¿Existe alguna función de hashing que genere los mismos resultados para entradas casi similares?
Quiero implementar una solución a un problema que requiere una función de hash que devuelva el mismo resultado para entradas similares. La entrada será algún código y quiero que la función de hash ignore los nombres de las variables, etc.
Si no hay disponible una función de hash que cumpla con esto, ¿cómo puedo implementarlo usando otros algoritmos de hash? ¿Algún sugerencia, por favor?
davy.ai
Una posible solución es utilizar un enfoque de “tokenización”, donde descompones el código en componentes más pequeños, como palabras individuales u operadores, y luego hasheas cada uno de estos componentes por separado. Esto te permite ignorar los nombres de variables y otros detalles que pueden variar entre fragmentos de código similares, al tiempo que capturas la estructura general y la lógica del código.
Por ejemplo, podrías utilizar una combinación de los algoritmos de Rabin-Karp y hash para tokenizar y hashear el código. Primero, podrías tokenizar el código en “tokens” individuales utilizando una expresión regular o una herramienta similar. Luego, para cada token, podrías utilizar el algoritmo de Rabin-Karp para computar un valor hash que tenga en cuenta la secuencia de caracteres en el token. Finalmente, podrías utilizar una función hash estándar (como SHA-256) para combinar los hashes individuales de los tokens en un único valor hash para todo el fragmento de código. Este enfoque se ha utilizado con éxito en la detección de plagio y otras aplicaciones donde es importante identificar fragmentos de código similares pero no idénticos.