一个高效的二进制数据补丁算法(原创)
作者: HouSisong@263.net 2006.04.11
补丁算法在很多地方都很有用,可以用来制作发布软件的升级包、不同版本源代码的增量备份、数据的增量储存等等；这里介绍一种原创的高效的二进制数据补丁算法。
对于文本文件，按行来处理可能是一种直观的方案：求出新数据和老数据相比增加的行、删除的行、修改的行等等；但这种算法对于一般的二进制数据不太适用，本文给出的是一个以二进制数据为对象的解决办法(当然它也能够很好的处理文本文件);
补丁算法简单来说就是求出两个数据块不一致的地方；这些不一致描述起来可能包括（有重叠）：保留的数据、增加的数据、删除的数据、修改的数据、移动的数据等。本算法只使用保留的数据和增加的数据来表示这种不一致（注意，这种表示是完备的!)。 设原来的数据块为OldData,新的数据块为NewData,两个数据之间应该有很多相同的数据段(否则就直接拷贝，不用打补丁了)；现在要求求出一个数据差PatchData,它能够在只有OldData和PatchData的情况下重新生成NewData；
算法的前提和假设:假设两个数据块为OldData大小M字节,NewData大小N字节；OldData和NewData有很多相同的数据段；如果我们构造一个 N(宽)*M(高) 大小的只包含false和true的布尔值矩阵E，令矩阵中i,j处的的元素值E[i,j]，E[i,j]=(NewData[i]==OldData[j])； (注意:矩阵E不一定要实际生成,因为它的元素值很容易得到); (这时E的(0,0)点在左上角，(N-1,M-1)点在右下角;)
矩阵E中相邻的连续的true值将组成很多的直线段；对于这些直线段推理可以得知: 横线“-”是没有任何意义的（说明OldData中有一段数据由单个字符组成），竖线“|”对于最后的压缩效果意义不大(说明NewData中有一段数据由单个字符组成)，右斜线'/'说明有一段NewData和一段OldData数据正好顺序颠倒(一般的应用中假设它很少见而不考虑)；那么算法现在的任务就是要在矩阵E中找到多条由true组成的连续左斜线'\'，并且这些左斜线长度大于一个常数(我得到的经验值为7,更短的直线段意义不大)；在这些左斜线中找出对“覆盖”NewData最佳的一种直线组合；那么补丁数据PatchData将由这些直线数据和NewData中没有被覆盖到的数据所组成； 理论上这将得到最好的补丁数据！
找出满足要求的左斜线的算法：建立OldData的后缀数组OldDataStr，然后用NewData来匹配，从而找出所有的匹配(即左斜线)； (尝试过使用后缀树，算法复杂度线性O(N)，速度会快一点，但内存消耗太大了；其实N*log2(N)的算法也不慢:)
算法伪代码:
int NodeSize=1;//增大NodeSize的值可以减小内存需求,加快速度,但得到的PatchData会稍大一点
OldDataStr=new (*Byte)[M/NodeSize];
for (i=0 to (OldDataSize/NodeSize)-1) OldDataStr[i]=&OldData[i*NodeSize];
QuickSortAsString(OldDataStr);//排序后缀数组；排序方法是把元素OldDataStr[i]看作是从OldDataStr[i]开始到&OldData[M]结束的数据字符串(注意可以有0),按字符串大小排序；（这里是最耗时的操作，可以做一些排序优化）
it=&NewData[0];//将it看作从it开始到&NewData[N]结束的数据字符串；
while (it<&NewData[N])
{
itfinded=FindInOldDataStr(it);//在OldDataStr表中查找it字符串的插入位置；C++中可以利用LowerBound
itfinded=BestEqualLength(itfinded)//在itfinded字典位置附近得到最接近it的位置；也就是最长的相同字符串前缀(其他长度的舍弃)
if (EqualLength(itfinded,it)>AConstLength)// AConstLength=7，它体现分段代价
AddOldLine(it,itfinded)//找到了NewData中的一段数据可以用OldData中的数据代替
++it;
}
处理左斜线：令找到的所有左斜线为集合L,现在的任务是找到一条穿过这些直线的最佳路径；(先对L进行排序)如果其中一条线a完全覆盖另一条线b，则从L中删除b；如果a,b两个线段在一条直线上，并且间隔很小，则他们是可以优化的(优化方法是：把它们联接成一条直线段，中间的间隔部分对应的NewData数据同样需要放到PatchData中)，对于不容易优化的独立直线，并且比较短(经验值18)，可以从L中删除;对于没有重叠的线段，直接选为路径直线段，对于有重叠的线段，需要计算通过它们的各种组合所产生的大小代价(带权值的路径搜索)；简单处理的话也可以一次只处理少量重叠的线段，毕竟重叠出现的不多；
生成补丁数据PatchData：将路径直线段数据保存到PacthData中，将没有被直线段覆盖的NewData数据拷贝到PatchData中；
考虑中的改进：为exe文件作优化,利用exe文件的特点(就是大量偏移地址)，先做一些处理，然后再使用上面的算法。
数据还原算法: 输入PatchData和OldData,输出NewData。 按PatchData的直线段描述从OldData中拷贝数据到新的NewData数据区中，然后拷贝PachData中保存的NewData数据到现在的NewData数据区中，完成。
（ 我使用过VPatch，它是一个开放源代码的补丁工具，二进制压缩，很好用，在inno安装工具中也有使用，压缩效果还不错；地址：http://www.tibed.net/vpatch/
我的算法产生的补丁数据(一些游戏程序)和VPatch产生的补丁数据在压缩后比较，压缩率比VPatch高40%左右！ 速度也快出很多！
）
