ARSV/articles/for-alt/article.md

Исследование и улучшение механизма работы set-строк в ALT RPM

Ориентир на 700 слов, 9к символов (!!!)/(???) - дополнить/уточнить всё ещё куда-то надо включить "хэш клёвый, но медленный, вот тесты"

1. Зачем нужны set-строки

Обычная зависимость от версии библиотеки не гарантирует, что в ней остались все нужные программе символы: символ можно удалить, не сменив SONAME, а одинаковые SONAME могут скрывать разные наборы экспортов. Поэтому ALT RPM использует версии зависимостей вида set:<encoded-set>. Для Provides такая строка описывает символы, предоставляемые библиотекой, а для Requires - символы, которые конкретный потребитель требует от неё. В такой конфигурации сравниваются не номера версий, а включение множеств: все хэши символов из Requires должны присутствовать в Provides. Гарантия вероятностная, поскольку вместо полноценных имён символов хранятся усечённые хэши, но ответ "символ отсутствует", когда он есть мы не получим

2. Структура set-строки

set-строка формируется следующим образом:

1. Список символов формируется автодепами rpm-build.
2. По количеству Provides символов вычисляется bpp (количество бит до которых обрезается хэш символа при формировании строки). (!!!)
3. Для каждого символа считается хэш-функция (используется Jenkins OAAT), хэш обрезается до bpp бит.
4. Массив хэшей сортируются, повторы удаляются.
5. Абсолютные значения заменяются дельтами между значениями
6. Для кодировки Golomb-Rice вычисляется параметр Mshift. (!!!) bpp - log2i(cnt) - 1
7. Массив дельт сжимаются кодировкой Golomb-Rice.
8. Битовый поток преобразуется в Base62-строку.

Примечание: при формировании set-строки для req символов, bpp вычисляется по количеству prov символов в актуальной (???) версии библиотеки для избежания сильного усечения хэшей при небольшом количестве требуемых символов.

Итоговая строка выглядит следующим образом:

set:<bpp_char><Mshift_char><base62 строка>

bpp_char = bpp - 7 + 'a'
Mshift_char = Mshift - 7 + 'a'

Краткая схема:

массив строк
  | (Jenkins OAAT)
  v
массив усечённых хэшей
  | (qsort)
  v
отсортированный массив хэшей
  | (вычисление разницы между элементами)
  v
массив delta
  | (Rice-Golomb преобразование)
  v
битовый массив
  | (base62 преобразование)
  v
set-строка

Механизм сравнения set-строк

Для проверки включения множества символов req в множество prov необходимо выполнить обратное декодирование следующим образом:

set-строка
  | (обратное base62 преобразование)
  v
битовый массив
  | (обратное Rice-Golomb преобразование)
  v
массив delta
  | (вычисление изначальных значений)
  v
массив усечённых хэшей (отсортированный)

Значения хэшей в массивах приводятся к минимальному bpp из двух set-строк (сохраняется отсортированность и дистинктивность(???)).

После получения отсортированных массивов хэшей из set-строк, включение символов (а точнее их усечённых хэш-значений) одного множества во второе проверить не составляет труда.

3. Практическая реализация

Несмотря на описанную структуру set-строки, на практике в текущем lib/set.c применяется множество оптимизаций и улучшений, направленных на ускорение работы rpmsetcmp(const char *set1, const char *set2) (функции, выдающей результат включения множеств). Рассмотрим основные из них.

3.1. Слитый декодер

3.2. Кэширование Provides set-строк

3.3. Быстрое сравнение включения множеств символов

4. Дальнейшие оптимизации