下载文档原格式
数据结构与算法-基础算法篇-哈希算法1. 哈希算法如何防止数据库中的用户信息被脱库？你会如何存储用户密码这么重要的数据吗？仅仅 MD5 加密一下存储就够了吗？在实际开发中，我们应该如何用哈希算法解决问题？1. 什么是哈希算法？将任意长度的二进制值串映射成固定长度的二进制值串，这个映射的规则就是哈希算法，而通过原始数据映射之后得到的二进制值串就是哈希值。
2. 如何设计一个优秀的哈希算法？单向哈希：从哈希值不能反向推导出哈希值（所以哈希算法也叫单向哈希算法）。
篡改无效：对输入敏感，哪怕原始数据只修改一个Bit，最后得到的哈希值也大不相同。
散列冲突：散列冲突的概率要很小，对于不同的原始数据，哈希值相同的概率非常小。
执行效率：哈希算法的执行效率要尽量高效，针对较长的文本，也能快速计算哈希值。
2. 哈希算法的常见应用有哪些？7个常见应用：安全加密、唯一标识、数据校验、散列函数、负载均衡、数据分片、分布式存储。
1. 安全加密常用于加密的哈希算法：MD5：MD5 Message-Digest Algorithm，MD5消息摘要算法SHA：Secure Hash Algorithm，安全散列算法DES：Data Encryption Standard，数据加密标准AES：Advanced Encryption Standard，高级加密标准对用于加密的哈希算法，有两点格外重要，第一点是很难根据哈希值反向推导出原始数据，第二点是散列冲突的概率要小。
在实际开发中要权衡破解难度和计算时间来决定究竟使用哪种加密算法。
2. 唯一标识通过哈希算法计算出数据的唯一标识，从而用于高效检索数据。
3. 数据校验利用哈希算法对输入数据敏感的特点，可以对数据取哈希值，从而高效校验数据是否被篡改过。
4. 散列函数1.如何防止数据库中的用户信息被脱库？你会如何存储用户密码这么重要的数据吗？使用MD5进行加密字典攻击：如果用户信息被“脱库”，黑客虽然拿到的是加密之后的密文，但可以通过“猜”的方式来破解密码，这是因为，有些用户的密码太简单。
计算与数据结构篇 - 哈希算法 (Hash)计算与数据结构篇 - 哈希算法 (Hash)哈希算法的定义和原理非常简单，基本上一句话就可以概括了。
将任意长度的二进制值串映射为固定长度的二进制值串，这个映射的规则就是哈希算法，而通过原始数据映射之后得到的二进制值串就是哈希值。
构成哈希算法的条件：从哈希值不能反向推导出原始数据（所以哈希算法也叫单向哈希算法）对输入数据非常敏感，哪怕原始数据只修改了一个 Bit，最后得到的哈希值也大不相同；散列冲突的概率要很小，对于不同的原始数据，哈希值相同的概率非常小；哈希算法的执行效率要尽量高效，针对较长的文本，也能快速地计算出哈希值。
哈希算法的应用(上篇)安全加密说到哈希算法的应用，最先想到的应该就是安全加密。
最常用于加密的哈希算法是 MD5（MD5 Message-Digest Algorithm，MD5 消息摘要算法）和 SHA（Secure Hash Algorithm，安全散列算法）。
除了这两个之外，当然还有很多其他加密算法，比如 DES（Data Encryption Standard，数据加密标准）、AES（Advanced Encryption Standard，高级加密标准）。
前面我讲到的哈希算法四点要求，对用于加密的哈希算法来说，有两点格外重要。
第一点是很难根据哈希值反向推导出原始数据，第二点是散列冲突的概率要很小。
不过，即便哈希算法存在散列冲突的情况，但是因为哈希值的范围很大，冲突的概率极低，所以相对来说还是很难破解的。
像 MD5，有 2^128 个不同的哈希值，这个数据已经是一个天文数字了，所以散列冲突的概率要小于 1-2^128。
如果我们拿到一个 MD5 哈希值，希望通过毫无规律的穷举的方法，找到跟这个 MD5 值相同的另一个数据，那耗费的时间应该是个天文数字。
所以，即便哈希算法存在冲突，但是在有限的时间和资-源下，哈希算法还是被很难破解的。
常⽤Hash算法（C语⾔的简单实现）如下所⽰：#include "GeneralHashFunctions.h"unsigned int RSHash(char* str, unsigned int len){unsigned int b = 378551;unsigned int a = 63689;unsigned int hash = 0;unsigned int i = 0;for(i = 0; i < len; str++, i++){hash = hash * a + (*str);a = a * b;}return hash;}/* End Of RS Hash Function */unsigned int JSHash(char* str, unsigned int len){unsigned int hash = 1315423911;unsigned int i = 0;for(i = 0; i < len; str++, i++){hash ^= ((hash << 5) + (*str) + (hash >> 2));}return hash;}/* End Of JS Hash Function */unsigned int PJWHash(char* str, unsigned int len){const unsigned int BitsInUnsignedInt = (unsigned int)(sizeof(unsigned int) * 8);const unsigned int ThreeQuarters = (unsigned int)((BitsInUnsignedInt * 3) / 4);const unsigned int OneEighth = (unsigned int)(BitsInUnsignedInt / 8);const unsigned int HighBits = (unsigned int)(0xFFFFFFFF) << (BitsInUnsignedInt - OneEighth);unsigned int hash = 0;unsigned int test = 0;unsigned int i = 0;for(i = 0; i < len; str++, i++){hash = (hash << OneEighth) + (*str);if((test = hash & HighBits) != 0){hash = (( hash ^ (test >> ThreeQuarters)) & (~HighBits));}}return hash;}/* End Of P. J. Weinberger Hash Function */unsigned int ELFHash(char* str, unsigned int len){unsigned int hash = 0;unsigned int x = 0;unsigned int i = 0;for(i = 0; i < len; str++, i++){hash = (hash << 4) + (*str);if((x = hash & 0xF0000000L) != 0){hash ^= (x >> 24);}hash &= ~x;}return hash;}/* End Of ELF Hash Function */unsigned int BKDRHash(char* str, unsigned int len){unsigned int seed = 131; /* 31 131 1313 13131 131313 etc.. */ unsigned int hash = 0;unsigned int i = 0;for(i = 0; i < len; str++, i++){hash = (hash * seed) + (*str);}return hash;}/* End Of BKDR Hash Function */unsigned int SDBMHash(char* str, unsigned int len){unsigned int hash = 0;unsigned int i = 0;for(i = 0; i < len; str++, i++){hash = (*str) + (hash << 6) + (hash << 16) - hash;}return hash;}/* End Of SDBM Hash Function */unsigned int DJBHash(char* str, unsigned int len){unsigned int hash = 5381;unsigned int i = 0;for(i = 0; i < len; str++, i++){hash = ((hash << 5) + hash) + (*str);}return hash;}/* End Of DJB Hash Function */unsigned int DEKHash(char* str, unsigned int len){unsigned int hash = len;unsigned int i = 0;for(i = 0; i < len; str++, i++){hash = ((hash << 5) ^ (hash >> 27)) ^ (*str);}return hash;}/* End Of DEK Hash Function */unsigned int BPHash(char* str, unsigned int len){unsigned int hash = 0;unsigned int i = 0;for(i = 0; i < len; str++, i++){hash = hash << 7 ^ (*str);}return hash;}/* End Of BP Hash Function */unsigned int FNVHash(char* str, unsigned int len){const unsigned int fnv_prime = 0x811C9DC5;unsigned int hash = 0;unsigned int i = 0;for(i = 0; i < len; str++, i++){hash *= fnv_prime;hash ^= (*str);}return hash;}/* End Of FNV Hash Function */unsigned int APHash(char* str, unsigned int len){unsigned int hash = 0xAAAAAAAA;unsigned int i = 0;for(i = 0; i < len; str++, i++){hash ^= ((i & 1) == 0) ? ( (hash << 7) ^ (*str) * (hash >> 3)) :(~((hash << 11) + ((*str) ^ (hash >> 5))));}return hash;}/* End Of AP Hash Function */以上就是⼩编为⼤家带来的常⽤Hash算法(C语⾔的简单实现)的全部内容了，希望对⼤家有所帮助，多多⽀持~。
比较安全的hash算法
在计算机科学中，hash算法是一种将任意长度的消息压缩成固定长度的摘要的方法。
它可以用于数据加密、数据完整性校验、关键字搜索等诸多方面。
但是，不同的hash算法的安全性存在差异。
以下是一些比较安全的hash算法：
1. SHA-256：SHA-256是美国国家安全局（NSA）设计的一种安全性较高的hash算法，它可以将任意长度的消息压缩成一个256位的摘要。
SHA-256在数字签名、消息认证等方面有广泛应用。
2. SHA-3：SHA-3是美国国家标准技术研究所（NIST）于2015
年发布的一种新的hash算法，它可以将任意长度的消息压缩成一个固定长度的摘要，其安全性与SHA-256相当，但速度更快。
3. BLAKE2：BLAKE2是一种高速、安全的hash算法，可用于消息认证、完整性校验等方面。
它具有较高的安全性和较快的速度，并且支持并行处理。
4. Whirlpool：Whirlpool是一种经过多年研究和测试的hash
算法，其安全性与SHA-256相当，但速度较慢。
它主要用于数字签名、数据完整性校验等方面。
5. Keccak：Keccak是作为SHA-3的候选算法之一而设计的，它可以将任意长度的消息压缩成一个固定长度的摘要。
Keccak具有高度的弹性和安全性，但速度较慢。
总的来说，SHA-256和SHA-3是目前应用最广泛的hash算法，它们具有高度的安全性和速度。
但是，随着计算机技术的不断发展，
新的hash算法也在不断涌现，我们需要不断关注和研究新的算法，以确保数据的安全性。
常见的hash算法常见的Hash算法包括MD5、SHA-1、SHA-256、SHA-512、CRC32等。
本文将介绍这些常用的Hash算法。
1. MD5（Message Digest Algorithm 5）MD5是一种广泛使用的Hash算法，其输出结果为128位（16字节）的哈希值。
MD5算法以输入的数据流作为输入，并输出固定长度的哈希值。
由于其较短的哈希值长度和高效的计算性能，MD5广泛应用于密码验证、数据完整性校验等场景。
然而，由于MD5具有较高的碰撞概率和易受到暴力破解攻击，因此在一些安全性要求较高的场景中不建议使用。
2. SHA-1（Secure Hash Algorithm 1）SHA-1是一种常用的Hash算法，其输出结果为160位（20字节）的哈希值。
SHA-1算法与MD5类似，使用输入数据流作为输入并输出固定长度的哈希值。
SHA-1在安全性方面较MD5有所提升，但也存在安全性问题。
近年来，SHA-1已被证实存在碰撞漏洞，因此在一些安全性要求较高的场景中不建议使用。
3. SHA-256（Secure Hash Algorithm 256 bits）SHA-256是SHA系列中的一种较新的Hash算法，其输出结果为256位（32字节）的哈希值。
SHA-256相比于MD5和SHA-1，在安全性方面有显著提升。
SHA-256的哈希值长度更长，碰撞概率更低，因此在一些密钥生成、数据完整性校验等场景中得到广泛应用。
4. SHA-512（Secure Hash Algorithm 512 bits）SHA-512是SHA系列中的一种较新的Hash算法，其输出结果为512位（64字节）的哈希值。
SHA-512是SHA-256的更高级版本，其哈希值长度更长，安全性更高。
SHA-512适用于需要更高安全性级别的场景，如数字签名、网络安全等领域。
5. CRC32（Cyclic Redundancy Check）除了上述常用的Hash算法，还有一些其他的Hash算法，如SHA-224、SHA-384、MD6等。
常见的Hash算法常见的Hash算法1.简介哈希函数按照定义可以实现⼀个伪随机数⽣成器(PRNG)，从这个⾓度可以得到⼀个公认的结论：哈希函数之间性能的⽐较可以通过⽐较其在伪随机⽣成⽅⾯的⽐较来衡量。
⼀些常⽤的分析技术，例如泊松分布可⽤于分析不同的哈希函数对不同的数据的碰撞率(collision rate)。
⼀般来说，对任意⼀类的数据存在⼀个理论上完美的哈希函数。
这个完美的哈希函数定义是没有发⽣任何碰撞，这意味着没有出现重复的散列值。
在现实中它很难找到⼀个完美的哈希散列函数，⽽且这种完美函数的趋近变种在实际应⽤中的作⽤是相当有限的。
在实践中⼈们普遍认识到，⼀个完美哈希函数的哈希函数，就是在⼀个特定的数据集上产⽣的的碰撞最少哈希的函数。
现在的问题是有各种类型的数据，有⼀些是⾼度随机的，有⼀些有包含⾼纬度的图形结构，这些都使得找到⼀个通⽤的哈希函数变得⼗分困难，即使是某⼀特定类型的数据，找到⼀个⽐较好的哈希函数也不是意见容易的事。
我们所能做的就是通过试错⽅法来找到满⾜我们要求的哈希函数。
可以从下⾯两个⾓度来选择哈希函数：1.数据分布⼀个衡量的措施是考虑⼀个哈希函数是否能将⼀组数据的哈希值进⾏很好的分布。
要进⾏这种分析，需要知道碰撞的哈希值的个数，如果⽤链表来处理碰撞，则可以分析链表的平均长度，也可以分析散列值的分组数⽬。
2.哈希函数的效率另个⼀个衡量的标准是哈希函数得到哈希值的效率。
通常，包含哈希函数的算法的算法复杂度都假设为O(1)，这就是为什么在哈希表中搜索数据的时间复杂度会被认为是"平均为O(1)的复杂度"，⽽在另外⼀些常⽤的数据结构，⽐如图(通常被实现为红⿊树)，则被认为是O(logn)的复杂度。
⼀个好的哈希函数必修在理论上⾮常的快、稳定并且是可确定的。
通常哈希函数不可能达到O(1)的复杂度，但是哈希函数在字符串哈希的线性的搜索中确实是⾮常快的，并且通常哈希函数的对象是较⼩的主键标识符，这样整个过程应该是⾮常快的，并且在某种程度上是稳定的。
常见的hash算法一、什么是hash算法？hash算法是一种将任意长度的输入数据转变为固定长度（通常较短）输出的算法。
它为数据创建唯一的数字指纹，常被用于数据的校验、索引和查找等方面。
hash算法可以将输入数据映射到一个hash值，该值可以作为数据的唯一标识。
在计算机科学中，hash算法被广泛应用于密码学、数据结构和网络协议等领域。
二、常见的hash算法1. MD5算法（Message Digest Algorithm 5）MD5算法是一种广泛使用的hash算法，它通过将输入数据分成固定大小的块，并对每个块进行一系列的操作，最后生成128位（16字节）的hash值。
MD5算法具有以下特点： - 快速且高效：MD5算法使用位运算和逻辑运算等简单操作，计算速度较快。
- 唯一性：理论上，不同的输入数据不会生成相同的MD5值。
2. SHA算法（Secure Hash Algorithm）SHA算法是一系列hash算法的总称，其中SHA-1、SHA-256、SHA-384和SHA-512最为常见。
这些算法分别生成不同长度的hash值，如SHA-1生成160位（20字节）的hash值，SHA-256生成256位（32字节）的hash值。
SHA算法具有以下特点：- 安全性：SHA-1算法相对较弱，已经被广泛攻破，而SHA-256、SHA-384、SHA-512算法目前被认为是安全的。
- 高强度：SHA算法生成的hash值通常具有高度随机性，很难找到两个不同的输入数据生成相同的hash值。
3. CRC算法（Cyclic Redundancy Check）CRC算法是一种通过多项式计算的哈希算法，常用于数据校验的快速检测。
CRC算法的特点包括： - 简单高效：CRC算法使用轻量级的位运算，计算速度非常快。
- 容错性：CRC算法对于单比特错误和大部分双比特错误具有高容错性。
- 低冲突性：CRC算法与MD5、SHA等算法相比，hash冲突的概率较高。
Python算法系列-哈希算法哈希算法一、常见数据查找算法简介二、什么是哈希三、实例：两个数字的和1.问题描述2.双指针办法解决3.哈希算法求解四、总结哈希算法又称散列函数算法，是一种查找算法。
就是把一些复杂的数据通过某种映射关系。
映射成更容易查找的方式，但这种映射关系可能会发生多个关键字映射到同一地址的现象，我们称之为冲突。
在这种情况下，我们需要对关键字进行二次或更多次处理。
出这种情况外，哈希算法可以实现在常数时间内存储和查找这些关键字。
一、常见数据查找算法简介常见的数据查找算法：顺序查找：是最简单的查找方法。
需要对数据集中的逐个匹配。
所以效率相对较低，不太适合大量数据的查找问题。
二分法查找：效率很高，但是要求数据必须有序。
面对数据排序通常需要更多的时间。
深度优先和广度优先算法：对于大量的数据查找问题，效率并不高。
这个我们后面专门讲解。
阿希查找算法：查找速度快，查询插入，删除操作简单等原因获得广泛的应用。
二、什么是哈希哈希查找的原理：根据数量预先设一个长度为M的数组。
使用一个哈希函数F并以数据的关键字作为自变量得到唯一的返回值，返回值的范围是0~M-1。
这样就可以利用哈希函数F将数据元素映射到一个数组的某一位下标，并把数据存放在对应位置，查找时利用哈希函数F计算，该数据应存放在哪里，在相应的存储位置取出查找的数据。
这里就有一个问题：关键字的取值在一个很大的范围，数据在通过哈希函数进行映射时。
很难找到一个哈希函数，使得这些关键字都能映射到唯一的值。
就会出现多个关键字映射到同一个值的现象，这种现象我们称之为冲突。
哈西算法冲突的解决方案有很多：链地址法，二次再散列法。
线性探测再散列建立一个公共溢出区注意：链地址法本质是数组+链表的数据结构链地址法存储数据过程：首先建立一个数组哈希存储所有链表的头指针。
由数组的关键字key 通过对应的哈希函数计算出哈希地址。
找到相应的桶号之后，建立新的节点存储该数据。
常见的Hash算法1.简介哈希函数按照定义可以实现一个伪随机数生成器(PRNG)，从这个角度可以得到一个公认的结论：哈希函数之间性能的比较可以通过比较其在伪随机生成方面的比较来衡量。
一些常用的分析技术，例如泊松分布可用于分析不同的哈希函数对不同的数据的碰撞率(collision rate)。
一般来说，对任意一类的数据存在一个理论上完美的哈希函数。
这个完美的哈希函数定义是没有发生任何碰撞，这意味着没有出现重复的散列值。
在现实中它很难找到一个完美的哈希散列函数，而且这种完美函数的趋近变种在实际应用中的作用是相当有限的。
在实践中人们普遍认识到，一个完美哈希函数的哈希函数，就是在一个特定的数据集上产生的的碰撞最少哈希的函数。
现在的问题是有各种类型的数据，有一些是高度随机的，有一些有包含高纬度的图形结构，这些都使得找到一个通用的哈希函数变得十分困难，即使是某一特定类型的数据，找到一个比较好的哈希函数也不是意见容易的事。
我们所能做的就是通过试错方法来找到满足我们要求的哈希函数。
可以从下面两个角度来选择哈希函数：1.数据分布一个衡量的措施是考虑一个哈希函数是否能将一组数据的哈希值进行很好的分布。
要进行这种分析，需要知道碰撞的哈希值的个数，如果用链表来处理碰撞，则可以分析链表的平均长度，也可以分析散列值的分组数目。
2.哈希函数的效率另个一个衡量的标准是哈希函数得到哈希值的效率。
通常，包含哈希函数的算法的算法复杂度都假设为O(1)，这就是为什么在哈希表中搜索数据的时间复杂度会被认为是"平均为O(1)的复杂度"，而在另外一些常用的数据结构，比如图(通常被实现为红黑树)，则被认为是O(logn)的复杂度。
一个好的哈希函数必修在理论上非常的快、稳定并且是可确定的。
通常哈希函数不可能达到O(1)的复杂度，但是哈希函数在字符串哈希的线性的搜索中确实是非常快的，并且通常哈希函数的对象是较小的主键标识符，这样整个过程应该是非常快的，并且在某种程度上是稳定的。
在这篇文章中介绍的哈希函数被称为简单的哈希函数。
它们通常用于散列（哈希字符串）数据。
它们被用来产生一种在诸如哈希表的关联容器使用的key。
这些哈希函数不是密码安全的，很容易通过颠倒和组合不同数据的方式产生完全相同的哈希值。
2.哈希方法学哈希函数通常是由他们产生哈希值的方法来定义的，有两种主要的方法：1.基于加法和乘法的散列这种方式是通过遍历数据中的元素然后每次对某个初始值进行加操作，其中加的值和这个数据的一个元素相关。
通常这对某个元素值的计算要乘以一个素数。
2.基于移位的散列和加法散列类似，基于移位的散列也要利用字符串数据中的每个元素，但是和加法不同的是，后者更多的而是进行位的移位操作。
通常是结合了左移和右移，移的位数的也是一个素数。
每个移位过程的结果只是增加了一些积累计算，最后移位的结果作为最终结果。
3.哈希函数和素数没有人可以证明素数和伪随机数生成器之间的关系，但是目前来说最好的结果使用了素数。
伪随机数生成器现在是一个统计学上的东西，不是一个确定的实体，所以对其的分析只能对整个的结果有一些认识，而不能知道这些结果是怎么产生的。
如果能进行更具体的研究，也许我们能更好的理解哪些数值比较有效，为什么素数比其他数更有效，为什么有些素数就不行，如果能用可再现的证明来回答这些问题，那么我们就能设计出更好的伪随机数生成器，也可能得到更好的哈希函数。
围绕着哈希函数中的素数的使用的基本的概念是，利用一个素质来改变处理的哈希函数的状态值，而不是使用其他类型的数。
处理这个词的意思就是对哈希值进行一些简单的操作，比如乘法和加法。
这样得到的一个新的哈希值一定要在统计学上具有更高的熵，也就是说不能有为偏向。
简单的说，当你用一个素数去乘一堆随机数的时候，得到的数在bit这个层次上是1的概率应该接近0.5。
没有具体的证明这种不便向的现象只出现在使用素数的情况下，这看上去只是一个自我宣称的直觉上的理论，并被一些业内人士所遵循。
决定什么是正确的，甚至更好的方法和对散列素数的使用最好的组合仍然是一个很有黑色艺术。
没有单一的方法可以宣称自己是最终的通用散列函数。
最好的一所能做的就是通过试错演进和获得适当的散列算法，以满足其需要的统计分析方法。
4.位偏向位序列发生器是纯粹随机的或者说在某种程度上确定性的，可以按照一定的概率产生某种状态或相反状态的比特，这个概率就是位偏向。
在纯粹随机的情况下，产生高位或者低位的位偏向应该是50%。
然后在伪随机产生器中，算法将决定在产生器在最小输出模块的位偏向。
假设一个PRNG的产生8位作为其输出块。
出于某种原因，MSB始终是设置为高，MSB 的位偏向将是100％的概率被置高。
这一结论是，即使有256个本PRNG的产生可能的值，值小于128将永远不会产生。
为简单起见，假设其他位正在生成纯粹是随机的，那么有平等的机会，128和255之间的任何值将产生，但是在同一时间，有0％的机会，一个小于128的值会产生。
所有PRNGs，无论是杂凑函数，密码，msequences或其他任何产生比特流的产生器都会有这样一个位偏向。
大多数PRNGs他们将尝试收敛位偏向到一个确定值，流密码就是一个例子，而其他产生器在不确定的位偏向下效果更好。
混合或位序列加扰是一种产生在一个共同的平等流位偏向的方法。
虽然我们必须要小心，以确保他们不会混合至发散位偏向。
密码学中的一个混合使用的形式被称为雪崩，这就是一个位块使用用另一个块来替换或置换混合在一起，而另一块产生与其他快混合的输出。
正如下图中显示的，雪崩过程始于一个或多个二进制数据块。
对数据中的某些位操作（通常是一些输入敏感位入减少位逻辑）生产的第i层片数据。
然后重复这个过程是在第i层数据，以生成一个i+1个层数据，是当前层的位数将小于或等于前层的位数。
这一反复的过程将导致一个依靠之前数据所有位的位。
应该指出的是，下图是一个单纯的概括，雪崩过程不一定是这一进程的唯一形式。
5.各种形式的哈希哈希是一个在现实世界中将数据映射到一个标识符的工具，下面是哈希函数的一些常用领域：1.字符串哈希在数据存储领域，主要是数据的索引和对容器的结构化支持，比如哈希表。
2.加密哈希用于数据/用户核查和验证。
一个强大的加密哈希函数很难从结果再得到原始数据。
加密哈希函数用于哈希用户的密码，用来代替密码本身存在某个服务器撒很难过。
加密哈希函数也被视为不可逆的压缩功能，能够代表一个信号标识的大量数据，可以非常有用的判断当前的数据是否已经被篡改(比如MD5)，也可以作为一个数据标志使用，以证明了通过其他手段加密文件的真实性。
3.几何哈希这个哈希表用于在计算机视觉领域，为在任意场景分类物体的探测。
最初选择的过程涉及一个地区或感兴趣的对象。
从那里使用，如Harris角检测器（HCD 的），尺度不变特征变换（SIFT）或速成式的强大功能（冲浪），一组功能的仿射提取这被视为代表仿射不变特征检测算法表示对象或地区。
这一套有时被称为宏观功能或功能的星座。
对发现的功能的性质和类型的对象或地区被列为它可能仍然是可能的匹配两个星座的特点，即使可能有轻微的差异（如丢失或异常特征）两集。
星座，然后说是功能分类设置。
哈希值是计算从星座的特性。
这通常是由最初定义一个地方的哈希值是为了居住空间中完成- 在这种情况下，散列值是一个多层面的价值，定义的空间正常化。
再加上计算的哈希值另一个进程，决定了两个哈希值之间的距离是必要的过程-一个距离测量是必需的，而不是一个确定性的平等经营者由于对星座的哈希值计算到了可能的差距问题。
也因为简单的欧氏距离度量的本质上是无效的，其结果是自动确定特定空间的距离度量已成为学术界研究的活跃领域处理这类空间的非线性性质。
几何散列包括各种汽车分类的重新检测中任意场景的目的，典型的例子。
检测水平可以多种多样，从刚检测是否是车辆，到特定型号的车辆，在特定的某个车辆。
4.布隆过滤器布隆过滤器允许一个非常大范围内的值被一个小很多的内存锁代表。
在计算机科学，这是众所周知的关联查询，并在关联容器的核心理念。
Bloom Filter的实现通过多种不同的hash函数使用，也可通过允许一个特定值的存在有一定的误差概率会员查询结果的。
布隆过滤器的保证提供的是，对于任何会员国的查询就永远不会再有假阴性，但有可能是假阳性。
假阳性的概率可以通过改变控制为布隆过滤器，并通过不同的hash函数的数量所使用的表的大小。
随后的研究工作集中在的散列函数和哈希表以及Mitzenmacher的布隆过滤器等领域。
建议对这种结构，在数据被散列熵最实用的用法有助于哈希函数熵，这是理论成果上缔结一项最佳的布隆过滤器（一个提供给定一个最低的进一步导致假阳性的可能性表的大小或反之亦然）提供假阳性的概率定义用户可以建造最多也作为两种截然不同的两两独立的哈希散列函数已知功能，大大提高了查询效率的成员。
布隆过滤器通常存在于诸如拼写检查器，字符串匹配算法，网络数据包分析工具和网络/ Internet缓存的应用程序。
6.常用的哈希函数通用的哈希函数库有下面这些混合了加法和一位操作的字符串哈希算法。
下面的这些算法在用法和功能方面各有不同，但是都可以作为学习哈希算法的实现的例子。
1.RS从Robert Sedgwicks的Algorithms in C一书中得到了。
我(原文作者)已经添加了一些简单的优化的算法，以加快其散列过程。
1.public long RSHash(String str)2. {3.int b = 378551;4.int a = 63689;5.long hash = 0;6.for(int i = 0; i < str.length(); i++)7. {8. hash = hash * a + str.charAt(i);9. a = a * b;10. }11.return hash;12. }注：如: str.chatAt(0)检索str中的第一个字符,str.charAt(str.length()-1)检索最后一个字符2.JSJustin Sobel写的一个位操作的哈希函数。
1.public long JSHash(String str)2. {3.long hash = 1315423911;4.for(int i = 0; i < str.length(); i++)6. hash ^= ((hash << 5) + str.charAt(i) + (hash >> 2));7. }8.return hash;9. }3.PJW该散列算法是基于贝尔实验室的彼得J温伯格的的研究。
在Compilers一书中（原则，技术和工具），建议采用这个算法的散列函数的哈希方法。
