了解数据分布对散列的影响

Question

所以我已经读了Hash functions上的维基百科页面，因为我目前正在玩一些。 在这个页面和我读过的其他来源都提到数据的分布会影响散列函数。

尽管有一些解释，我仍然不清楚这些影响究竟是什么，也许是为什么。所以我的问题：

1. 只是为了确保我已经得到了它的权利，当他们提到 分布，这是每个单词的输入数据 集的频率是多少？
2. 输入数据的分布对散列 函数有什么影响？特别感兴趣的是，散列算法产生的输出的速度和均匀性方面的散列性能。

编辑1： 我从一个更有活力的来源特别是维基百科英语语料库VS数据的思维，Twitter的鸣叫例子。

Answer 1

通常，您没有尽可能多的输入数据集，因为您有可能的输入。因此，分配更具有可行性，即具有某些特征的特定输入将被挑选出来。 （基本上与你所说的相同，但是对于每个单词而不是一些计数n> 1）。如果您知道，输入的第一位始终为1，那么数据不是均匀分布的。

如果你的散列非常简单，例如。通过仅将第一个字节作为“散列”，那么这种非均匀分布将导致比预期更多的冲突。 （即使您预计会得到256个不同的值，也只能有128个值）

您可能通过名称知道的大多数（密码学）散列函数都足够好，因此您不必关心这一点。对于密码学来说，它甚至是一个明确的条件：只需查看哈希的差异，就不能判断输入中有多少位。这并不意味着这是不可能的。我可以隐约记得一篇论文，指出只有ascii字母和数字被散列时，md5的碰撞率会增加。我现在无法找到它，所以请小心使用这些信息 - 但即使我混淆了某些东西，这种情况也很容易实现。不管是md5还是其他算法，如果你确实有这样的关系，那么当然你的输入数据集的分布又是相关的。