将UUID编号流随机分成10个存储桶

Question

我正在处理UUIDs流。我的最终目标是将这些数字随机分为10个存储桶，即，将每个数字放入10个存储桶中的任何一个，这样，如果我处理了来自该流的N UUID数字，则在任何给定的时刻我都应该拥有每个存储桶中大约有N/10个数字。我想到了以下想法：

• 获得与给定UUID等效的16字节数组（因为每个UUID具有128位）
• [将16字节的无符号值相加以获得正整数sum。
• 获取sum modulo 100值。
• 模值取决于其值，将属于10个存储桶中的一个：存储桶1：[0，9]，存储桶2：[10，19]，....，存储桶10：[90，99] 。

我尝试了将近200,000个UUID（并用8个不同的流进行了此实验），并观察到每个存储分区的总数接近总数量的10％（介于9.85％至10.15％之间），这似乎是相当随机。我的问题是：

1. 如果不是取16个字节的总和，而是取MD5的哈希值（比如UUID哈希），然后执行这些步骤，我将有更好的机会将它们随机划分？一个更笼统的问题是，是否存在一种数学方法来可视化散列可以在这些情况下提供帮助？
2. 如果您同意第（1）点，那么做同样的事情应该是一个好的哈希算法。
3. 如果您不同意第（1）点，那么您能建议我做一个更好的算法吗？

Answer 1

实际上，您所描述的算法确实实现了哈希函数，因为它将UUID的空间映射到[0，99]中的数字。

您的问题1，然后成为算法定义的哈希函数的输出均匀分布的问题。

您的哈希函数是否比MD5更好地分配了输出，很难说是先验的，因为这将取决于输入流的分配。但是，语言库（例如MD5）中附带的哈希函数通常实现启发式，以避免明显不幸的分发发生冲突。一个具体的例子：说您的输入流仅包含集合中的UUID

00000000-0000-0000-0000-000000000001
00000000-0000-0000-0000-000000000010
.
.
.
10000000-0000-0000-0000-000000000000

然后所有这些都将映射到存储区1，而MD5可能会混乱。

您可以使用chi-squared test来衡量哈希函数对输入样本的效果。