录。     二、mkdir命令使用格式     格式：mkdir [选项] DirName     三、mkdir命令功能

　　【云周刊】第133期：阿里云全球十四个节点评测分析及服务器地域选择攻略

　　Kubeflow实战系列：利用TensorFlow Serving进行模型预测

　　Codeforces Round #326 (Div. 2) B. Pasha and Phone C. Duff and Weight Lifting

　　2025 年 Adobe Acrobat Reader、万兴 PDF 阅读器、Sumatra PDF 三款高性价比 PDF 阅读器推荐

　　基于内存高效算法的 LLM Token 优化：一个有效降低 API 成本的技术方案

　　ubuntu 24.04 (noble) 起，ubuntu软件源设置文件位置与方式已改变

　　Shiro简介及SpringBoot集成Shiro(狂神说视频简易版)