Algoritmy pro rychlé indexování textu

Abstract

Při práci s textovými daty, je velice častým problémem naleznout rychlou a efektivní metodu pro vyhledávání řetězců. Pod tímto pojmem si můžeme představit různé ověřování duplicit či hledání hodnot pomocí vyhledávacích klíčů. Mnohé z těchto problémů řeší algoritmy založené na hashovacích funkcích. Hashovací funkce se používají v různých aplikačních oblastech. Mohou to být autentizace informací, porovnávání změn souborů v cloudových řešeních, ověřování integrity zpráv a mno-ha dalších. Cílem této diplomové práce je nalézt a porovnat vhodné algoritmy pro rychlé indexování textu, konkrétněji na hexadecimálních řetězcích (MD5, SHA-1, SHA-512). Při porovnávání se zaměřím na důležité aspekty a omezení daných algoritmů, jejich náročnost při vytváření struktu-ry, vyhledávání řetězců a náročnost na spotřebovanou paměť.

When we are working with text data, the very common problem is to find fast effective method for finding strings. Under this term, we can imagine various methods for checking duplicates or finding specific values based on search keys. Many of those problems solving algorithms based on hash functions. Hash functions can be used in various application areas. Those can be information authenti-cation, cloud comparisons in could solutions, checking message integrity and many others. The focus of this diploma thesis is to find and compare suitable algorithms for fast text in-dexing, more specific on hexadecimal strings (MD5, SHA-1, SHA-512). When comparing, I will focus on important aspects and constrains of the algorithms, their structural complexity, search-ing for strings and consumed memory.