尧图网站建设 
《Hello 算法》哈希算法深度解析从哈希函数设计到工程实践【免费下载链接】hello-algo《Hello 算法》动画图解、一键运行的数据结构与算法教程。支持简中、繁中、English、日本語提供 Python, Java, C, C, C#, JS, Go, Swift, Rust, Ruby, Kotlin, TS, Dart 等代码实现项目地址: https://gitcode.com/GitHub_Trending/he/hello-algo本文以《Hello 算法》hello-algo开源仓库中 ru/docs/chapter_hashing/hash_algorithm.md 为主体系统讲解哈希算法Hash Algorithm的设计目标、简单哈希构造方法、取模大质数的原理、主流哈希算法对比以及各编程语言内置哈希的实现差异。读者学完本文将能理解哈希函数为何是哈希表性能的灵魂掌握从解决冲突到减少冲突的设计思路转变并能在实际工程中正确选择哈希算法与哈希键类型。哈希冲突的根源哈希函数决定键值分布在前面两节中我们分别介绍了哈希表的原理与冲突处理方法——链式地址法Chaining与开放寻址法Open Addressing。需要特别强调的是这两种方法都只是在冲突发生后让哈希表还能正常工作并不能降低冲突发生的概率本身。相关实现可参考 链式地址哈希表Python 与 开放寻址哈希表Python。如果哈希冲突过于频繁哈希表的性能会急剧恶化。下图对比了链式地址法下哈希表的两种极端情况理想情况下键值对均匀分布在各个桶Bucket中查找效率最优最坏情况下所有键值对都堆积在同一个桶中形成长链表查找的时间复杂度退化为 $O(n)$。那么是什么决定了键值对的分布呢答案是哈希函数。回顾哈希表计算桶索引的过程需要先计算哈希值再对数组长度取模index hash(key) % capacity从这条公式可以看出当哈希表容量capacity固定时真正决定输出结果的是哈希算法hash()本身因此键值对在哈希表中的分布也由它决定。这意味着要想减少哈希冲突就应该把注意力集中在设计更好的哈希算法hash()上。哈希算法的目标快、稳、均匀要让哈希表既快又可靠哈希算法需要具备以下三个基本性质确定性Determinism对于相同的输入哈希算法必须始终输出相同的结果。只有这样才能保证哈希表行为的可复现与可靠。高效性Efficiency哈希值的计算必须足够快计算开销越小哈希表的实用价值越高。均匀分布Uniform Distribution哈希算法应尽量让键值对在哈希表中均匀分布。分布越均匀哈希冲突的概率越低。哈希算法的更多应用场景在实践中哈希算法的应用远不止哈希表还包括密码存储系统通常不直接保存用户明文密码而是保存其哈希值。用户输入密码后系统计算输入值的哈希并与存储值比对一致则判定密码正确。数据完整性校验发送方计算数据的哈希值并随数据一同发出接收方重新计算并比对若一致则认为数据在传输过程中未被篡改。密码学场景下的安全属性对于涉及密码学安全的应用为了防止通过哈希值反推原始密码等逆向分析行为哈希算法还需要满足更严格的安全性质单向性One-way仅凭哈希值无法还原出输入数据的任何信息。抗碰撞性Collision Resistance极难找到两个不同输入却拥有相同哈希值。雪崩效应Avalanche Effect输入数据的微小变化应导致输出结果发生明显且不可预测的改变。这里需要特别澄清一个常见误区均匀分布与抗碰撞性是两个相互独立的概念满足前者并不意味着自动满足后者。例如对于随机分布的输入keykey % 100可能产生足够均匀的分布但这个算法过于简单——所有末两位相同的key都会得到相同结果攻击者可以据此轻易构造出碰撞的key例如用于破解密码。设计简单的哈希算法设计哈希算法是一项需要考虑诸多因素的复杂工程但在一些对安全性要求不高的场景下可以设计出以下几种简单实用的哈希算法加法哈希Additive Hash将输入字符串所有字符的 ASCII 码相加以总和作为哈希值。乘法哈希Multiplicative Hash利用乘法的不相关性每一步都将当前值乘以一个常数再加上当前字符的 ASCII 码。异或哈希XOR Hash通过异或运算把输入数据的各个元素逐步累积到一个哈希值中。旋转哈希Rotational Hash逐个累积字符的 ASCII 码但每次累积前先对哈希值做循环移位。在仓库中这四个算法都有完整的跨语言实现例如 simple_hash.pyPython 和 simple_hash.cC。以 Python 实现为例其核心代码如下def add_hash(key: str) - int: 加法哈希 hash 0 modulus 1000000007 for c in key: hash ord(c) return hash % modulus def mul_hash(key: str) - int: 乘法哈希 hash 0 modulus 1000000007 for c in key: hash 31 * hash ord(c) return hash % modulus def xor_hash(key: str) - int: 异或哈希 hash 0 modulus 1000000007 for c in key: hash ^ ord(c) return hash % modulus def rot_hash(key: str) - int: 旋转哈希 hash 0 modulus 1000000007 for c in key: hash (hash 4) ^ (hash 28) ^ ord(c) return hash % modulus观察这四种实现可以发现一个共同点最后一步都是对一个大质数 $1000000007$ 取模以保证哈希值保持在合理范围内、避免溢出。那么问题来了为什么强调取模的模数要选质数使用合数作为模数会有什么缺陷这是一个非常值得深入思考的问题。为什么取模要用大质数先给出结论使用大质数作为模数能在最大程度上保证哈希值的均匀分布。因为质数与其他数没有公因数这有助于削弱取余运算中产生的周期性规律从而降低哈希冲突的发生频率。不妨用一个具体例子来验证。假设我们选择合数 $9$ 作为模数由于 $9$ 可以被 $3$ 整除所有能被 $3$ 整除的key只会被映射到 $0$、$3$、$6$ 三个哈希值上$$ \begin{aligned} \text{modulus} 9 \newline \text{key} { 0, 3, 6, 9, 12, 15, 18, 21, 24, 27, 30, 33, \dots } \newline \text{hash} { 0, 3, 6, 0, 3, 6, 0, 3, 6, 0, 3, 6,\dots } \end{aligned} $$如果输入key恰好符合这种等差数列分布哈希值就会开始聚集从而加剧哈希冲突。现在把模数换成质数 $13$由于key与modulus之间没有公因数哈希值分布的均匀性会显著改善$$ \begin{aligned} \text{modulus} 13 \newline \text{key} { 0, 3, 6, 9, 12, 15, 18, 21, 24, 27, 30, 33, \dots } \newline \text{hash} { 0, 3, 6, 9, 12, 2, 5, 8, 11, 1, 4, 7, \dots } \end{aligned} $$需要说明的是如果能够保证key本身是随机且均匀分布的那么模数选质数还是合数区别并不大两种都能得到均匀分布但一旦key的分布存在周期性取模合数就更容易导致聚簇Clustering。因此实践中我们通常选择质数作为模数并且这个质数宜大不宜小以尽可能消除周期性规律、提高哈希算法的稳健性。这也是上面四个简单哈希算法统一采用 $1000000007$即 $10^97$的原因。主流哈希算法对比MD5 与 SHA 家族需要承认的是上述简单哈希算法都比较脆弱与前面设定的目标相去甚远。例如加法和异或满足交换律因此加法哈希和异或哈希无法区分由相同字符构成但排列顺序不同的字符串这既会加剧哈希冲突也可能带来安全隐患。在实践中我们通常使用 MD5、SHA-1、SHA-2、SHA-3 等标准哈希算法它们能够将任意长度的输入映射为固定长度的哈希值。近百年来哈希算法持续演进一部分研究者致力于提升性能另一部分研究者与黑客则专注于寻找其安全漏洞。下表汇总了实际应用中常见的几种哈希算法MD5SHA-1SHA-2SHA-3诞生年份1992199520022008输出长度128 bit160 bit256/512 bit224/256/384/512 bit哈希碰撞频繁频繁罕见罕见安全等级低已被成功攻破低已被成功攻破高高应用场景已过时但仍用于数据完整性校验已过时加密货币交易验证、数字签名等可作为 SHA-2 的替代对各算法的选型建议如下MD5 与 SHA-1已被多次成功攻击在绝大多数需要安全性的场景中已被淘汰。SHA-256SHA-2 家族目前最可靠的哈希算法之一至今未出现已知的实际攻击手段被广泛应用于各类协议与安全系统。SHA-3相比 SHA-2 实现开销更小、计算效率更高但目前普及程度仍不及 SHA-2 家族。数据结构的内置哈希值哈希表的key可以是整数、浮点数、字符串等多种数据类型。编程语言通常为这些类型提供内置的哈希算法用于计算其在哈希表中的桶索引。以 Python 为例可以调用内置函数hash()计算各种数据类型的哈希值完整可运行示例见 built_in_hash.py整数与布尔值的哈希值等于其本身布尔值True的哈希值为1。浮点数与字符串的哈希计算较为复杂感兴趣的读者可以自行深入研究。元组的哈希值通过对每个元素分别哈希后再合并得到。对象的哈希值通常基于其内存地址构建如果重写对象的__hash__方法则可以实现基于内容的哈希计算。num 3 hash_num hash(num) # 整数 3 的哈希值为 3 bol True hash_bol hash(bol) # 布尔值 True 的哈希值为 1 dec 3.14159 hash_dec hash(dec) # 浮点数 3.14159 的哈希值为 326484311674566659 str Hello 算法 hash_str hash(str) # 字符串 Hello 算法 的哈希值为 4617003410720528961 tup (12836, 小哈) hash_tup hash(tup) # 元组 (12836, 小哈) 的哈希值为 1029005403108185979 obj ListNode(0) hash_obj hash(obj) # 节点对象 ListNode object at 0x1058fd810 的哈希值为 274267521不同语言的内置哈希接口与结果差异很大这里给出一个跨语言对照完整代码见 built_in_hash.py 及仓库codes/*/chapter_hashing/built_in_hash.*下各语言对应文件C通过std::hashT()函数对象计算hashint()(3)返回3但 C 内置std::hash仅覆盖基础类型数组和自定义对象通常需要自行实现哈希。Java通过包装类型的静态方法计算如Integer.hashCode(3)返回3、Boolean.hashCode(true)返回1231、Double.hashCode(3.14159)返回-1340954729字符串与数组分别使用str.hashCode()与Arrays.hashCode(arr)。C#通过GetHashCode()实例方法计算整数3返回3浮点数3.14159返回-1340954729。Swift通过hashValue属性计算如num.hashValue注意 Swift 对同一值每次进程运行的哈希结果可能不同。Dart / Kotlin / Ruby均提供hashCodeKotlin或hashRuby接口例如 Dart 中num.hashCode为34803Ruby 中3.hash为-4385856518450339636。Rust没有内置的hash()函数需要通过DefaultHasher配合Hash、Hashertrait 手动完成哈希计算例如num.hash(mut num_hasher)后调用finish()获取结果。Go / JavaScript / TypeScript / C语言本身不提供内置的哈希码hash code接口需要借助标准库或自行实现。!!! tip不同编程语言对内置哈希值的定义和计算方式各不相同运行同一程序在不同语言中得到的结果可能完全不同跨语言移植时切勿假设哈希值一致。为什么只有不可变对象能当 key在许多编程语言中哈希表的key只能使用不可变对象。例如如果使用列表动态数组作为key一旦列表内容被修改其哈希值也会改变导致我们再也无法在哈希表中找到原先存储的value。那么像链表节点这样的自定义对象其字段明明是可变的为什么仍然可以哈希原因在于对象的哈希值通常基于内存地址构建即使对象内容发生变化其内存地址保持不变因此哈希值也不会改变。Python 的随机盐与 HashDoS 防护细心的读者可能会发现同一程序在不同终端运行时输出的字符串哈希值并不相同。这是因为 Python 解释器每次启动时都会为字符串哈希函数注入一个随机的盐Salt。这一机制能有效抵御 HashDoS 攻击——攻击者通过构造大量哈希碰撞的输入来拖垮哈希表而随机盐使攻击者无法在运行前预知哈希函数的内部行为从而显著提升哈希算法的安全性。总结回到本仓库哈希章节的整体脉络哈希表的可靠性由两个层次共同保障——哈希函数负责减少冲突冲突处理策略链式地址、开放寻址负责消化冲突。本文聚焦前者从哈希算法的三大目标出发依次探讨了简单哈希的构造、取模大质数的数学原理、MD5 与 SHA 家族的选型以及各语言内置哈希的差异。理解这些内容后无论是设计自定义哈希函数、选择加密哈希算法还是决定何种类型可以作为哈希键你都能做出更有依据的工程决策。如需进一步了解冲突处理的具体实现可继续阅读仓库中的 哈希冲突处理 与 哈希表基础。【免费下载链接】hello-algo《Hello 算法》动画图解、一键运行的数据结构与算法教程。支持简中、繁中、English、日本語提供 Python, Java, C, C, C#, JS, Go, Swift, Rust, Ruby, Kotlin, TS, Dart 等代码实现项目地址: https://gitcode.com/GitHub_Trending/he/hello-algo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 《Hello 算法》哈希算法深度解析：从哈希函数设计到工程实践
《Hello 算法》哈希算法深度解析从哈希函数设计到工程实践【免费下载链接】hello-algo《Hello 算法》动画图解、一键运行的数据结构与算法教程。支持简中、繁中、English、日本語提供 Python, Java, C, C, C#, JS, Go, Swift, Rust, Ruby, Kotlin, TS, Dart 等代码实现项目地址: https://gitcode.com/GitHub_Trending/he/hello-algo本文以《Hello 算法》hello-algo开源仓库中 ru/docs/chapter_hashing/hash_algorithm.md 为主体系统讲解哈希算法Hash Algorithm的设计目标、简单哈希构造方法、取模大质数的原理、主流哈希算法对比以及各编程语言内置哈希的实现差异。读者学完本文将能理解哈希函数为何是哈希表性能的灵魂掌握从解决冲突到减少冲突的设计思路转变并能在实际工程中正确选择哈希算法与哈希键类型。哈希冲突的根源哈希函数决定键值分布在前面两节中我们分别介绍了哈希表的原理与冲突处理方法——链式地址法Chaining与开放寻址法Open Addressing。需要特别强调的是这两种方法都只是在冲突发生后让哈希表还能正常工作并不能降低冲突发生的概率本身。相关实现可参考 链式地址哈希表Python 与 开放寻址哈希表Python。如果哈希冲突过于频繁哈希表的性能会急剧恶化。下图对比了链式地址法下哈希表的两种极端情况理想情况下键值对均匀分布在各个桶Bucket中查找效率最优最坏情况下所有键值对都堆积在同一个桶中形成长链表查找的时间复杂度退化为 $O(n)$。那么是什么决定了键值对的分布呢答案是哈希函数。回顾哈希表计算桶索引的过程需要先计算哈希值再对数组长度取模index hash(key) % capacity从这条公式可以看出当哈希表容量capacity固定时真正决定输出结果的是哈希算法hash()本身因此键值对在哈希表中的分布也由它决定。这意味着要想减少哈希冲突就应该把注意力集中在设计更好的哈希算法hash()上。哈希算法的目标快、稳、均匀要让哈希表既快又可靠哈希算法需要具备以下三个基本性质确定性Determinism对于相同的输入哈希算法必须始终输出相同的结果。只有这样才能保证哈希表行为的可复现与可靠。高效性Efficiency哈希值的计算必须足够快计算开销越小哈希表的实用价值越高。均匀分布Uniform Distribution哈希算法应尽量让键值对在哈希表中均匀分布。分布越均匀哈希冲突的概率越低。哈希算法的更多应用场景在实践中哈希算法的应用远不止哈希表还包括密码存储系统通常不直接保存用户明文密码而是保存其哈希值。用户输入密码后系统计算输入值的哈希并与存储值比对一致则判定密码正确。数据完整性校验发送方计算数据的哈希值并随数据一同发出接收方重新计算并比对若一致则认为数据在传输过程中未被篡改。密码学场景下的安全属性对于涉及密码学安全的应用为了防止通过哈希值反推原始密码等逆向分析行为哈希算法还需要满足更严格的安全性质单向性One-way仅凭哈希值无法还原出输入数据的任何信息。抗碰撞性Collision Resistance极难找到两个不同输入却拥有相同哈希值。雪崩效应Avalanche Effect输入数据的微小变化应导致输出结果发生明显且不可预测的改变。这里需要特别澄清一个常见误区均匀分布与抗碰撞性是两个相互独立的概念满足前者并不意味着自动满足后者。例如对于随机分布的输入keykey % 100可能产生足够均匀的分布但这个算法过于简单——所有末两位相同的key都会得到相同结果攻击者可以据此轻易构造出碰撞的key例如用于破解密码。设计简单的哈希算法设计哈希算法是一项需要考虑诸多因素的复杂工程但在一些对安全性要求不高的场景下可以设计出以下几种简单实用的哈希算法加法哈希Additive Hash将输入字符串所有字符的 ASCII 码相加以总和作为哈希值。乘法哈希Multiplicative Hash利用乘法的不相关性每一步都将当前值乘以一个常数再加上当前字符的 ASCII 码。异或哈希XOR Hash通过异或运算把输入数据的各个元素逐步累积到一个哈希值中。旋转哈希Rotational Hash逐个累积字符的 ASCII 码但每次累积前先对哈希值做循环移位。在仓库中这四个算法都有完整的跨语言实现例如 simple_hash.pyPython 和 simple_hash.cC。以 Python 实现为例其核心代码如下def add_hash(key: str) - int: 加法哈希 hash 0 modulus 1000000007 for c in key: hash ord(c) return hash % modulus def mul_hash(key: str) - int: 乘法哈希 hash 0 modulus 1000000007 for c in key: hash 31 * hash ord(c) return hash % modulus def xor_hash(key: str) - int: 异或哈希 hash 0 modulus 1000000007 for c in key: hash ^ ord(c) return hash % modulus def rot_hash(key: str) - int: 旋转哈希 hash 0 modulus 1000000007 for c in key: hash (hash 4) ^ (hash 28) ^ ord(c) return hash % modulus观察这四种实现可以发现一个共同点最后一步都是对一个大质数 $1000000007$ 取模以保证哈希值保持在合理范围内、避免溢出。那么问题来了为什么强调取模的模数要选质数使用合数作为模数会有什么缺陷这是一个非常值得深入思考的问题。为什么取模要用大质数先给出结论使用大质数作为模数能在最大程度上保证哈希值的均匀分布。因为质数与其他数没有公因数这有助于削弱取余运算中产生的周期性规律从而降低哈希冲突的发生频率。不妨用一个具体例子来验证。假设我们选择合数 $9$ 作为模数由于 $9$ 可以被 $3$ 整除所有能被 $3$ 整除的key只会被映射到 $0$、$3$、$6$ 三个哈希值上$$ \begin{aligned} \text{modulus} 9 \newline \text{key} { 0, 3, 6, 9, 12, 15, 18, 21, 24, 27, 30, 33, \dots } \newline \text{hash} { 0, 3, 6, 0, 3, 6, 0, 3, 6, 0, 3, 6,\dots } \end{aligned} $$如果输入key恰好符合这种等差数列分布哈希值就会开始聚集从而加剧哈希冲突。现在把模数换成质数 $13$由于key与modulus之间没有公因数哈希值分布的均匀性会显著改善$$ \begin{aligned} \text{modulus} 13 \newline \text{key} { 0, 3, 6, 9, 12, 15, 18, 21, 24, 27, 30, 33, \dots } \newline \text{hash} { 0, 3, 6, 9, 12, 2, 5, 8, 11, 1, 4, 7, \dots } \end{aligned} $$需要说明的是如果能够保证key本身是随机且均匀分布的那么模数选质数还是合数区别并不大两种都能得到均匀分布但一旦key的分布存在周期性取模合数就更容易导致聚簇Clustering。因此实践中我们通常选择质数作为模数并且这个质数宜大不宜小以尽可能消除周期性规律、提高哈希算法的稳健性。这也是上面四个简单哈希算法统一采用 $1000000007$即 $10^97$的原因。主流哈希算法对比MD5 与 SHA 家族需要承认的是上述简单哈希算法都比较脆弱与前面设定的目标相去甚远。例如加法和异或满足交换律因此加法哈希和异或哈希无法区分由相同字符构成但排列顺序不同的字符串这既会加剧哈希冲突也可能带来安全隐患。在实践中我们通常使用 MD5、SHA-1、SHA-2、SHA-3 等标准哈希算法它们能够将任意长度的输入映射为固定长度的哈希值。近百年来哈希算法持续演进一部分研究者致力于提升性能另一部分研究者与黑客则专注于寻找其安全漏洞。下表汇总了实际应用中常见的几种哈希算法MD5SHA-1SHA-2SHA-3诞生年份1992199520022008输出长度128 bit160 bit256/512 bit224/256/384/512 bit哈希碰撞频繁频繁罕见罕见安全等级低已被成功攻破低已被成功攻破高高应用场景已过时但仍用于数据完整性校验已过时加密货币交易验证、数字签名等可作为 SHA-2 的替代对各算法的选型建议如下MD5 与 SHA-1已被多次成功攻击在绝大多数需要安全性的场景中已被淘汰。SHA-256SHA-2 家族目前最可靠的哈希算法之一至今未出现已知的实际攻击手段被广泛应用于各类协议与安全系统。SHA-3相比 SHA-2 实现开销更小、计算效率更高但目前普及程度仍不及 SHA-2 家族。数据结构的内置哈希值哈希表的key可以是整数、浮点数、字符串等多种数据类型。编程语言通常为这些类型提供内置的哈希算法用于计算其在哈希表中的桶索引。以 Python 为例可以调用内置函数hash()计算各种数据类型的哈希值完整可运行示例见 built_in_hash.py整数与布尔值的哈希值等于其本身布尔值True的哈希值为1。浮点数与字符串的哈希计算较为复杂感兴趣的读者可以自行深入研究。元组的哈希值通过对每个元素分别哈希后再合并得到。对象的哈希值通常基于其内存地址构建如果重写对象的__hash__方法则可以实现基于内容的哈希计算。num 3 hash_num hash(num) # 整数 3 的哈希值为 3 bol True hash_bol hash(bol) # 布尔值 True 的哈希值为 1 dec 3.14159 hash_dec hash(dec) # 浮点数 3.14159 的哈希值为 326484311674566659 str Hello 算法 hash_str hash(str) # 字符串 Hello 算法 的哈希值为 4617003410720528961 tup (12836, 小哈) hash_tup hash(tup) # 元组 (12836, 小哈) 的哈希值为 1029005403108185979 obj ListNode(0) hash_obj hash(obj) # 节点对象 ListNode object at 0x1058fd810 的哈希值为 274267521不同语言的内置哈希接口与结果差异很大这里给出一个跨语言对照完整代码见 built_in_hash.py 及仓库codes/*/chapter_hashing/built_in_hash.*下各语言对应文件C通过std::hashT()函数对象计算hashint()(3)返回3但 C 内置std::hash仅覆盖基础类型数组和自定义对象通常需要自行实现哈希。Java通过包装类型的静态方法计算如Integer.hashCode(3)返回3、Boolean.hashCode(true)返回1231、Double.hashCode(3.14159)返回-1340954729字符串与数组分别使用str.hashCode()与Arrays.hashCode(arr)。C#通过GetHashCode()实例方法计算整数3返回3浮点数3.14159返回-1340954729。Swift通过hashValue属性计算如num.hashValue注意 Swift 对同一值每次进程运行的哈希结果可能不同。Dart / Kotlin / Ruby均提供hashCodeKotlin或hashRuby接口例如 Dart 中num.hashCode为34803Ruby 中3.hash为-4385856518450339636。Rust没有内置的hash()函数需要通过DefaultHasher配合Hash、Hashertrait 手动完成哈希计算例如num.hash(mut num_hasher)后调用finish()获取结果。Go / JavaScript / TypeScript / C语言本身不提供内置的哈希码hash code接口需要借助标准库或自行实现。!!! tip不同编程语言对内置哈希值的定义和计算方式各不相同运行同一程序在不同语言中得到的结果可能完全不同跨语言移植时切勿假设哈希值一致。为什么只有不可变对象能当 key在许多编程语言中哈希表的key只能使用不可变对象。例如如果使用列表动态数组作为key一旦列表内容被修改其哈希值也会改变导致我们再也无法在哈希表中找到原先存储的value。那么像链表节点这样的自定义对象其字段明明是可变的为什么仍然可以哈希原因在于对象的哈希值通常基于内存地址构建即使对象内容发生变化其内存地址保持不变因此哈希值也不会改变。Python 的随机盐与 HashDoS 防护细心的读者可能会发现同一程序在不同终端运行时输出的字符串哈希值并不相同。这是因为 Python 解释器每次启动时都会为字符串哈希函数注入一个随机的盐Salt。这一机制能有效抵御 HashDoS 攻击——攻击者通过构造大量哈希碰撞的输入来拖垮哈希表而随机盐使攻击者无法在运行前预知哈希函数的内部行为从而显著提升哈希算法的安全性。总结回到本仓库哈希章节的整体脉络哈希表的可靠性由两个层次共同保障——哈希函数负责减少冲突冲突处理策略链式地址、开放寻址负责消化冲突。本文聚焦前者从哈希算法的三大目标出发依次探讨了简单哈希的构造、取模大质数的数学原理、MD5 与 SHA 家族的选型以及各语言内置哈希的差异。理解这些内容后无论是设计自定义哈希函数、选择加密哈希算法还是决定何种类型可以作为哈希键你都能做出更有依据的工程决策。如需进一步了解冲突处理的具体实现可继续阅读仓库中的 哈希冲突处理 与 哈希表基础。【免费下载链接】hello-algo《Hello 算法》动画图解、一键运行的数据结构与算法教程。支持简中、繁中、English、日本語提供 Python, Java, C, C, C#, JS, Go, Swift, Rust, Ruby, Kotlin, TS, Dart 等代码实现项目地址: https://gitcode.com/GitHub_Trending/he/hello-algo创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考