AC算法詳解.docx

一、概述AC算法是一个经典的多模式匹配算法，可以保证对于给定的长度为n的文本，和模式集合P{p1,p2,...pm}，在O(n)时间复杂度内，找到文本中的所有目标模式，而与模式集合的规模m无关。要理解AC算法，仍然需要对KMP算法的透彻理解。KMP中我们用两个指针i和j分别表示，A[i-j+ 1..i]（目标串）与B[1..j]（模式串）完全相等。也就是说，i是不断增加的，随着i的增加j相应地变化，且j满足以A[i]结尾的长度为j的字符串正好匹配B串的前j个字符，当A[i+1]≠B[j+1]，KMP的策略是调整j的位置（减小j值）使得A[i-j+1..i]与B[1..j]保持匹配且新的B[j+1]恰好与A[i+1]匹配，而next函数恰恰记录了这个j应该调整到的位置。同样AC自动机的失败指针具有同样的功能，也就是说当我们的模式串在Tire上进行匹配时，如果与当前节点的关键字不能继续匹配的时候，就应该去当前节点的失败指针所指向的节点继续进行匹配。算法就是这样应用有限自动机巧妙地将字符比较转化为了状态转移。此算法有两个特点，一个是扫描文本时完全不需要回溯，另一个是时间复杂度为O(n)，时间复杂度与关键字的数目和长度无关，但所需时间和文本长度以及所有关键字的总长度成正比。AC算法有三个主要步骤，一个是字典树tire的构造（即构造转向函数），一个是搜索路径的确定（即构造失败函数），还有就是模式匹配过程。二、AC算法思想算法的基本思想是这样的：在预处理阶段，AC自动机算法建立了三个函数，转向函数goto，失效函数failure和输出函数output，由此构造了一个树型有限自动机。在搜索查找阶段，则通过这三个函数的交叉使用扫描文本，定位出关键字在文本中的所有出现位置。下图是多模式{he， she， his ，hers}构成的一个确定性有限状态机，做几点说明：图 2.11、 该状态机优先按照实线标注的状态转换路径进行转换，当所有实线标注的状态转换路径条件不能满足时，按照虚线的状态转换路径进行状态转换。如：状态0时，当输入h，则转换到状态1；输入s，则转换到状态3；否则转换到状态0。2、 匹配过程如下：从状态0开始进行状态转换，主串作为输入。如主串为：ushers，状态转换的过程是这样的：图2.23、?当状态转移到2，5，7，9等红色状态点时，说明发生了模式匹配。如主串为：ushers，则在状态5、2、9等状态时发生模式匹配，匹配的模 式串有she、he、hers。定义：在预处理阶段，AC自动机算法建立了三个函数，转向函数goto，失效函数failure和输出函数output，由此构造了一个树型有限自动机。转向函数，指的是一种状态之间的转向关系。g(pre, x)=next：状态pre在输入一个字符x后转换为状态next（上图中的实线部分）。失效函数，指的也是状态和状态之间一种转向关系。f(per)=next：是在比较失配的情况下使用的转换关系。在构造转向函数时，还缺少许多转换，即当状态机在状态pre输入字符y后不知道该往哪转了。所以就要在状态机中找到一个有意义的状态，当出现这种情况时，自动切换到那个状态。输出函数，指的是状态和模式串之间的一种关系。output(i)={P}，表示当状态机到达状态i时，模式串集合{P}中的所有模式串可能已经完成匹配。例：模式串为{he， she， his ，hers} 时，如图2.4所示。转向函数：失效函数：输出函数：三、字典树tire的构造这个比较好理解，就是把要匹配的一些字符串添加到树结构中去。树边就是单词中的字符，单词中最后一个字符的连接节点添加标志is_final_state，以表示改节点路径包含1个模式串中的字符串，搜索到此节点就表示找到了模式串中的某个单词，可以直接输出。Trie是一个树形结构的状态装换图，从一个结点到它的各个子结点的边上有不同的标号。Trie的叶子结点表示识别到的关键字。对于给定的集合P{p1,p2,...pm}，构建goto表的步骤是，对于P中的每一个模式PatternSet[1...j](1=im+1)，按照其包含的字母从前到后依次输入自动机，起始状态root，如果自动机的当前状态temp，对于PatternSet[i]中的当前字母ch=PatternSet[i][k](1=k=j)，没有可用的转移，则将状态机的总状态数STATE_NO+1，新建状态ch为new_state，并将当前状态temp输入ch后的转移位置置为new_state-state_no = STATE_NO，如果存在可用的转移方案temp-goto[ch]=q，则转移到状态q，同时取出模式串的下一个字母PatternSet[i][k+1]，继续进行上面的判断过程。理论介绍很繁琐，让我们以之前的模式集合P{h