Komprese pomocí algoritmu Context-Mixing

Abstract

Algoritmy založené na principu míchání kontextů patří v současné době mezi ty, které při kompresi dosahují těch nejlepších výsledků. Tohoto vynikajícího komprimačního poměru však dosahují na úkor rychlosti svého běhu a také operační paměti, kterou pro kompresi potřebují. Principem těchto algoritmů je udržování několika statistických modelů a vhodným mixováním jejich výsledků dosahovat nejvyššího kompresního poměru. V této práci se seznámíme s algoritmem DiplomaCM, který implementací vhodných statistických modelů a exponenciálním mixováním kontextů dosahuje především vyšších rychlostí. Dále je uvedena i konkrétní implementace algoritmu a otestován její kompresní poměr i čas komprese ve srovnání s již existujícími metodami nebo algoritmy. V závěru jsou také navržena možná zlepšení a popis možnosti implementace paralelizace tohoto algoritmu.

Algorithms based on the principle of Context-mixing currently belongs among compressors which achieve the best results. This excellent compression ratio they reach at the expense of his running speed and memory, they need to compress. The principle of these algorithms is the maintenance of several statistical models and appropriate mixing their results so that compression reaching the highest compression ratio. In this diploma thesis we become familiar with the algorithm DiplomaCM which implements appropriate statistical models and exponential context-mixing is particularly noticeable at its higher speeds. The following is the concrete implementation of the algorithm and tests its compression ratio and the compression time compared to existing methods or algorithms. The conclusion also suggest possible improvements and description possibilities of parallel implementation of this algorithm.