algorithm - rsync算法如何正确识别重复 block ？

Question

我个人正在探索 rsync 算法的工作原理。经过一番阅读和思考，我想到了一种我认为算法失败的情况。我试图找出在实际实现中如何解决这个问题。

考虑这个例子，其中 A 是接收者，B 是发送者。

A = abcde1234512345fghij
B = abcde12345fghij

如您所见，唯一的变化是 12345 已被删除。

现在，为了让这个例子更有趣，让我们选择 5 个字节(字符)的 block 大小。使用弱校验和对发件人端的值进行散列处理，得到以下值列表。

abcde|12345|fghij

abcde -> 495
12345 -> 255
fghij -> 520

values = [495, 255, 520]

接下来我们检查 A 中是否有任何哈希值不同。如果有匹配的 block ，我们可以跳到该 block 的末尾进行下一次检查。如果有一个不匹配的 block ，那么我们就发现了差异。我将逐步完成此过程。

1. 散列第一个 block 。这个散列值是否存在于值列表中？ abcde -> 495(是的，所以跳过)
2. 散列第二个 block 。这个散列值是否存在于值列表中？ 12345 -> 255(是的，所以跳过)
3. 散列第三个 block 。这个散列值是否存在于值列表中？ 12345 -> 255(是的，所以跳过)
4. 散列第四个 block 。这个散列值是否存在于值列表中？ fghij -> 520(是的，所以跳过)
5. 没有更多数据，我们完成了。

由于在值列表中找到了每个散列，我们得出结论 A 和 B 相同。以我的拙见，这不是真的。

在我看来，只要有多个区 block 共享相同的哈希值，就会发生这种情况。我知道我已经跳过了计算和检查强哈希的步骤，但这不会有什么不同，因为第二个和第三个 block 完全相同

我错过了什么？

Answer 1

rsync 算法发送两个校验和:一个用于每个 block ，一个“滚动”校验和用于整个文件。在您的示例中，一旦到达“加倍” block ，A 就会看到滚动校验和的差异。