[发明专利]一种文件摘要的提取方法

说明书

技术领域

本发明涉及一种文件摘要的提取方法，属于数据处理技术领域。 

背景技术

现有的被广泛采用的文件摘要方法，大部分都是利用散列(哈希)函数对文件数据进行扫描，从而生成固定长度的散列值，把该散列值作为文件的摘要。数学表述为：h＝H(M)，其中H()为单向散列函数，M为任意长度原始文件数据，h为固定长度散列值。由于大部分散列算法主要应用在信息安全领域，它的优点是即使M有极小的变化(增加、删除或修改任意一个字节)所产成的散列值h也会完全不同，所以这种文件摘要方法具有很强的防篡改特性。 

但是，由于以上的防篡改特性，通过现有的生成文件摘要的方法，无法根据已经生成的两个文件摘要来判断原始两个文件之间的相似程度。 

发明内容

本发明的目的是提出一种新的文件摘要提取方法，使得通过不同原始文件的摘要可以判断出原始文件之间的相似程度。 

本发明提出的文件摘要提取方法，包括以下各步骤： 

(1)生成一个由多个字节组成的字节序列，字节序列中每个字节的值互不相同； 

(2)将文件按照单位长度切分为一个或多个数据块，； 

(3)分别扫描组成上述各数据块的字节取值，将该字节取值与上述字节序列中各字节取值进行比较，分别统计数据块的字节取值与上述字节序列中的字节取值相等的字节数量； 

(4)设定一个非数字的数量分隔符，使得该分隔符与表示上述字节数量的符号不相等，依次检查一个或多个数据块中的所有字节数量的符号，当字节数量符号超过一个时，在该字节数量符号的两侧添加该数量分隔符，将所有字节数量和数量分隔符组成一个或多个中间序列； 

(5)设定一个非数字的符号作为边界分隔符，该边界分隔符与上述数量分隔符和上述数量符号不相等； 

(6)将上述多个中间序列依次相互连接，每两个中间序列之间添加上述边界分隔符，得到文件摘要。 

本发明提出的文件摘要提取方法，提取原始文件数据中不同的字节值出现的数量，同 时采用分块的方法兼顾了数据的顺序特征。采用本发明的摘要提取方法，可以根据摘要值迅速判断出两个文件的相似程度，在没有得到原始文件数据的情况下，也可以得出不同原始文件的相似程度。 

具体实施方式

本发明提出的文件摘要提取方法，包括以下步骤： 

(1)生成一个由多个字节组成的字节序列，字节序列中每个字节的值互不相同； 

(2)将文件按照单位长度切分为一个或多个数据块，； 

(3)分别扫描组成上述各数据块的字节取值，将该字节取值与上述字节序列中各字节取值进行比较，分别统计数据块的字节取值与上述字节序列中的字节取值相等的字节数量； 

(4)设定一个非数字的数量分隔符，使得该分隔符与表示上述字节数量的符号不相等，依次检查一个或多个数据块中的所有字节数量的符号，当字节数量符号超过一个时，在该字节数量符号的两侧添加该数量分隔符，将所有字节数量和数量分隔符组成一个或多个中间序列； 

(5)设定一个非数字的符号作为边界分隔符，该边界分隔符与上述数量分隔符和上述数量符号不相等； 

(6)将上述多个中间序列依次相互连接，每两个中间序列之间添加上述边界分隔符，得到文件摘要。 

以下详细介绍本发明的内容： 

首先：根据用户对文件摘要的准确性要求，生成一个字节序列，生成一个由多个字节组成的字节序列，字节序列中每个字节的值互不相同。准确性要求越高，字节序列的长度越长，由于每个字节的取值范围是0到255，所以该字节序列最长等于256，即包含所有在文件数据中出现的字节可能的取值情况。对于某些文件类型，有可能预知文件数据中出现的字节可能的取值范围。 

比如某种英文文本文件，只可能出现取ASCII码小写26个英文字母码值的字节，那么字节序列就可以由26个ASCII码值组成，因为其它的字节值不会在文件数据中出现，这样可以减小摘要的长度。 

也可以随机取少数字节值组成字节序列，这样摘要长度可以更短，但是准确性会降低，因为在后面统计过程中，字节序列中没包含的字节值不会被统计到，这些信息就会丢失。