2013-01-07 16 views
7

Gli alberi di merle (ovvero gli alberi di hash) vengono utilizzati per la sincronizzazione dei dati sia in "Cassandra" & "Dynamo".Sincronizzazione dei dati di Merkle Tree Falsi positivi

Come con qualsiasi funzione hash, v'è una probabilità che dati diversi possono avere lo stesso valore di hash:

Esiste un x ed y dove [! Y = x] ma [hash (x) = hash (y)]

Man mano che i "big data" in NOSQL aumentano, la probabilità di incontrare tali dati aumenta.

Ciò significa che quando i set di dati diventano più grandi, è quasi certo che nodi diversi nell'albero Merkle genereranno lo stesso hash genitore.

In tale occasione, quando due macchine diverse nel cluster attraversano i loro alberi di merle, otterranno un falso positivo che i loro dati siano coerenti. Se non si scrivono più dati su quel ramo dell'albero, le macchine rimarranno non sincronizzate per sempre.

Come viene gestito?

risposta

6

La maggior parte dei sistemi non gestisce questo. Perché? Perché la probabilità di avere due input diversi con lo stesso valore hash è molto, molto bassa. Con una buona funzione di hash (che penso tu stia usando), questo dovrebbe avvicinarsi a 1/2 {hash-bit}. E poiché la maggior parte degli hash per questi scopi sono lunghi almeno 128 bit, si ottiene una probabilità di 1/2^128 di tale collisione. Che è circa 2.9387359e-39 (0. {38 zeri} 29387359).

Utilizzando un hash di 160 bit (che la maggior parte di questi sistemi utilizza, hash SHA-1), è sufficiente che quando si dispone di tanti oggetti nel database quanti sono i granelli di sabbia nel mondo. Che hai ancora meno di una probabilità di 1/2 che ci sarà una tale collisione. Quindi, non mi preoccuperei del caso in cui c'è una collisione. La probabilità che ciò accada è davvero troppo bassa.

+0

C'è un altro meccanismo di sincronizzazione che alla fine potrebbe dare il calcio qui? Oppure questi database si basano semplicemente sulle funzioni hash distribuite uniformemente? Vi ricordo che nel caso di Cassandra la maggior parte degli utenti utilizza una funzione di hash predefinita, che probabilmente non ha una distribuzione ottimale. – eshalev

+0

No, la maggior parte dei sistemi si basa su funzioni di hash distribuite uniformemente (si basano su [SUHA] (http://en.wikipedia.org/wiki/SUHA_ (computer_science)) e dubito fortemente che la funzione di hash predefinita di Cassandra non usa il SUHA – kokx

+0

Come potrebbe cassandra assumere la stessa distribuzione su dati che non sono loro? L'utente può sempre scrivere dati che non giocano bene con la funzione hash – eshalev